在前兩篇「導入AI異常偵測技術讓傳產(chǎn)也能邁向智慧制造」[1]和「如何利用時序型資料異常偵測提升智慧制造成效」[2]中已幫大家介紹過關于智慧制造中常會遇到的「一元分類型(One-Class Classification)」及「時序型(Time-Series)」資料異常偵測(Anomaly Detection, AD)，而這些作法大多僅適用在單一信號源或低維度資料，而本文將繼續(xù)延伸至超高維度的「影像類型(Image Type)」異常偵測，借此說明如何利用人工智慧來提升產(chǎn)品制造品質。

一般影像類型異常偵測可分為「單分類(Single-Class)」及「多分類(Multi-Class)」。前者偵測出的異常類又可分為屬于正常但未見過的「新型態(tài)(Novelty)」及根本不屬于正常類別范圍的「離群者(Outlier)」。而后者則至少分為兩類，可以是不同的正常類型，若分類超過兩類則將各類「分布范圍內(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，在單分類時，若黃色的貓是正常，那黑、白、混色、條紋貓雖然也是貓，但仍會被視為異常，未來可視需求重新歸類到正常類。而像老虎、豹、獅子這類貓科動物，因外表實在差很多，會被歸類到「離群者」，所以一定會被視為異常。而如Fig. 1下圖所示，在多分類時，若假設手寫的數(shù)字0到9視為正常范圍內，那街道上出現(xiàn)的那些數(shù)字就不在范圍內，屬于異常范圍。

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

在智慧制造中，用影像來進行「品質（瑕疵）檢測」或「異常偵測」是非常常見的手段。早期可能會稱其為「機器視覺(Machine Vision, MV)」或「自動光學檢測(Auto Optical Inspection, AOI)」，主要依賴專家提供的領域知識加上數(shù)位影像處理手段及少部份機器學習算法組成視覺檢測系統(tǒng)。近年來因人工智慧相關算法崛起，因此開始有了以「深度學習」技術為主的「智慧視覺檢測系統(tǒng)(Intelligent Vision Inspection System)」。

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

其中又以「表面瑕疵檢測（異常偵測）」應用最廣，同時也最為復雜，包括「刮（折）痕」、「裂（凸）縫」、「凹（凸）點」、「穿孔（凸起）」、「缺（重）印」、「污染」、「摩擦」、「扭曲」、「破損」、「色偏」、「色散」等問題。人們通常不容易訂出明確的檢測規(guī)范，如長度、寬度、面積、顏色、形狀等，導致經(jīng)常會發(fā)生異常當成正常的「漏報(Underkill)」或正常當成異常的「誤殺(Overkill)」，造成產(chǎn)品不良率提高及人工復檢時間大幅增加。

在表面瑕疵檢測問題上，同樣會遇到有大量正常影像資料集，卻難以收集到異常影像的問題，同時對于異常的分類也很難定義邊界。若只是以「物件偵測(Object Detection)」技術在影像上標出一個方框來表示異常發(fā)生的位置，通常是很難滿足現(xiàn)場需求。因此大部份都會用到影像「語義分割(Semantic Segmetation)」技術來精準地判定每個像素是正?；蚴钱惓?。另外由于不同材料表面會造成不同類型的瑕疵（異常），需要應用不同的解決方案，本文無法一一涵蓋，只能先針對較常見的表面瑕疵「刮痕」、「裂縫」及「孔洞」等問題的異常偵測方法做一簡單介紹。接下來會依「語義分割」技術衍生的不同作法來進行說明，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（異常偵測）技術。