雷鋒網 (公眾號：雷鋒網) 旗下「鯨犀」問世啦！！！

「關注產業經濟變革，服務企業再造升級」是我們的服務宗旨。

鯨魚和犀牛是海洋和陸地生物進化的代表，它們同樣能夠代表一大波在智能時代想要升級再造的先鋒企業。「鯨犀」就是要記錄這些企業的轉型和成長。

如果您對企業數字化落地案例感興趣，請關注「鯨犀」！

復制微信號：whalerhino

或掃碼關注：

今年年初到現在，受到疫情的影響，國內各行業的眾多企業意識到，數字化轉型所蘊含的可觀商業價值吸引力巨大，因此，企業擁抱數字化轉型已逐漸成為行業共識。

在深圳市光明區華星光電的生產線上，已經很少能看到工人忙碌的身影，取而代之的是一條條機械手臂，而這條生產線的面積相當于12個足球場。與人類不同，這些機械手臂只要插上電源就可以晝夜不停地進行生產。并且，產品一旦出現了缺陷問題，負責檢測的AI設備可以在5秒之內識別出來。

在華星光電高度數字化的生產線上，導入了國內面板業缺陷判別的首例人工智能項目——ADC項目（Auto Defect Classification 自動缺陷分類），目前，這個項目已經幫助華星光電在質檢環節之一的圖片檢測方面縮減了50%的人力。

傳統質檢已跟不上發展剛需

此前，華星光電的質檢方法是靠人工肉眼去識別AOI拍出的圖片。

液晶面板是決定液晶顯示器亮度、對比度、色彩、可視角度的材料，液晶面板質量、技術的好壞關系到液晶顯示器整體性能的高低。

華星光電ADC項目負責人劉慶表示，面板的缺陷種類多達120種。不同工序、不同產品的缺陷特征也不盡相同，這對人員來說快速精準的識別缺陷類型有一定的難度。

在ADC項目之前，需要AOI設備將玻璃缺陷拍照后上傳到NAS系統，再通過MES上傳到人工判Code的界面，由人員對圖片一張一張的進行設別和分類。

在華星光電工廠的Monitor Room中，每名圖片質檢員每天需要面對1萬張產品圖片進行檢測，一名成熟的質檢員，平均要花費2秒的時間完成對每張產品圖片的缺陷分類工作，同時人員需要確認缺陷是否落在線路上、對產品的影響嚴重程度是否需要開立對應的生產異常單。

面板在不同的生產工序，不同的AOI設備拍照的的圖像分辨率、曝光率、成像底色等差異非常大，有一定的識別難度，因此，一名質檢員從入職到上崗，需要3-6個月的崗前培訓通過考核才能上崗作業。

劉慶表示，與機器不同，人員具有明顯的個體差異，人員識別容易受到外部環境的影響，人員識別的準確率是在一定范圍內波動的，需要持續的對人員進行教育訓練來保證穩定的準確率。

人工檢測不僅在效率上不能滿足工廠產能的快速爬坡，如今的年輕人也更喜歡去相對工作環境沒那么單一的地方工作。

對于企業來說，更希望通過機器代替人工來進行生產作業的降本增效，這時候，就需要將人工所積累的經驗進行固化，可以持續高效的運行。

ADC項目正式落地

2018年，騰訊云聯合格創東智助力華星光電實現了人工智能在AI判片的應用，全面承接了t1，t2和 t6工廠圖片自動識別（Auto Defect Classification，簡稱ADC）系統，在Array/CF/Cell各檢測工序上的應用落地。

ADC項目的核心目的是讓機器完成缺陷的分類工作，實現人力替代并加速異常反饋及處理。

該項目利用人工智能建立缺陷分類模型，對產線實時發送的圖片進行識別分類，并將結果回傳給MES，替代原有人工進行圖片的識別分類 ADC項目初期并不順利，遇到一些技術問題導致相關指標不達預期。

人工檢測的準確率為85%，而ADC初始準確率僅為70%-80%。

劉慶表示，ADC項目初期收集各類的缺陷樣本進行訓練，當產線實際缺陷形態變化時模型無法靈活應對。而人員是可以提煉相應的特征來識別。這就需要把人員識別的經驗和方法和模型的算法技術結合到一起。

