云棲大會(huì)｜數(shù)之聯(lián)方育柯：讓工業(yè)質(zhì)檢更智能

2021年，是云棲大會(huì)的第13年。本屆杭州·云棲大會(huì)以“前沿·探索·想象力”為主題，于10月19日至22日在杭州云棲小鎮(zhèn)舉辦。重歸線(xiàn)下，今年的這場(chǎng)科技盛宴是一場(chǎng)群星閃耀的科技論壇，上千名科學(xué)家、知名教授、技術(shù)大牛解密前沿科技，數(shù)百名行業(yè)實(shí)踐者完整地呈現(xiàn)AI、大數(shù)據(jù)、云計(jì)算等技術(shù)如何改變社會(huì)治理、工業(yè)生產(chǎn)等。

數(shù)之聯(lián)聯(lián)合創(chuàng)始人方育柯受邀出席云棲大會(huì)，并作了“數(shù)之聯(lián)·讓工業(yè)質(zhì)檢更智能”的主題分享，共同探討數(shù)智工廠(chǎng)的實(shí)踐。

一、什么是制造業(yè)痛點(diǎn)

縱觀整個(gè)制造環(huán)節(jié)，我們可以分為5個(gè)大步驟，供應(yīng)商（S）—來(lái)料（I）—制造過(guò)程（P）—出貨（O）—客戶(hù)（C），每一個(gè)步驟中都有對(duì)應(yīng)的關(guān)鍵環(huán)節(jié)，比如合格率、質(zhì)量檢測(cè)、良率優(yōu)化等。以前，我們用人的方式去管控各個(gè)環(huán)節(jié)，可最終發(fā)現(xiàn)在整個(gè)制造過(guò)程中只知道完工入庫(kù)的數(shù)量，而具體的執(zhí)行過(guò)程是否異常，哪些工序出現(xiàn)過(guò)停工待料，工序之間如何交接，質(zhì)量檢測(cè)數(shù)據(jù)是否正常，這些過(guò)程基本屬于黑洞。不能及時(shí)得到數(shù)據(jù)，只能后續(xù)通過(guò)統(tǒng)計(jì)才知道，存在滯后性和不及時(shí)性。

二、實(shí)現(xiàn)智造之路

舉個(gè)簡(jiǎn)單例子。提到制造業(yè)，人們都會(huì)想如何把東西生產(chǎn)出來(lái)，這個(gè)過(guò)程自動(dòng)化程度已經(jīng)非常高。但生產(chǎn)出來(lái)后，有一個(gè)必不可少的環(huán)節(jié)是什么？一定要做產(chǎn)品的質(zhì)量檢測(cè)（不管物理的、化學(xué)的還是外觀檢測(cè)的方式）。比如，手機(jī)生產(chǎn)完之后要檢測(cè)表面有沒(méi)有劃痕、有沒(méi)有缺陷——這往往是人力參與最多的環(huán)節(jié)。

數(shù)之聯(lián)基于此，融合大數(shù)據(jù)及人工智能，面向“智慧品質(zhì)”和“智能設(shè)備”提供了實(shí)現(xiàn)智能制造工業(yè)質(zhì)檢的核心能力，橫縱向、端到端覆蓋生產(chǎn)流程質(zhì)量管控的關(guān)鍵業(yè)務(wù)場(chǎng)景，使工業(yè)企業(yè)的生產(chǎn)過(guò)程具備深度數(shù)據(jù)感知、智能分析自決策和智慧決策自執(zhí)行的能力。

從下圖中可以看出，圖片不是背景復(fù)雜、缺陷極小，就是缺陷之間差異小。目前AOI、點(diǎn)燈機(jī)等機(jī)臺(tái)檢測(cè)大多只拍攝照片，不能判別缺陷類(lèi)別，需要產(chǎn)線(xiàn)作業(yè)員依據(jù)經(jīng)驗(yàn)在人工判圖系統(tǒng)或以查看本地圖片的形式判別缺陷類(lèi)型。

