11月29日，在由36氪舉辦的WISE2022未來能源創(chuàng)投新風(fēng)向大會中，阿丘科技聯(lián)合創(chuàng)始人鄭慧偉發(fā)表了題為《AI視覺檢測助力企業(yè)數(shù)字化質(zhì)量和品質(zhì)閉環(huán)的構(gòu)建》的主題演講。

鄭慧偉認(rèn)為，AI質(zhì)檢需要幫助企業(yè)最終實現(xiàn)質(zhì)量和品質(zhì)的數(shù)字化閉環(huán)，構(gòu)建整個質(zhì)量管控閉環(huán)系統(tǒng)，使得質(zhì)檢結(jié)果能夠追溯工藝過程，實現(xiàn)工藝、生產(chǎn)過程的反饋優(yōu)化。AI供應(yīng)商主要提供工具和平臺，客戶借助AI平臺沉淀符合自身需求的工藝數(shù)據(jù)模型，最終打造出以AI驅(qū)動的數(shù)字化質(zhì)量管理平臺。

以下為本次演講實錄：

大家好，今天我分享的題目是AI視覺檢測助力企業(yè)數(shù)字化質(zhì)量和品質(zhì)閉環(huán)的構(gòu)建。也就是說從質(zhì)量管控到良率提升到整個質(zhì)量閉環(huán)的構(gòu)建，最終希望能夠走向整體的燈塔工廠。

整個智能制造的核心關(guān)注點無非就是四點：提質(zhì)、增效、降本、擴柔。

其中提質(zhì)顧名思義非常簡單，提升產(chǎn)品質(zhì)量，提升可控度。增效就是增加產(chǎn)量和提升良率。降本就是降低固定成本和系統(tǒng)成本。擴柔不管是增加切拉換洗的自動化程度還是增加整個切拉換洗的速度，總之來說提升規(guī)模效應(yīng)，擴大柔性事業(yè)能力是整個智能制造的核心關(guān)注點。

對于我們鋰電行業(yè)來說的話，特別特殊的是安全性是行業(yè)的一個生命線。下游市場對于安全性的關(guān)注度是非常高的，對于我們整個電池制造來說整個電池制造一致性、良品率、安全性等都是有非常高的要求。

01

工廠質(zhì)量管控的現(xiàn)狀、痛點以及實現(xiàn)難點

當(dāng)前來說主要以人工目檢為主，這就會存在主觀判斷和目視疲勞，檢測結(jié)果難以量化，過漏檢指標(biāo)難以管控等問題。如果用一些傳統(tǒng)的AOI檢測設(shè)備的話，大家可能也都用過，通常會有廠家一致性比較差、整體檢出率比較低，品質(zhì)管控非常煩瑣困難等問題，很難滿足最終的過漏檢指標(biāo)。還有整體數(shù)據(jù)孤島的問題，比如檢測圖片散落在各個獨立的設(shè)備上難以進行排查，難以回溯，數(shù)據(jù)容易丟失，而且也不好做相應(yīng)的改善和優(yōu)化。最后一個是屬于質(zhì)量管控和段劃，質(zhì)量管控和上游的生產(chǎn)工藝無法形成一個回溯關(guān)聯(lián)，沒有辦法從源頭改善品質(zhì)。

那工廠質(zhì)量管控存在哪些難點呢？

1. 產(chǎn)量大，工藝控制點非常多，所以說檢測次數(shù)很多也比較繁雜。

2. 極限制造對于精度和品控要求越來越高，特別是現(xiàn)在隨著產(chǎn)線速度越來越快，對整個檢測的效率要求越來越高。

3. 缺陷種類非常復(fù)雜細(xì)小，而且區(qū)分度比較低。在整個檢測過程中，因為不同的缺陷是由不同的工藝造成的，對缺陷的區(qū)分其實是要做到精細(xì)化的處理，不然的話整體很難做到工藝追溯包括很難做到過漏檢的優(yōu)化。

4. 當(dāng)前階段需要耗費大量的人力財力，不管是質(zhì)檢員還是相應(yīng)的管理成本都比較高。

我們從內(nèi)部看一下質(zhì)量管控的現(xiàn)實難點，客觀來說對于任何一家企業(yè)來說，品質(zhì)部跟生產(chǎn)部多多少少還是互相有不同的關(guān)注點的。品質(zhì)部關(guān)心的是質(zhì)量怎樣能夠滿足相應(yīng)的要求，而生產(chǎn)部關(guān)心的是生產(chǎn)的量，所以說這就是一個天然的矛盾，意味著品質(zhì)管控和產(chǎn)能之間的矛盾是不以人的意志為轉(zhuǎn)移的，是天然存在的。而且，矛盾會隨著時間變化，也會隨著客戶的要求變化而變化，最終臨界點意味著不同客戶或不同的時間點對整個可接受良率的極限是在這個臨界范圍之內(nèi)波動的。

