Sztuczna inteligencja w AOI

AI oznacza symulację procesów ludzkiej inteligencji przez maszyny, tj. przez systemy komputerowe wyposażone w odpowiedni hardware i oprogramowanie. AI opiera się na tworzeniu systemów, które mogą wykonywać zadania, które zazwyczaj wymagają ludzkiej inteligencji, takie jak rozumienie języka naturalnego, rozpoznawanie wzorców, podejmowanie decyzji, rozwiązywanie problemów i uczenie się na podstawie doświadczenia. AI obejmuje szeroki zakres technologii, algorytmów i metodologii, z których każda służy różnym celom.

W ostatnich latach sztuczna inteligencja na dobre zadomowiła się w takich obszarach jak widzenie komputerowe, generatywna sztuczna inteligencja z dużymi modelami językowymi itp. W szczególności, w dziedzinie widzenia komputerowego, sztuczna inteligencja znalazła zastosowanie w kontroli jakości. Modele głębokiego uczenia oparte na sieciach neuronowych wykazały wysoką dokładność w wykrywaniu i klasyfikowaniu obiektów w obszarze przetwarzania obrazu cyfrowego. Ponieważ AI posiada duży potencjał zastępowania pracy ludzkiej w procesie kontroli jakości poprzez wykrywanie i klasyfikowanie obiektów, wspomagana sztuczną inteligencją kontrola jakości obiecuje dalszą automatyzację tych procesów.

Systemy AI

Proces opracowywania i wdrażania systemu AI zazwyczaj składa się z dwóch etapów: szkolenia AI i wnioskowania AI.

Szkolenie AI to proces, w którym bazując na modelu uczenia maszynowego system uczy się z dużych zestawów danych, dostosowując swoje parametry w celu rozpoznawania wzorców i dokonywania dokładnych przewidywań. W ostatnich latach oparte na sieciach neuronowych modele głębokiego uczenia wykazały wysoką dokładność w wykrywaniu i klasyfikowaniu obiektów w obszarze przetwarzania obrazu cyfrowego. Poniżej przedstawiono kilka przykładów dojrzałych modeli AI, które są szeroko stosowane w aplikacjach rozpoznawania obrazu:

• GoogLeNet
• Faster R-CNN (Region-Based Convolutional Neural Network)
• Detectron
• SSD (Single-Shot Detection)
• YOLO / Tiny YOLO (You Only Look Once)

Szkolenie AI to iteracyjny proces inżynieryjny, za który odpowiadają specjaliści, mający specjalistyczną wiedzę zarówno w zakresie technik modelowania AI, jak i procesów biznesowych (w tym przypadku inspekcji AOI). Dokładność modeli AI w dużym stopniu zależy od jakości i różnorodności zestawu danych treningowych z rzeczywistej produkcji.

Specjalista (zwany czasem ‘modelarzem’), jest zobowiązany do wykonania oznakowania zestawu danych treningowych (tj. przykładów dobrych i wadliwych komponentów) przed szkoleniem. Podczas szkolenia do modelu AI przekazywany jest zestaw otagowanych danych szkoleniowych, tak aby ten mógł dostosować swoje parametry, minimalizując błędy między przewidywanymi a rzeczywistymi wynikami. Zarówno oznaczanie, jak i szkolenie są czynnościami czasochłonnymi i wymagającymi znacznych zasobów. Szkolenie AI z zakresu widzenia komputerowego, które obejmuje interpretację i rozumienie danych wizualnych, wymaga znacznych zasobów jednostki przetwarzania grafiki (GPU). Zazwyczaj prowadzone jest w systemie lub platformie szkoleniowej AI, która jest oddzielona od systemu produkcyjnego. Proces może też wymagać wielu iteracji oznaczania, szkolenia i walidacji, aż do osiągnięcia zadowalającej wydajności modelu.

Wnioskowanie AI to doskonalenie modelu AI na rzeczywistych danych produkcyjnych, mające na celu wykrywanie i klasyfikowanie defektów. Etap ten wymaga znacznie mniej zasobów GPU niż szkolenie AI, ale nakłada szereg wyzwań we wdrażaniu i integrowaniu wyszkolonych modeli AI w systemie produkcyjnym. Szczegóły tego wyzwania wyjaśniono w dalszej części artykułu.

