「AI 质检员」在富士通工厂上岗，检测效率比人工提升 25%

编者按：本文来自微信公众号“HyperAI超神经”（ID:HyperAI），作者：神经小兮，36氪经授权发布。

日本第一 IT 厂商富士通，于近日宣布开发了用于检测产品外观异常的 AI 技术，从而节省人力成本、材料成本等，同时也可节省声誉损失和退货/召回相关的成本，「无人工厂」已来。

关键词：

机器视觉 产品缺陷检测 质量控制

去年 11 月，苹果开始在全球范围内的召回 AirPods Pro，原因是：在 2020 年 10 月之前出厂的 AirPods Pro，可能会出现发出爆裂声或静电噪音，并在嘈杂环境中、运动时或通话时增大等状况。

不想这件事情过去才刚刚一个月，在 2020 年 12 月，苹果又发起新一轮召回计划，针对的是之前 iPhone 11 屏幕触控失灵问题。

此次召回再次遭到消费者的吐槽:「品控真的差成这样了吗？」

一次次的缺陷产品召回，不仅对苹果的声誉造成损失，也让其在一定程度上失去了消费者的信任。

因此，除了产品性能指标外，品控对于企业来说也至关重要。

随着人们消费水平的提高，对于电子产品的需求增多，工厂的出货压力也随之增加。而品控环节基本都是依赖人工检测，在高强度工作之下，质检员可能因为视觉疲劳、精神不集中等出现更多错检、漏检情况。

如何在保证检测效率的情况下，提高产品良率？富士通决定用 AI 技术来解决。

作为亚洲最大、世界第五的 ICT 供应商，富士通的产品涵盖计算机、半导体、中间件等，在日本、中国、美国等多个国家设有众多工厂。

在全球都制造业都在推动智能制造的趋势下，这家成立 86 年的企业，也正在利用人工智能等前沿技术，提升产线的生产效率。

富士通大约在 10 年前，开始推动智能制造进程

近日，富士通实验室宣布，公司已经成功开发了一种用于图像检查的 AI 技术，该技术可以高度精确地检测制成品上的各种外部异常，包括划痕和生产错误的等。同时，该技术也大大减少了产品的质检人力与时间成本。

长期以来，产品质量检测都是依赖人工肉眼检测，这样的方式，不仅效率低，而且很容易因人为因素，造成漏检、错检、标准不统一等问题。

为此，富士通决定用机器视觉代替人类肉眼，来检测成品的外部异常。「AI 质检员」可根据产品的近似形状、详细结构和质地等特征，确定产品是否有缺陷。

前者检测图像更清晰，检测结果也更准确富士通提出的方法（上）与此前常规方法对比

在不同类型的测试中，「AI 质检员」也能够把握检测重点，精准分析产品异常。比如，在形状变形测试中，它会理解，近似形状的判断是最重要的；而在条件或图案测试中，「AI 质检员」就会认为，纹理的检测是最重要的。

此外，即使产品看起来正常，但如果涂层、颜色和接线形状等元素存在个体差异，AI 也会针对每个项目检查这些特性，并在检查的同时，判断出个体差异或异常是否在可接受的范围内。

据介绍，训练 AI 来执行质量控制任务的挑战在于，此前通常使用个体特征的加权和累加指数来训练模型，如此一来，要创建一个能够掌握所有检查特征的模型，可能会比较困难。

对此，富士通已经开发出一种新的 AI 模型训练方法，让 AI 能够基于 5000 多种人工物体的图像库，生成各种形状、大小和颜色的材料，并在其中随机添加异常，然后用这些带有异常的图片训练模型。

AI 给正常图片添加异常，并对模型进行训练的过程示意图

在训练过程中，富士通研究人员将正常图像与 AI 还原后的图像进行比较，评估每种功能的训练程度，例如近似形状、详细结构和纹理，并控制要添加的异常的大小、颜色和数量，以便 AI 优先学习未捕获的特征。之后，通过对 AI 还原的图像进行评估，对其薄弱方面进行加强训练。

简而言之，这一过程相当于，AI 自己创造异常，再交给自己进行检测，并将图像恢复至正常状态，从而在不断的自我博弈中，精进技艺。

富士通在其日本长野工厂的检验过程中，验证了该技术的有效性。当其 AI 应用于外观正常的产品时，AUC 得分超过 98％，而且，该技术将印刷电路板的检验工时减少了 25％。

富士通表示，未来公司将进一步开发相关技术，应用于其 COLMINA 数字解决方案，实现企业的数字化转型。

在工业 4.0 时代，人工智能技术正在快速渗透工业领域的各个场景，改变我们的生产方式。其中，机器视觉可以说是工业自动化的「眼睛」，产品位置辨识、检测、设备操作定位等，几乎都离不开机器视觉技术。

在工厂质量控制体系中，尤其是汽车零部件、3C 产品、芯片等行业，产品质量监控和缺陷管理是非常重要的一个环节，极大影响着产品的质量和产出速度。此外，这方面的人力成本也占据了整个生产成本的较大比例。

与视觉检测有关的人工成本，每年达到约 60 亿元以电子制造行业为例，我国相关生产线上

而机器视觉技术的进步，极大地促进了这一环节的自动化，也大幅度减少了漏检误检等情况。

利用机器学习算法，经过过少量图像样本训练，AI 就可以在精密产品上，以远超人类视觉的分辨率，发现微小缺陷，提升产品良品率。

相对于人类视觉而言，机器视觉在量化程度、灰度分辨力、空间分辨力和观测速度等方面存在显著优势。

使用基于深度学习的算法，在 PCB 上进行零件定位和分段

近年来，国内外多家企业已经陆续将机器视觉技术引入生产环节。今年年初，亚马逊就宣布上线机器学习服务 Lookout for Vision，使用机器视觉技术，为工业和制造业客户提供产品缺陷及异常检测服务。

据公开数据显示，2018 年，全球用于工业自动化领域的机器视觉技术市场规模达 44.4 亿美元（约合人民币 290 亿元），预计 2023 年将达 122.9 亿美元（约合人民币 804 亿元），年复合增长率高达 21%，市场需求巨大。

随着相关技术的不断成熟，以及智能制造政策的不断驱动，机器视觉技术的应用场景也必然将越来越广泛，这一赛道的竞争也将相当激烈。

https://www.fujitsu.com/global/about/resources/news/press-releases/2021/0329-01.html