AI變身 扮產線醫生

別等設備機台壞了再修，讓AI人工智慧扮演產線醫生、瑕疵檢測糾察隊，為設備健康、產品良率把關！台灣高階製造業如半導體、PCB產業，面對國際競爭來勢洶洶，必須不斷提高產線與產品的品質，因此「產能」跟「良率」至關重要。工研院運用AI人工智慧，研發出「機台故障預診斷技術」和「深度學習瑕疵檢測技術」，協助業者精準掌握設備機台健康、確保產品良率，提升高階製造業競爭力。

機台無預警故障，導致產線停擺，是製造業的致命傷。若能預先掌握機台健康，就能適時地保養維修、確保產能。然而，以半導體產業為例，產線資料參數多達上百種，要找出真正影響機台健康的參數，是工研院團隊遇到的第一個難關。

團隊請教了機電與資通訊等各領域專家，反覆驗證測試後，順利找出能反映機台健康的關鍵參數。

找到關鍵參數，接著要建立資料分析模型，又面臨了難題。工研院巨量資訊科技中心組長張森嘉指出，過往多採用單一「英雄式」的演算法分析，但這會讓機台預測分析準確度不足，使機台頻發錯誤警報，造成工程師困擾，更影響產能。

因此，團隊絞盡腦汁，整合十幾種先進演算法研發「機台故障預診斷技術」，如同機台的醫生，透過分析機台運作的感測資料掌握機台健康，來決定最佳的保養或維修時機，減少非預期性故障，準確度超過95%，目前已實際導入半導體晶圓廠。

掌握機台健康之餘，也須把關產品良率。以PCB產業的瑕疵檢測為例，自動光學檢測行之有年，但這技術卻有「寧錯殺百人，也不放過一人」的特性，須仰賴大量人力複檢。

因此，研發團隊向業者取得上百萬張PCB瑕疵影像來訓練模型，研發出「深度學習瑕疵檢測技術」，賦予瑕疵檢測設備機器視覺自主學習的能力，能自行判斷產品是否有瑕疵，正確率超過99.95%。

但正確率高還不夠，業者要求每片PCB板檢測速度需低於20毫秒。張森嘉回憶，當時的技術，有了準度就降了速度，有了速度就偏了準度，讓團隊傷透腦筋，最終團隊想出「多分支網路架構」，概念類似多位關主分層把關，先由運算速度快的AI人工智慧關主直接對容易區分的瑕疵影像做出判斷，較難判斷的瑕疵則再交給需要較多運算資源，但判斷能力更好的AI人工智慧關主，如此既提高運算效能也具備決策彈性。

果然一試之後，不僅能快狠準揪出瑕疵影像，協助產線的檢測員減少57%的篩檢量，更讓產線由抽檢提升為全檢，目前已導入十家PCB廠。

AI人工智慧是提升製造業競爭力的最佳利器，對此，工研院擘畫2030技術策略與藍圖，長期投入共通基礎技術AI人工智慧創新技術研發，助台灣製造業突破轉型的瓶頸，加速實現智慧製造。