top

知識分享

利用機器學習與光譜自動判讀軟體建立即時進料品管系統

建立日期：2021/12/24
  • 作者： 中研院地科所/陳彥宇；胡藝凡
  • 出處： 2021 AOI論壇與展覽
  • 內容： 本篇為「2021 AOI論壇與展覽」論文集，摘要如下：

    優良而有效率的品質管理系統是製造業者不斷追求的目標，進料檢驗、製程中檢驗、出貨檢驗都是其中不可獲缺的部分，然而在傳統的生產線上，品質把關都會放在最後的成品檢驗，不良品也只能在最後階段發現，造成大量的重工人力及物料成本。且AOI系統目前較常應用於成品、半成品的檢測，而我們希望也能將自動化的光學檢查應用於生產鏈前端，建立起在原料品管方面的自動化檢測方式。
    因此本研究著重於進料檢驗的部分，運用機器視覺、光譜辨識、AI數據運算，建立即時的進料檢驗系統，不僅可以提升進料方面的品管速率、效度，快速地找出不合格的原料、降低生產成本，亦透過機器學習讓資料庫越來越精準，降低人為的操作的失誤率，提升整體的精確程度。
    本研究利用傅立葉轉換紅外光譜儀作為測驗儀器，透過紅外光激發分子振動後，由感光元件接收紅外吸收圖像，經傅立葉轉換成紅外吸收圖譜，亦為可運算的數字訊號。透過樣品間的化學結構不同，產生不同的紅外吸收反應，進而達到快速鑑別的效果。每次測驗僅需30秒，十分快速便捷。
    此外，透過AI數據運算，將圖譜中的資訊進行更精密的計算，可以讓測驗品管模型更加精準。隨著測驗量越來越大，本研究亦透過機器學習的方式，讓分析系統隨著運算量而不斷改善，存取的資料越多、準確度越高。
    在實驗樣本的部分，本研究的樣本之一是被稱為製造業之母的石油。大部分的原料都是由石油提煉而來，石油的化學結構相較於其他原料複雜非常多，而就紅外光譜儀的測驗而言，化學結構越複雜的樣本越難測驗，因此石油可以說是最難測驗的樣本之一。若可以分辨石油樣本的資訊，便也可以做到幾乎所有原料的品管測驗。本研究亦加入油母質（提煉出石油或天然氣的物質，比石油的化學結構更為複雜）、琥珀作為樣本，透過觀察原始光譜和數據運算，快速辨別油母質的沉積相以及琥珀產地，以期達到對於未知樣本進行快速鑑定之效果，建立更高效率、高準確度的分析。
    除此之外，本研究亦實際以複合材料進行測驗，驗證模型的精確性，亦驗證從石油推及至材料檢驗的可行性。
    「規律性」是本研究中很重要的關鍵字。透過樣本間化學結構的不同，經過計算後，將不同的樣本以不同的分佈區域呈現，在分佈圖上可以找出樣品間的規律性，能夠更加直觀的判別結果、達到即時進料品管的成效。
  • 檔案下載：全文下載
  • 下載次數：20
回上頁