項目前期的效果并不完美

項目的前期，研發人員需要花費30%的時間去把液晶面板特性模型的參數和人員經驗結合調優。

對于整個項目來說，這個過程是至關重要的，研發團隊會遇到兩個關鍵性問題：

1）如何將客戶主觀需求轉化為可求解的計算機視覺算法；

2）針對提煉出來的算法問題，如何提出一個最佳的解決方案。

這兩個關鍵問題在項目初期至關重要，是項目開展的基石。

對此，負責ADC項目的算法研發人員在項目前期就要參與到華星光電的需求調研中，并深入了解液晶面板的工藝流程、缺陷成因、缺陷定義等并接受工廠相關的業務知識培訓。

為了提出最佳的解決方案，騰訊云相關專家表示，針對具體的問題，在算法方面有多種選擇，而研發人員需要從性能、速度、可執行性、可維護性、開發難度以及可能存在的風險等方面進行全方位評估。

對此，騰訊云和優圖實驗室研發人員綜合考慮算法指標、開發和維護成本等提出深度學習為主+傳統計算機視覺算法為輔的解決方案。

然而，整個項目在推進過程中還是會遇到很多問題：

1）數據分布多樣性，大量小缺陷以及缺陷數據分布極度不均衡性共存，部分重要缺陷的數據非常少，對算法的泛化能力提出了極大的挑戰；

2）長尾需求差異性強，不同站點的產品需求和缺陷會有差異，對解決方案造成了極大的挑戰，需要隨時根據需求調整；

3）算法研發人員抗壓能力和團隊協作能力需要非常強... ...

針對這些問題，整個研發團隊迅速做出了調整。

項目組立即開展投入算法研究、開發縮放校正算法、旋轉校正算法、小缺陷缺陷分割算法，針對小樣本缺陷提出遷移學習來提升算法的性能。

并且，項目組積極組織研發人員進行攻堅，開發了孔異常算法、顏色校正算法等，這些算法作為ADC項目整體解決方案的補充，能靈活的根據不同的問題進行調整。

項目組以站點負責人制積極高效的推動算法的開發和交付，騰訊云和優圖實驗室一方面和華星光電進行充分溝通，允許在不影響面板質量的情況下對判斷缺陷的規則進行適當修改；另一方面組織算法人員進行攻堅，采用適合的算法解決數據不準確易混淆的問題。

工業視覺場景有自己的特殊性，與自然場景有很大的不同，液晶面板的圖像特征比較單一，但是也有一定幅度的變化。

華星光電給騰訊云提供的訓練數據，無法完全覆蓋生產環境中的所有情況。

對此，騰訊云需要采用圖像標準化的策略，將所有線上數據全部都轉換到同一個標準化的空間，再進行缺陷分析，最大程度抑制產線波動帶來的影響。

騰訊云提煉出最優的通用解決方案并封裝到TI-insight, 使用Ti-insight則不需要有研發技能也可以進行模型的交付和算法的迭代，這大大降低了算法的交付成本。

ADC項目極大地提高了檢測效率

而在整個ADC項目進行的過程中，整個的準確率在不斷地提升，準確率從最開始的70-80%，到目前的90%以上，這個過程整個研發團隊用了兩年的時間。

劉慶表示，如今，ADC識別單張圖片的速度從人員的2秒縮短到了500-600毫秒，目前總共可以替代140名員工。截至目前，ADC項目可以為華星光電節省超過1000萬人民幣的成本。

自2016年起，華星光電就開始嘗試智能制造。由于一開始采用的項目制發現推進困難，華星光電隨即成立了數字化轉型推進辦公室，讓有相關經驗的工程師學習智能制造前沿的技術并進行推廣應用。

TCL集團是國內許多制造業公司的縮影。如華星光電一樣，傳統企業向數字化轉型如果可以得到驗證，對于其他公司來說就會擁有同樣的商業場景。

寫在最后

對于高端制造業來說，向數字化轉型的難點在于對數據的采集要求到極致，例如華星光電會對氣態、液態、溫度等物質的數據，這個挑戰已經超越了數據采集，也超過了一般的數據分析。

對新技術的駕馭和掌控，制造業本身需要企業在機制和體制上對新技術的落地有一個新的認識。如今，新的技術要在工廠能夠用好、落實好、執行好，需要企業擁有與過去不同的知識結構。

而對于傳統企業來說，推進智能制造需要多方合力，既要懂工廠業務還要懂算法的人才，這對傳統工業自動化部門是不小的挑戰，同樣，也是機遇。

歡迎勾搭

如果您對「鯨犀」感興趣，請掃碼進入讀者群！

如果您的企業已經邁進數字化的大潮，有想報道的落地案例，請聯系「鯨犀」！公眾號后臺留言或添加小助手微信whale-rhino，感謝您的關注！

雷鋒網雷鋒網雷鋒網

。