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。