Wykorzystanie AI w AOI

AI może odgrywać znaczącą rolę na etapie AOI w procesie montażu elektroniki (PCBA). Trend stałego zmniejszania się układów wraz z postępem technologicznym rozmiarów komponentów SMD, stwarza konieczność skrócenia czasu programowania, czasu oceny i debugowania na etapie AOI.

Ostatnie osiągnięcia technologiczne, szczególnie w zakresie chmury AI, IoT i inteligentnej produkcji, zapewniły możliwości dalszego zwiększenia wydajności AOI. Rozwiązania AI. wykorzystujące technologie głębokiego uczenia i przetwarzania brzegowego, wykazały znaczną poprawę dokładności i wydajności AOI.

W nowych rozwiązaniach AI w AOI urządzenia brzegowe przetwarzają obrazy AOI w czasie rzeczywistym na linii produkcyjnej, wysyłając obrazy budzące podejrzenia do opartego na chmurze centrum AI w celu dalszej klasyfikacji. Taki system zmniejsza potrzebę interwencji operatora, skraca czas cyklu produkcyjnego i zmniejsza zarówno wskaźniki fałszywych wywołań, jak i przypadków przepuszczenia błędu. Wyniki eksperymentów wykazały, że systemy AOI oparte na głębokim uczeniu przewyższają tradycyjne systemy AOI pod względem dokładności i wydajności ze względu na ich zdolność do rozpoznawania złożonych wzorców i dostosowywania się do zmian w środowiskach produkcyjnych.

Wyzwania związane z wdrażaniem AI w procesie produkcji

Wdrażanie AI w PCBA wiąże się ze znacznymi wyzwaniami. Już w pierwszym etapie, szkolenia AI, istnieje kilka wyzwań, związanych z uzyskiwaniem wysokiej jakości danych szkoleniowych:

• Ograniczona ilość próbek defektów: Zebranie zróżnicowanego i reprezentatywnego zestawu przykładów defektów może być trudne ze względu na ich rzadkość. Na przykład defekty takie jak HIP (head-in-pillow) w produkcji elektroniki są stosunkowo rzadkie, a bez wystarczającej liczby przykładów model AI może mieć trudności z odpowiednią klasyfikacją.
• Nierównowaga wadliwych i poprawnych przykładów: W procesie wykrywania defektów większość przypadków jest poprawna, podczas gdy defekty stanowią zdecydowaną mniejszość. Nierównowaga tych dwóch kategorii może prowadzić do ‘stronniczych’ modeli, które słabo radzą sobie z wykrywaniem rzadkich defektów.
• Prywatność danych: Producenci elektroniki często niechętnie udostępniają zastrzeżone dane o defektach ze względu na obawy dotyczące poufności. Ogranicza to dostępność dużych, zróżnicowanych zestawów danych, stanowiących podstawę szkolenia.

Po drugie, praktyczne wdrożenie spotyka się z zestawem wyzwań, związanych z technologią informatyczną (IT) i technologią operacyjną (OT) na etapie wnioskowania AI:

