在前兩篇「導(dǎo)入AI異常偵測(cè)技術(shù)讓傳產(chǎn)也能邁向智慧制造」[1]和「如何利用時(shí)序型資料異常偵測(cè)提升智慧制造成效」[2]中已幫大家介紹過(guò)關(guān)于智慧制造中常會(huì)遇到的「一元分類(lèi)型(One-Class Classification)」及「時(shí)序型(Time-Series)」資料異常偵測(cè)(Anomaly Detection, AD)，而這些作法大多僅適用在單一信號(hào)源或低維度資料，而本文將繼續(xù)延伸至超高維度的「影像類(lèi)型(Image Type)」異常偵測(cè)，借此說(shuō)明如何利用人工智慧來(lái)提升產(chǎn)品制造品質(zhì)。

一般影像類(lèi)型異常偵測(cè)可分為「單分類(lèi)(Single-Class)」及「多分類(lèi)(Multi-Class)」。前者偵測(cè)出的異常類(lèi)又可分為屬于正常但未見(jiàn)過(guò)的「新型態(tài)(Novelty)」及根本不屬于正常類(lèi)別范圍的「離群者(Outlier)」。而后者則至少分為兩類(lèi)，可以是不同的正常類(lèi)型，若分類(lèi)超過(guò)兩類(lèi)則將各類(lèi)「分布范圍內(nèi)(In-Distribution)」資料視為正常，「分布范圍外(Out-of-Distribution)」視為異常。

如Fig. 1上圖所示，在單分類(lèi)時(shí)，若黃色的貓是正常，那黑、白、混色、條紋貓雖然也是貓，但仍會(huì)被視為異常，未來(lái)可視需求重新歸類(lèi)到正常類(lèi)。而像老虎、豹、獅子這類(lèi)貓科動(dòng)物，因外表實(shí)在差很多，會(huì)被歸類(lèi)到「離群者」，所以一定會(huì)被視為異常。而如Fig. 1下圖所示，在多分類(lèi)時(shí)，若假設(shè)手寫(xiě)的數(shù)字0到9視為正常范圍內(nèi)，那街道上出現(xiàn)的那些數(shù)字就不在范圍內(nèi)，屬于異常范圍。

Fig. 1 影像類(lèi)型異常偵測(cè)分類(lèi)示意圖(OmniXRI 2020/6/25整理繪制)

在智慧制造中，用影像來(lái)進(jìn)行「品質(zhì)（瑕疵）檢測(cè)」或「異常偵測(cè)」是非常常見(jiàn)的手段。早期可能會(huì)稱(chēng)其為「機(jī)器視覺(jué)(Machine Vision, MV)」或「自動(dòng)光學(xué)檢測(cè)(Auto Optical Inspection, AOI)」，主要依賴(lài)專(zhuān)家提供的領(lǐng)域知識(shí)加上數(shù)位影像處理手段及少部份機(jī)器學(xué)習(xí)算法組成視覺(jué)檢測(cè)系統(tǒng)。近年來(lái)因人工智慧相關(guān)算法崛起，因此開(kāi)始有了以「深度學(xué)習(xí)」技術(shù)為主的「智慧視覺(jué)檢測(cè)系統(tǒng)(Intelligent Vision Inspection System)」。

這些系統(tǒng)可以應(yīng)用到各種制造產(chǎn)業(yè)，其系統(tǒng)主要由相機(jī)、鏡頭、光源、影像擷取及計(jì)算（軟、硬體）等單元構(gòu)成，提供了如「缺（多）件」、「尺寸量測(cè)」、「圖像識(shí)別」、「物件定位」、「物件分級(jí)」、「表面瑕疵」、「色彩」、「亮度」、「深度（距離）」等項(xiàng)目的分析、計(jì)算功能。

其中又以「表面瑕疵檢測(cè)（異常偵測(cè)）」應(yīng)用最廣，同時(shí)也最為復(fù)雜，包括「刮（折）痕」、「裂（凸）縫」、「凹（凸）點(diǎn)」、「穿孔（凸起）」、「缺（重）印」、「污染」、「摩擦」、「扭曲」、「破損」、「色偏」、「色散」等問(wèn)題。人們通常不容易訂出明確的檢測(cè)規(guī)范，如長(zhǎng)度、寬度、面積、顏色、形狀等，導(dǎo)致經(jīng)常會(huì)發(fā)生異常當(dāng)成正常的「漏報(bào)(Underkill)」或正常當(dāng)成異常的「誤殺(Overkill)」，造成產(chǎn)品不良率提高及人工復(fù)檢時(shí)間大幅增加。

在表面瑕疵檢測(cè)問(wèn)題上，同樣會(huì)遇到有大量正常影像資料集，卻難以收集到異常影像的問(wèn)題，同時(shí)對(duì)于異常的分類(lèi)也很難定義邊界。若只是以「物件偵測(cè)(Object Detection)」技術(shù)在影像上標(biāo)出一個(gè)方框來(lái)表示異常發(fā)生的位置，通常是很難滿足現(xiàn)場(chǎng)需求。因此大部份都會(huì)用到影像「語(yǔ)義分割(Semantic Segmetation)」技術(shù)來(lái)精準(zhǔn)地判定每個(gè)像素是正常或是異常。另外由于不同材料表面會(huì)造成不同類(lèi)型的瑕疵（異常），需要應(yīng)用不同的解決方案，本文無(wú)法一一涵蓋，只能先針對(duì)較常見(jiàn)的表面瑕疵「刮痕」、「裂縫」及「孔洞」等問(wèn)題的異常偵測(cè)方法做一簡(jiǎn)單介紹。接下來(lái)會(huì)依「語(yǔ)義分割」技術(shù)衍生的不同作法來(lái)進(jìn)行說(shuō)明，主要包括「基于完全卷積網(wǎng)路(Fully Convolutional Network-Based)」、「基于編/解碼器(Encoder/Decoder-Based)」及「基于分割/決策(Segmentation/Decision-Based)」等表面瑕疵檢測(cè)（異常偵測(cè)）技術(shù)。