大型車燈製造商導入AI應用成功提升瑕疵檢測率
大幅減少70%的誤判率
自動光學檢測（AOI）技術在製造業廣泛應用，但隨著產品複雜度的提升和檢測速率更高的需求，AOI技術在應對檢測準確性和效率方面遭遇挑戰。且加工機台無故停機，導致生產線的中斷損失龐大。因此緯謙科技協助台灣商用車燈製造廠商，導入AI瑕疵檢測及開發震動預知保養系統，降低了誤判率更準確且高效處理瑕疵檢測及生產流程。
自動光學檢測（AOI）面臨的四大問題
汽車零組件產業中，車燈是個很重要的族群，而台灣外銷車燈產值世界第一，隨著市場跟技術趨勢的演進，為保持全球車燈產業龍頭地位，除了在產品上要與時俱進，更是要在品管上維持高標準。當前許多製造業廣泛使用自動光學檢測（AOI）技術來檢測產品表面的瑕疵，以確保產品符合標準，然而隨著產品複雜度和多樣性的增加，傳統的AOI技術已經遇到了一些瓶頸。
- 問題1：產品多樣性和變異性，以致於瑕疵樣本不一。
- 問題2：AOI檢測演算法限制，導致誤判率過高。
- 問題3：誤判率過高，需要人員重新判定，重工情形嚴重。
- 問題4：加工機台無預警停機，造成產能/產量損失。
導入AI瑕疵檢測，提高準確度
面對AOI技術在瑕疵檢測中的限制，車燈製造廠商積極找尋提升檢測率並改善產品品質的方案。緯謙科技了解AI技術已成為提升生產效率和品質的關鍵，協助導入AI瑕疵檢測方案，提高瑕疵檢測率，降低誤判率及減少人工重新判定的機會。
過去AOI設備僅針對特定區域進行對比，故只能判斷正常與否，異常分類仍舊依靠人工。導入AI瑕疵檢測如何降低誤判率？擷取過去AOI NG照片建立數據資料庫，進行影像增量技術，智慧校正影像品質及解析度，開發視覺檢視系統演算法模型，藉由系統自動重新覆判，每周可建立4個模型，準確率達95%。
透過AI模型的建立，自動學習產品特性，區分正常與異狀，進一步針對異常產品進行原因分類，並彙整系統面的異常趨勢及異常區間，進而改善生產製程或反饋AOI 設定異常。在現行AOI檢測中加一道AI辨識，雙重機制將原先90%誤判率大幅降低至30%，同時減少重工及人工重新判定的狀況。
即時警示開發震動預知保養系統
因加工機台無預警停機、產量減損，致使公司損失高達千萬，為避免此狀況再次發生，緯謙協助汽車零組件廠商透過加裝震動sensor蒐集機台馬達震動、電流、電壓、設備運轉等數據，透過AI學習正常波形，採用RNN進行模型訓練，分析馬達運轉效率與設備異常系統，達到預知設備保養週期並降低無預警停機，減少損失，提升整體設備效率（OEE）。