• ​​Wysoka dostępność: kontrola jakości jest ostatnią bramą przed wysłaniem produktów do klientów, a dostępność systemu kontroli ma bezpośredni wpływ na harmonogram wysyłek i przychody firmy. Oznacza to, że system musi być dostępny 24/7, z minimalnymi odstępami między konserwacjami.
• Skalowalność i wydajność: operacje produkcyjne mogą znajdować się w różnych lokalizacjach, tak więc system może wymagać implementacji w kilku oddzielnych zakładach produkcyjnych. System powinien mieć możliwość łatwego skalowania (tj. dodawania instancji widzenia maszynowego do szkolenia modelu AI lokalnie lub w chmurze), a także dodawania urządzeń brzegowych. Aby obsługiwać rozproszonych użytkowników, trzeba wziąć pod uwagę jego wydajność (szybkość, obsługa wyjątków itp.).
• Uwierzytelnianie i autoryzacja użytkownika: Ważną cechą systemu zarządzania jakością produkcji jest to, że tylko upoważnieni i przeszkoleni operatorzy mogą przeprowadzać kontrole jakości. Dlatego wymagane jest uwierzytelnianie i autoryzacja użytkowników dla ich różnych ról/funkcji.
• Zarządzanie modelami i urządzeniami: Po etapie wdrożenia systemu AI, szczególnego znaczenia nabiera następnie zarządzanie jego cyklem życia (tj. samego modelu AI oraz współpracującego hardware). Użytkownicy wymagają łatwego i wydajnego sposobu zarządzania wersjami modeli AI używanymi w produkcji. Aby minimalizować zakłócenia w harmonogramach produkcji, równie ważne jest monitorowanie pracy hardware.
• Dane: Stale generowane w procesie inspekcji dane (obrazy i wyniki) muszą być bezpiecznie przechowywane i archiwizowane, z uwzględnieniem ich krytycznego i poufnego znaczenia. Dane muszą być również łatwo przyswajalne przez inne aplikacje (takie jak aplikacje analityczne) i łatwo odzyskiwane.
• Koszt: Należy dokładnie przeanalizować uzasadnienie biznesowe i zwrot z inwestycji w system AI. W przypadku każdego wdrożenia IT, całkowity koszt składa się z dwóch składników: kosztu stałego i kosztu zmiennego. Stały koszt obejmuje sprzęt w wymaganej konfiguracji i ewentualny zakup infrastruktury. Zmienny koszt obejmuje wykorzystanie chmury oraz koszt konserwacji sprzętu i infrastruktury.

Rysunek 1:Cloud Computing vs Edge Computing vs Fog Computing Żródło: What Is Edge Computing? Definition, Examples and Use Cases Explained in 2025

Przetwarzanie brzegowe (przedstawione na rysunku 1) jest często uważane za najlepszą architekturę dla wdrożeń modeli wnioskujących AI w operacjach produkcyjnych. Przetwarzanie brzegowe jest definiowane jako rozproszony schemat obliczeniowy, który przybliża obliczenia i przechowywanie danych do miejsca, w którym są potrzebne, aby skrócić czas reakcji i zaoszczędzić przepustowość. W produkcji na dużą skalę dane inspekcyjne są generowane w dużej liczbie punktów (tj. np. przez kilka systemów AOI), zwanych węzłami brzegowymi, zlokalizowanych w jednym lub w większej ilości zakładów produkcyjnych. Przetwarzanie brzegowe jest naturalnym rozwiązaniem w implementacji wyszkolonych modeli AI (które często są szkolone w centralnym systemie obliczeniowym) w pobliżu punktów inspekcyjnych (np. węzłów brzegowych), tak aby wyniki inspekcji mogły być szybko przekazane operatorowi.

Wnioski

AI posiada znaczny potencjał wykorzystania w obszarze AOI, szczególnie w zakresie poprawy dokładności wykrywania, ograniczenia ręcznej interwencji operatora i poprawy wydajności produkcji. AI stwarza wiele możliwości w procesie produkcji elektroniki, zwiększając niezawodność, przyspieszając czas wprowadzenia na rynek i zmniejszając koszt/czas związane z ręcznymi dostosowaniami systemów.

Jednakże w procesie wdrażania należy rozwiązać kilka wyzwań, zanim AI będzie mogło zostać powszechnie przyjęte w procesie produkcji elektroniki. Znaczącą przeszkodą pozostaje dostępność wysokiej jakości danych szkoleniowych, w szczególności jeśli chodzi o niedobór różnorodnych próbek defektów. Klasyfikacja danych podczas szkolenia modelu nadal wymaga zasobów, co jest jednym z głównych czynników hamujących stosowanie AI w produkcji masowej, zwłaszcza w liniach produkcyjnych obsługujących produkcję low-volume high-mix. Konwergencja IT i OT również stanowi znaczne wyzwanie we wdrażaniu AI na hali produkcyjnej. Zarządzanie wdrażaniem i cyklem życia modeli AI zwiększa złożoność wyzwań, szczególnie w zakresie dostosowywania i integrowania systemów IT ze środowiskami OT.

Żródło:

What Is Edge Computing? Definition, Examples and Use Cases Explained in 2025 © Cloudwards.net

Unlocking AI for Automated Optical Inspection © IPC

Zapraszamy na TEK.day Gdańsk, 11 września 2025. Zapisz się tutaj!