02

構(gòu)建企業(yè)數(shù)字化質(zhì)量&品質(zhì)閉環(huán)的價值

構(gòu)建整個企業(yè)數(shù)字化質(zhì)量和品質(zhì)閉環(huán)的價值：

保障品質(zhì)檢查的一致性。

保障品質(zhì)數(shù)據(jù)的可視化和可預(yù)警。

保障品質(zhì)數(shù)據(jù)的統(tǒng)一化管理，實現(xiàn)缺陷精準(zhǔn)分類和工藝改善。

建立真正的無憂的質(zhì)量保障系統(tǒng)，構(gòu)建人、機、AI復(fù)合質(zhì)量檢查體系。基本上要把AI檢、機器檢、人工檢有機的結(jié)合起來，充分發(fā)揮各自特長，發(fā)揮各自的優(yōu)點，規(guī)避各自的缺陷，實現(xiàn)無憂的質(zhì)量保障體系，打通設(shè)備和人的屏障。

視覺檢測的價值本質(zhì)來說就是兩點：

第一點，產(chǎn)品出廠的質(zhì)量控制，毫無疑問產(chǎn)品賣出去或者給到下游的時候，這一塊做相應(yīng)的檢查。

第二點也是更重要的點，生產(chǎn)過程的工藝控制。在各個工藝的點上把相應(yīng)的缺陷給剔除出來或者發(fā)現(xiàn)了，同時在這個點上能建立缺陷和工藝之間的映射關(guān)系，為整個質(zhì)量閉環(huán)提供數(shù)據(jù)基礎(chǔ)，從而提升相應(yīng)的良率。

03

阿丘科技工業(yè)級AI的實踐和路徑

下面由我來介紹下，阿丘科技在工業(yè)級AI質(zhì)檢是怎么做的，我們都做了哪些相應(yīng)的實踐。

總的來說，主要圍繞以下四點：

自己的修行之路。

工業(yè)AI的軟件平臺和工具鏈構(gòu)建的比較完善。

深入工藝打造行業(yè)的工藝包。

以質(zhì)量數(shù)據(jù)為核心構(gòu)建整個質(zhì)量閉環(huán)。

第一點，自己的修行之路，我們從一開始就有完全自己能夠深度學(xué)習(xí)的算法和引擎，面向工業(yè)的而不是面向泛行業(yè)的，工業(yè)有工業(yè)非常強的工業(yè)特點。第二塊有標(biāo)準(zhǔn)的軟件平臺和解決方案，整體團隊是來自清華人工智能實驗室的，整體的研發(fā)團隊也比較強大，最后我們有非常豐富的落地案例和方法論。

第二點，構(gòu)建的平臺+工具的端-邊-云架構(gòu)，為過程檢和終檢服務(wù)完整的架構(gòu)。要想實現(xiàn)工業(yè)AI質(zhì)檢，其實對算法特別是對小缺陷的檢測能力、對小樣本的學(xué)習(xí)能力、對非監(jiān)督的要求以及對于快速訓(xùn)練的要求非常高，我們關(guān)于這方面都做了對應(yīng)的優(yōu)化。

構(gòu)建了整個AI檢測質(zhì)量質(zhì)檢落地的閉環(huán)三要素：算法、軟件工具鏈、落地方法論。所以說從大的維度來說，也就意味著工業(yè)AI檢測本質(zhì)上從通用AI走向了工業(yè)AI，工業(yè)AI有非常強的特點。第二塊，AI不僅是算法更是系統(tǒng)工程，所以說不能只考慮算法，要考慮怎么落地，怎么把落地方法論構(gòu)建起來，怎么把軟件工具鏈構(gòu)建起來。第二點AI本質(zhì)上是算法和數(shù)據(jù)，我在后面會講數(shù)據(jù)的價值。

第三點，就是深入工藝，打造行業(yè)工藝包。以鋰電行業(yè)為例，從前到后整個的工藝點非常多，每個點都需要管控，所以說我們可以針對每個工藝點結(jié)合這個工藝點的特征構(gòu)建對應(yīng)的工藝包，頂蓋的工藝包、密封釘?shù)墓に嚢⒘骐娦就庥^檢的工藝包等等。每個工藝包的工藝特點是不一樣的。

從檢測系統(tǒng)的發(fā)展來看，其實共經(jīng)歷了三個階段：

第一代的檢測系統(tǒng)就是圖像獲取到基于規(guī)則的圖像處理到基于規(guī)則的圖像分析，最終結(jié)果出來，我們把它定義成傳統(tǒng)的數(shù)據(jù)系統(tǒng)，這一塊以消費電子行業(yè)為主。但是隨著整個缺陷檢測難度的提升和整個復(fù)雜度的提升以及對于相應(yīng)的工藝閉環(huán)要求的提升，這一代系統(tǒng)整體檢出率和使用率體驗也是非常不好的。第二代的檢測系統(tǒng)，是以傳統(tǒng)數(shù)據(jù)為主，以AI為輔的檢測模式，這一塊只是一種中間過渡的狀態(tài)。