整個(gè)判片過(guò)程會(huì)消耗大量人力，給工廠(chǎng)運(yùn)營(yíng)帶來(lái)巨大壓力；同時(shí)人工判定缺陷類(lèi)別效率低，異常無(wú)法及時(shí)反饋，可修復(fù)產(chǎn)品無(wú)法及時(shí)得到修復(fù)，從而導(dǎo)致良率損失及維修機(jī)臺(tái)產(chǎn)能損失；并且人員間差異、狀態(tài)、熟練程度不同，易造成誤檢和漏檢，影響生產(chǎn)效益。

ADC項(xiàng)目的核心目的是讓AI完成缺陷的檢測(cè)與分類(lèi)，實(shí)現(xiàn)人力替代并加速異常反饋及處理。FPD領(lǐng)域龍頭企業(yè)某T社Array/OLED工藝會(huì)帶來(lái)種類(lèi)繁多的缺陷，缺陷由AOI檢出后會(huì)有數(shù)十位OP進(jìn)行分類(lèi)，每日判圖量數(shù)十萬(wàn)。在上了數(shù)之聯(lián)ADC后，質(zhì)檢效率提升5倍，準(zhǔn)確率提升9%、覆蓋率大幅提升15%。

找出了缺陷并對(duì)缺陷進(jìn)行了分類(lèi)處理，對(duì)于制造型企業(yè)也是不夠的。良率決定了生產(chǎn)成本也間接影響工廠(chǎng)的產(chǎn)能，良率如果和其他廠(chǎng)商相差1%，就無(wú)法在市場(chǎng)上競(jìng)爭(zhēng)。半導(dǎo)體生產(chǎn)工藝復(fù)雜，涉及數(shù)百道工序，上萬(wàn)個(gè)參數(shù)，生產(chǎn)過(guò)程數(shù)據(jù)量大，不良分析流程復(fù)雜。而數(shù)之聯(lián)YMES結(jié)合技術(shù)和對(duì)行業(yè)的理解，對(duì)工業(yè)生產(chǎn)中的產(chǎn)品品質(zhì)與履歷數(shù)據(jù)、檢測(cè)數(shù)據(jù)、機(jī)臺(tái)參數(shù)等數(shù)據(jù)挖掘和分析，能迅速幫助工廠(chǎng)定位生產(chǎn)異常，節(jié)省定位時(shí)間50%以上，且能進(jìn)一步提出輔助建議，完善追溯機(jī)制，極大減少產(chǎn)能損失。

此外，數(shù)之聯(lián)與硬件廠(chǎng)商合作，對(duì)硬件進(jìn)行賦能，市場(chǎng)反響不錯(cuò)，在質(zhì)檢領(lǐng)域?qū)崿F(xiàn)了軟硬一體。通過(guò)AOI進(jìn)行圖像采集，不同于傳統(tǒng)機(jī)器視覺(jué)，數(shù)之聯(lián)AOI借助深度學(xué)習(xí)，可以自動(dòng)從圖片中提取缺陷特征，有效解決傳統(tǒng)算法無(wú)法提取關(guān)鍵缺陷特征的問(wèn)題。

三、繼續(xù)讓AI在工業(yè)落地

“俠之大者，為國(guó)為民”，數(shù)之聯(lián)是一家充滿(mǎn)家國(guó)情懷的公司。在中國(guó)受到國(guó)外卡脖子技術(shù)威脅以及「智能制造 2025」以及新基建利好政策影響，我們投身進(jìn)工業(yè)，努力破除關(guān)鍵技術(shù)壁壘?，F(xiàn)在，我們擁有工業(yè)細(xì)分行業(yè)最大的AI算法庫(kù)，最全的預(yù)訓(xùn)練模型，能兼顧推理速度+效果。最后，我們將繼續(xù)立足優(yōu)勢(shì)，推動(dòng)工業(yè)AI落地千萬(wàn)工廠(chǎng)，讓技術(shù)成為財(cái)富，讓創(chuàng)新變成產(chǎn)能，用智造為企業(yè)、產(chǎn)業(yè)賦能。

編輯：fqj