| 姓名 |
邱旭輝(CHIU, HSU-HUI)
查詢紙本館藏 |
畢業系所 |
資訊管理學系在職專班 |
| 論文名稱 |
運用深度學習探討金屬零件外觀瑕疵檢測-以S公司為例
(Using deep learning techniques for surface defects detection of metal parts - take S company as an example)
|
| 相關論文 | |
| 檔案 |
 [Endnote RIS 格式]
[Bibtex 格式]
 [相關文章]  [文章引用]  [完整記錄]  [館藏目錄]  至系統瀏覽論文 (2026-7-1以後開放)
|
| 摘要(中) |
品質管理是製造業的一個重要課題，好的品質管理可以降低營運成本、減少風險、獲取良好的客戶滿意度。近幾年圖形處理器（GPU）技術持續突破，類神經網路演算法的不斷推陳出新，使得人工智慧運用在工廠瑕疵檢測上成為新的一種選擇。
運用深度學習進行瑕疵檢測，需要大量的瑕疵樣本進行模型訓練，才能提高其瑕疵辨識正確率。金屬加工業生產技術成熟，產量大、良率高，要蒐集大量的瑕疵樣本需要耗費相當多的時間與人力。
本研究透過二階段方式，第一階段先使用二元分類模型進行「良品」、「瑕疵品」分類，證實僅需要250張良品樣本與250張瑕疵樣本進行模型訓練，就能以高於99 % 正確率判斷良品與瑕疵品，證實該訓練模型可實際運用於生產環境中，並可大幅縮短初期瑕疵樣本的蒐集時間，透過系統分階段上線，快速降低部分外觀品質檢驗之人力或檢驗設備，有效降低瑕疵品流出之機會。透過階段一判定後之瑕疵工件，數量已大幅減少，再利用「人工視檢」或「自動光學檢測」設備來進行覆判，並進行瑕疵樣本蒐集及瑕疵標註，用來進行第二階段瑕疵類別辨識模型訓練。雖然初期會因瑕疵樣本數不足，實際檢測正確率不高，但仍可協助覆判人員預先選擇瑕疵分類及瑕疵位置，透過覆判人員對錯誤資料的校正與分析，持續蒐集瑕疵樣本照片，不斷的進行模型訓練及調整，來逐步改善其辨識的正確率。
透過加入二元分類作業，快速減少部分檢驗人力需求，降低長期資料蒐集成本，讓深度學習運用在金屬表面瑕疵檢測的門檻降低，促使成為傳統「人工目視」檢驗或「自動光學檢測」的另一種選擇。 |
| 摘要(英) |
Quality management is an important topic in the manufacturing industry. Excellent quality management provides advantage in reduce operating costs, risks and obtain good customer satisfaction. Recent years, technology breakthrough for graphics process unit (GPU) and the innovation of neural network algorithms have made the artificial intelligence become a new option for quality inspection in manufacturing process.
Apply deep learning for defect inspection requires large amount of sample to create model in order to increase its accuracy for identity defect. The challenge for collecting large scale of sample in metal-processing industry is its long lead time and consume manpower resources due to its mature for production technology in mass production and high quality yield.
This study demonstrate two stage method that could enhance the disadvantage for the long lead time and manpower usage. In the first stage, using binary classification model to proceed “Good” and “Defect” separation has proved that by only study and create training model from 250 samples of good products and 250 samples of defect products is sufficient to provide accuracy quality inspection by above 99%. It is prove that this training model can apply in real mass production and greatly shorten the collection time for defect samples. By launches system in different stage can quickly reduce the inspection manpower or equipment and also reduce the chance to miss.
After inspection in stage 1, the defect amount has already significant reduced. By using “Manual Inspection” or “Automatic Optical Inspection – AOI” will also support to confirm and determine the defect samples after stage 1 and the result can use in the stage II for defect category identification model training. Although the actual detection rate is not accuracy enough due to the insufficient number of defect samples in the initial stage, however, it can still assist the reviewers to pre-select the defect classification and defect location. Through the correction and continue analysis of the wrong data and defect photo images and continue adjust the study model to reinforce the accuracy step by step.