其實我們已經(jīng)邁入了第三代的檢測系統(tǒng)時代，也就是說以AI為主檢，以傳統(tǒng)算法為輔的時代。本質(zhì)上是回歸了品質(zhì)管控的本質(zhì)，品質(zhì)管控本質(zhì)上都是圍繞工藝來的，要么過工藝管控，要么做工藝提升，最終實現(xiàn)整體的品質(zhì)良率提高。

我們基于尺寸規(guī)則邏輯進行缺陷檢測，原來是多少乘多少尺寸的缺陷，但是因為缺陷發(fā)生的形態(tài)老是在變化，就會經(jīng)常出現(xiàn)各種各樣的邊邊角角的問題?，F(xiàn)在走向以形態(tài)檢測為主，也就意味著把劃痕檢出來，把臟污檢出來，并不在意臟污到底是圓形的、方形的、菱形的還是不規(guī)則形的。我們只關(guān)心臟污，這就會回到整個事物最初始、最本質(zhì)的狀態(tài)。

第三點以AI檢測有一個非常大的好處，它的工藝是以模型、以數(shù)據(jù)形式沉淀下來的，可追溯的，可優(yōu)化的，而不像傳統(tǒng)的都是一種過程的量，是沒辦法做追溯優(yōu)化和沉淀的。

第四點構(gòu)建整個質(zhì)量管控閉環(huán)系統(tǒng)。毫無疑問在當(dāng)前階段從生產(chǎn)到品質(zhì)的過程其實大部分還屬于開放狀態(tài)，生產(chǎn)歸生產(chǎn)、品質(zhì)歸品質(zhì)。品質(zhì)主要是對整個質(zhì)量進行管控，但是最終很難往前追溯或者真正定量化改善。

大家如果學(xué)過控制論相應(yīng)理論，就知道閉環(huán)系統(tǒng)是最穩(wěn)定的系統(tǒng)，特別是負(fù)反饋閉環(huán)系統(tǒng)。不管是整體的可控度、穩(wěn)定性、決卻度還是抗干擾能力都非常好，所以就倒逼我們在整個質(zhì)量管控方面也要構(gòu)建閉環(huán)系統(tǒng)。

閉環(huán)系統(tǒng)在我們視角看來分為三個層次，從AI閉環(huán)最終走向質(zhì)量閉環(huán)有三個階段：

第一階段，工業(yè)AI落地。用AI結(jié)合相應(yīng)的算法落地方法論和工具鏈能把第三代AI檢測系統(tǒng)做得比較完善和比較好。

第二階段，數(shù)據(jù)驅(qū)動的AI系統(tǒng)優(yōu)化，也就意味著以數(shù)據(jù)為核心而不是以AI為核心來看待這個問題，本質(zhì)上是AI、數(shù)據(jù)、質(zhì)量標(biāo)準(zhǔn)三位一體循環(huán)優(yōu)化，最終走向質(zhì)量數(shù)字化閉環(huán)。最終階段是以客戶的關(guān)注點來看待的一項工藝。AI已經(jīng)變成AI工具或者平臺，還有客戶關(guān)心的解決方案等。

第三階段，我們統(tǒng)稱為以AI驅(qū)動的數(shù)字化質(zhì)量平臺。所以閉環(huán)系統(tǒng)是循序漸進而且是層層深入的。我們?nèi)绻麖慕K局角度或者長線角度看來，這么做的方式解答了客戶和AI供應(yīng)商之間的各自定位問題，意味著AI的供應(yīng)商和終端客戶雙方有不同的生態(tài)位和價值沉淀。

AI供應(yīng)商如何把AI相應(yīng)工具做好，以數(shù)據(jù)為核心、工藝沉淀為核心、以工藝優(yōu)化為核心，最終將工藝數(shù)據(jù)模型沉淀在客戶這里，這也是客戶最想要的東西。

那么，如何構(gòu)建整個質(zhì)量管控的閉環(huán)系統(tǒng)？

01

把質(zhì)量標(biāo)準(zhǔn)數(shù)字化、檢測模式數(shù)字化

原來用表格或者紙質(zhì)方式記錄的缺陷標(biāo)準(zhǔn)要回歸到本質(zhì)以數(shù)字化方式建檔起來，可以優(yōu)化和改善。原來是人工目視，現(xiàn)在通過機器視覺的方式把它轉(zhuǎn)化成數(shù)字化信號存儲起來，相當(dāng)于原圖也可以存儲起來，最終實現(xiàn)可反饋、可存儲、可復(fù)制。

