e-works数字化企业网  »  文章频道  »  基础信息化  »  工业互联网

冠捷屏检“净”化史 以身试“法”,内生外化:联想助力冠捷屏幕质检数智化提速

2022/6/21            
关键字:冠捷集团  联想  智能化转型  
作为联想长期以来的重要合作伙伴,冠捷在一次参观联想研究院算法产品时,初遇彼时还只是一个小demo的联想LCD屏幕光学检测解决方案,经过联想的自用打磨,以及双方一系列的磨合匹配,冠捷最终为其智能制造产线这补上了智能质检这一块短板。
       在微观经济学中,有一个评价商品优劣的指标,叫做——匀质。顾名思义,指的是该商品在市面上性能表现或服务水平的稳定如一——是的,越是高端品牌越要摒弃“拆盲盒”,不仅不能降低水准,也不宜随意升高。匀质性为何如此重要?一方面,它管理了客户的稳定预期,尤其在品牌影响力明显的快消品领域,匀质的产品性能和服务直接指向确定的“心锚”,价格、定位、受众,牵一发动全身;另一方面,它反映了企业稳定的生产水平,即在长周期内克服产能突击、生产故障及安全等潜在困难的综合能力。

       由消费反推制造,当品牌信誉度与商品匀质程度相挂钩,就意味着制造企业必须严格把控“良品率”,在生产过程中精修缺陷检测环节,对可见瑕疵严防死守。仅仅听起来就已令人疲惫,更别提传统产线上的质检工人持续不间断的盯、审、检、放重复工作。

       一个小小的红戳,背后是质检工人体力与眼力的极限。而令人绝望的是,人体极限难有突破,而商品匀质的竞争和品牌信任的维系,却从未停下脚步。

冠捷集团与联想一拍即合,寻求数字化质检良方

       冠捷科技集团(下简称:冠捷)是全球化科技公司,在全球建立了庞大的工厂制造体系,其液晶显示器产销量长期保持全球第一,全球市占率超过35%,行业龙头地位稳固,并超前布局智能制造战略,预计于2024年、2026年实现数字化工厂建设和智能化工厂转型。宏观战略的落地离不开微观流程的变革,在主体产线和设备实现一定程度数字化的基础上,冠捷一直在寻找能够解决其传统屏幕质检(缺陷检测)难题的好方案。然而,由于场景与要求的特殊性,加之数字化智能化技术渗透的不足,冠捷一直未寻得与其生产组装要求相匹配的良方。

       或是偶然,或是必然,作为联想长期以来的重要合作伙伴,冠捷在一次参观联想研究院算法产品时,初遇彼时还只是一个小demo的联想LCD屏幕光学检测解决方案,经过联想的自用打磨,以及双方一系列的磨合匹配,冠捷最终为其智能制造产线这补上了智能质检这一块短板。

从人为到数为,缺陷检测实现质的飞跃

       缺陷检测不同于其他流水线的常规检测,它是价值在于保证良品率,即有缺陷必返工,因此工作价值往往只体现在极其偶然的缺陷出现之时,因此质检工作的高要求就体现在对缺陷的精准识别:最关键的是不放过一个缺陷,其次是不误判一个良品。

       在以人力为主的传统质检场景中,持续的注视和机械的作业对工人精力的消耗,大大磨损着人眼对缺陷的敏感度和识别度,因此质检工作的成果往往受到人为因素的主观性和波动性。而随着工业摄像头的普及和视频大数据分析的成熟,屏幕表面缺陷作为一种可识别的视觉素材,有了数字化的呈现形式,也就有了数据化的解决思路。

       联想是计算设备的制造大厂,自身也遇到屏幕缺陷检测的数字化难题。如何用计算赋能质检?联想研究院基于“场景+AI”的思路,针对质检场景的全要素(缺陷的分类、定义、等级),打造了符合生产要求的检测精度算法,并在深圳、武汉、安徽等工厂内部署应用,最终形成LCD屏幕光学检测解决方案。从联想内部推出算法,到部署、应用、打磨、推广给外部合作伙伴,联想将其中的漏洞与调试全部趟过,将虚拟算法与实体场景之间的不确定性全部验证,只分享可靠经验和可信算法。具体来看,联想是如何基于数据来打造缺陷检测算法的?在这个过程中又遇到哪些困难?

难为无米之炊?小样本学习没在怕的

       在商品流通至消费者环节,缺陷是痛,在传统人工质检环节,漏网之缺是痛,而如今机器学习环节,“无缺”竟也成了痛点,人作为高级动物,天然具备联想和推理的能力,想象并创造出原不存在的事物。而机器有所长,亦有所短:它们没有发散思维和归纳认知,只有通过数据样本的训练才能形成特定规则模型,即算法。那么,神龙见首不见尾的缺陷数据样本,从哪里收集呢?

       既然不能人为的创造缺陷,那就需要从“开源”和“转化”双管齐下,把缺陷数据的价值最大化。所谓开源就是尽量多的收集同类产线的各类缺陷数据,用于训练算法“增长见识”;而转化是指在小样本数据条件下去实现模型训练。联想基于AI积累厚积薄发,为边缘侧设备自研“小样本终生学习”能力。它先通过元学习(Meta learning)得到“学习的方法”,再通过度量学习 (Metric Learning)调取与新场景相似的数据,形成先验知识,提高机器本身的“认知水平”;同时,通过数据增强 (Data Augmentation)技术,将数据样本进行多维变形,提高原始样本数据的利用率。最终实现“小样本”的“大变身”和价值最大化释放。

删繁就简,定制算法

       因脱胎于联想内部大量的制造场景和复杂的缺陷类型,因此联想LCD屏幕光学检测解决方案本身就已具备强大的算法能力,在复制于冠捷生产线过程中,联想根据产线实际需求,将原有算法进行功能瘦身,主要匹配冠捷屏幕生产过程中的主要缺陷,一方面节省算力,另一方面更加聚焦于屏幕的特定缺陷。

       算力方面,联想提供工控机ECI 430+ThinkStation P920 ,采用边缘云融合的架构,多台工控机采集不同产线的图像,汇集到一台ThinkStation做算法分析,分享算力。缺陷识别方面,联想为冠捷实现两大类缺陷检测:一类是常规的暗点/黑点/彩点、线条、黄斑等;第二类则是未知缺陷检测,最大可能控制漏检率。

持续学习,冠捷质检方案实现降本增效

       鉴于算法的“单调性”,缺陷检测不能停留在一个静态水平。合格都是相似的,而缺陷各有各的特色,因此,为了满足新增类型的缺陷,算法还需要一个持续学习、不断迭代的过程。对此,联想将自适应技术加入算法中,建立了端到端的数据管理系统,积累历史数据及构建完整的缺陷知识图谱,对不良风险进行分析、预测预警、回溯。实现产线质量的持续提升及精细化控制。人力成本节省50%,效率和准确率提升30%。

       所以,无论是从工厂生产效益,还是人性关怀的角度,质检流程的数字化改革,已成为工业制造业向高端进发的必然要求。在未来,更将成为中高端制造企业生产能力之标配。超越人体的极限,以边缘计算、AI算法、大数据为代表的数智技术的价值挖掘才刚开始,从人眼驱动到数据驱动,以联想为代表的数字化变革厂商将大有可为。
责任编辑:吴婕
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