深度學習革命：Yolo5技術在高科技產業中改善AOI自動光學檢測系統
現今的高科技產業廣泛應用AOI自動光學檢測辨識系統來監測產品品質，但過高的誤判率一直是其困擾。近年來，卷積神經網路（CNN）技術的崛起為解決此一問題帶來了希望，使得深度學習應用於影像辨識的技術逐漸成熟。本文章將探討如何結合AOI和CNN技術，以提高品質監測的精確性和效率。
【技術發展背景】
高科技產業，特別是電子機械業和半導體製造等領域，對產品品質的嚴格要求一直是企業成功的關鍵。為確保產品符合高標準，AOI自動光學檢測辨識系統一直被廣泛應用。然而，儘管該技術已經非常成熟和穩定，但仍然存在一個顯著問題，那就是高誤判率。
在一些特定產業，如印刷電路板（PCB）製造，高良率是至關重要的。因此，AOI系統必須設置極高的閾值，以確保過濾掉不良品。然而，這樣的操作導致過多的誤判，有時NG案例的誤判率甚至高達95%以上，這增加了大量的人力成本來進行複檢。
近年來，卷積神經網路（CNN）技術在電腦視覺領域取得了巨大成功，這使得學術界和工業界都開始研究如何應用CNN技術來改進影像辨識任務。深度學習在影像辨識方面的應用不斷成熟，為解決AOI系統的誤判問題提供了一個具有潛力的解決方案。
具體而言，新一代AOI系統結合了AOI影像和深度學習的偵測模型，能夠更精確地定位和分類影像中的各種瑕疵。透過適當的訓練模型，這一整合可使AOI系統更準確地判斷瑕疵，從而降低誤判率和人工複檢成本（誤報率<0.5%），同時提高整體辨識精度（準確率>98%）。
此一技術結合了傳統AOI系統的高效率和深度學習的準確性，為高科技產業帶來了更好的品質監測解決方案。它不僅可以提高品質，還可以節省大量的人力和時間成本。
【技術介紹與應用現況】
建立影像辨識模組之過程共分為三大部分，包含資料收集、模型訓練、模型驗證如下圖所示。
圖1資料收集、模型訓練、模型驗證
圖表來源：本文作者自行繪製
- 資料收集：
資料收集是建立影像辨識模組的第一步，也是最重要的一步。這包括收集足夠多且具代表性的影像數據，這些數據將用於訓練和測試模型。資料應涵蓋各種情況、變化和可能的影像差異。
2. 模型訓練：
一旦有足夠的資料，下一步是模型訓練。這涉及選擇合適的深度學習模型（如CNN、RNN等）和設計合適的訓練流程。在這個過程中，使用資料集對模型進行訓練，使其能夠辨識並學習影像中的特徵和模式。模型訓練可能需要大量的計算資源和時間，並且需要不斷調整參數以優化性能。
3. 模型驗證：
模型驗證是確保建立的影像辨識模組正確運作的關鍵步驟。它包括使用獨立的測試資料集來評估模型的性能，測試資料應與訓練資料有所不同，以確保模型的泛化能力。驗證過程通常包括評估模型的精確度、召回率、F1分數等指標，並可能需要進行錯誤分析以了解模型的弱點和改進之處。
此系統檢測流程示意圖如下:
圖 2系統檢測流程
圖片來源：本文作者自行繪製
YOLO結合了高速度、高準確性和多尺度偵測的優點。它已經廣泛應用於各種領域，並在電腦視覺社群中取得了巨大的成功。其簡單且高效的特性使得它成為當今物件偵測的領先方法之一。其中YOLOv5是YOLO（You Only Look Once）系列的較新版本且穩定的架構。擁有以下系列的優點，使得它成為物件偵測領域的一個領先方法。以下是YOLOv5的一些主要優點：
- 速度快： YOLOv5具有極高的處理速度，這是一個極為重要的優點，特別是對於需要實時或即時物件偵測的應用。
- 高度準確： 儘管速度快，但YOLOv5在準確性方面表現出色。它的準確率相對於之前的版本有所提高，並且在各種不同類別的物件偵測中仍然能夠提供優秀的表現。由下圖3在coco數據的準確度與速度的曲線圖，橫軸表示推論時間(ms/img)數值越小越好，代表速度越快，縱軸表示在coco數據集的AP指標，數值越大越好，代表越準確。透過圖3觀察，yolov5的四個網路明顯優於EfficientDet，由圖4觀察，EfficientDet優於其他現行網路架構。綜合兩張圖，可看出yolov5在速度與準確度上有明顯的優勢。
圖3 yolov5 coco數據比分
圖片來源：yolov5github
圖4 EfficientDet coco數據準確度
圖片來源：EfficientDet paper
YOLOv5是一個強大的物件偵測方法，它結合了高速度、高準確性、單一模型和多尺度偵測等多個優點。這使得它成為眾多應用領域的首選方法，在訓練AOI模型下更是達到準確度99%。
圖5訓練過程準確度
圖片來源：本文作者自行繪製
【未來展望/挑戰】
Yolov5未來在製造品管過程的應用：
- 瑕疵檢測：可以用於檢測電子零件或PCB上的瑕疵，如線路斷裂、焊接錯誤、短路、腐蝕等。它能夠快速而準確地檢測這些瑕疵，有助於提高產品的品質。
- 元件定位：可以用於定位和識別不同類型的電子元件，如電阻、電容、集成電路等。它能夠精確地標記這些元件的位置，有助於後續的製造和測試流程。
- 字跡識別： 在PCB製造中，可以用於識別和檢測印刷在PCB上的文字、標誌或條碼。這有助於確保標示的正確性和完整性。
- 排列檢測：可以用於檢測元件的排列是否符合設計規格。例如，它可以檢測元件之間的間距是否正確，以及它們是否按照預定的順序排列。
- 自動化品管： 將整合到自動光學檢測系統中，可以實現高度自動化的品管過程，減少了人工檢測的需求，同時提高了檢測的效率和一致性。
總之，YOLOv5在AOI檢測中的應用可以幫助製造業提高品質控制的效率和準確性。它的高速度和準確性使其成為自動光學檢測系統的理想選擇，有助於減少不良品的生產，提高生產效率，並降低人工檢測成本。
參考資料來源：
- 封面圖片來源：本文作者自行繪製
- yolov5: https://github.com/ultralytics/yolov5
- EfficientDet paper : https://arxiv.org/abs/1911.09070
延伸閱讀