02

實現(xiàn)缺陷檢測的AI化

將工藝沉淀到模型池。剛才說了通過AI高泛化的適應(yīng)能力結(jié)合AI的抽象能力，把原來檢測不出來的缺陷檢測出來，把能檢的全部檢出來。對造成這些缺陷的原因進行相應(yīng)的分析，把它沉淀到相應(yīng)的模型池。

03

AI強缺陷分類，實現(xiàn)工藝溯源，閉環(huán)優(yōu)化實現(xiàn)真正的零缺陷管控

AI有非常強的缺陷分類能力，在把缺陷分完類之后或者精細(xì)化分類完之后，再相應(yīng)地往前追溯工藝就成為一種可能。舉個例子，劃傷有對應(yīng)的原因造成，氣泡產(chǎn)生的原因也不一樣。在缺陷形態(tài)來看，異物和氣泡可能長得很像，但是從最終工藝的角度來看，這兩個是由不同的原因造成。所以最終我們要實現(xiàn)工藝的數(shù)字化、制造的數(shù)字化、誤差的數(shù)字化和品質(zhì)的數(shù)字化，以此來實現(xiàn)構(gòu)建完整的質(zhì)量管控閉環(huán)。

04

以數(shù)據(jù)為中心、以AI為動力，構(gòu)建完整的閉環(huán)

有了相應(yīng)的數(shù)據(jù)中心之后，對應(yīng)上層相應(yīng)的質(zhì)量算法，缺陷分類和質(zhì)量溯源體系，預(yù)警和預(yù)測體系，工藝改善體系還有質(zhì)量重要度分析，以及相應(yīng)的良率分析體系。整體質(zhì)量控制就有了相應(yīng)的數(shù)據(jù)和土壤，就能把相關(guān)工作做得比較細(xì)致和有價值。工業(yè)AI質(zhì)檢的典型應(yīng)用場景包括外觀檢測、缺陷分類、裝配確認(rèn)、有無檢測、分選定級等。

04

典型行業(yè)案例

下面展示2個案例，看一下我們是如何開展相關(guān)工作。

第一個是過程檢測，這部分屬于在整個鋰電過程中焊接耗的質(zhì)量AI檢測包括密封電焊結(jié)合頂蓋焊接。這一塊是用AI和3D的方式混合檢測的最終做到零過篩或過篩在0.5%左右，已經(jīng)批量使用了。這部分核心在于把一些像針孔比較難檢的缺陷通過AI和3D方式檢出來

第二個案例是電芯外觀用面的全檢，這塊本質(zhì)上屬于終檢，終檢毫無疑問缺陷率檢查非常之多，基本有三四十種。而且因為最終檢，所有工藝都匯聚到這個點來，所以缺陷類型也非常之多。而且還需要對缺陷進行相應(yīng)的分類。整體要求非常高，因為牽扯到出貨，如果檢測要求不嚴(yán)格的話，最終到下游客戶還是會有投訴的情況。

在這個過程中都有幾個難點和亮點:

1.對缺陷進行精細(xì)化分類，如果做不到精細(xì)化分類，終檢基本不可行。因為哪怕都檢測出來了，但是沒辦法進行分類，缺陷的優(yōu)先級和檢測度不一樣，最終會導(dǎo)致整體過檢率非常高。換句話說你設(shè)備整體良率非常之低，你的設(shè)備根本開不起來，或者產(chǎn)能根本上不去，所以需要對缺陷進行精細(xì)化分類。

2.對小缺陷進行精細(xì)化摳取，這個也非常重要，否則就會產(chǎn)生漏檢風(fēng)險。如果設(shè)備有比較大的漏檢風(fēng)險，設(shè)備可用度依然比較低。

3.多工位和多視覺的交互驗證，這塊也是比較大的難點。最終我們這塊做到了關(guān)鍵缺陷零過篩，一般缺陷會有小比例的可控的漏差，同時過篩率控制在3%左右，目前已經(jīng)在頭部客戶做到相關(guān)的批量復(fù)制。

05

關(guān)于我們

總的來說，阿丘科技工業(yè)AI視覺軟件平臺 AIDI是基于深度學(xué)習(xí)的工業(yè)視覺軟件平臺，核心功能包括，定位、分割、分類、檢測、識別。

阿丘科技團隊來自清華大學(xué)人工智能實驗室，專業(yè)解決復(fù)雜的缺陷檢測難題。我們立志于填補國內(nèi)基礎(chǔ)工業(yè)AI視覺平臺軟件空缺，把人工智能技術(shù)和實體制造業(yè)緊密結(jié)合，推動工廠的自動化、數(shù)字化和智能化升級，實現(xiàn)制造強國。我們的代表客戶包括像蘋果、富士康、立訊、寧德時代等等。

今天分享就到這里，謝謝大家。

審核編輯 ：李倩