By adding binary classification operations, it can quickly reduce the inspection man-power needs and long-term data collection. It also creates advantage in lower the barrier for metal surface defect inspection thru the deep learning process and making it an alternative selection for traditional “Manual Inspection” or “Automatic Optical Inspection – AOI”. |
| 關鍵字(中) |
★ 金屬表面瑕疵檢測
★ 深度學習
★ 類神經網路 |
關鍵字(英) |
★ Metal surface defect detection
★ Deep Learning
★ Neural Network |
| 論文目次 |
摘要 i
ABSTRACT ii
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 3
1.3 研究目的 4
1.4 論文架構 5
第二章 文獻探討 6
2.1 Metal Injection Molding 金屬射出成型 6
2.2 深度學習結合瑕疵檢測 7
2.3 Machine Learning 機器學習 9
2.3.1 Supervised Learning 監督式學習 9
2.3.2 Unsupervised Learning 非監督式學習 10
2.4 Neural Network 類神經網路 10
2.5 Deep Learning深度學習 11
2.6 Convolutional Neural Network 卷積神經網路 11
2.7 VGG-16 演算法 12
2.8 YOLO 演算法 12
第三章 研究方法 13
3.1 研究架構 13
3.2 資料集 14
3.3 瑕疵類別定義 15
3.4 混淆矩陣 Confusion Matrix 16
3.5 實驗設計（階段一） 17
3.5.1 資料集前處理及準備 18
3.5.2 訓練模型建立 19
3.5.3 訓練參數設計 20
3.5.4 訓練抽樣及交叉驗證設計 20
3.5.5 驗證分析 22
3.6實驗設計（階段二） 23
3.6.1 資料集前處理及準備 23
3.6.2 瑕疵檢測訓練流程 25
3.7 軟硬體實驗平台 26
第四章 實驗結果與分析 27
4.1 階段一. 良品瑕疵品分類-實驗結果 27
4.1.1 CNN 演算法最佳參數組合 28
4.1.2 MLP 演算法最佳參數組合 28
4.1.3 VGG16 演算法最佳參數組合 29
4.2 階段一. 瑕疵判斷-結果驗證 30
4.2.1 CNN 實驗結果驗證（2,500張） 30
4.2.2 MLP 實驗結果驗證（500張） 31
4.2.3 VGG16 實驗結果驗證（2,500張） 32
4.2.4 MLP 實驗結果驗證（2,500張） 33
4.3階段二. 瑕疵標註及分類-實驗結果 36
第五章 研究結論與未來發展方向 38
5.1 研究結論 38
5.2 階段一. （二元分類） 研究結論 39
5.3 階段二. （多元分類） 研究結論 40
5.4 研究限制 40
5.5 未來發展方向 41
參考文獻 42
附錄 1-1 44
附錄 1-2 45
附錄 1-3 46
附錄 2-1 47
附錄 2-2 48
附錄 2-3 49
附錄 3-1 50
附錄 3-2 51
附錄 3-3 52 |
| 參考文獻 |
1. 黃坤祥(2013），金屬粉末射出成形（MIM），初版，中華民國粉末冶金協會。
2. 維基百科(2021/4/8) 取自 : https://zh.wikipedia.org/wiki/自動光學檢查
3. 張耿豪、蔡雅惠、呂寧遠、李韋辰、鍾幸芸、賴昱廷(2018)，人工智慧發展與工業影像檢測新方法，機械工業，425期，P56-59
4. 石明于、湯燦泰、黃茂裕、黃泰惠、簡珮珊(2018)，人工智慧於PCB瑕疵覆判之應用，電工通訊季刊，2018第3季，P81-95，DOI：10.6328/CIEE.201809_(3).0009
5. 郭家豐(2018），印刷電路板導電區域瑕疵自動檢測系統之研究，國立高雄大學資訊工程學系研究所碩士論文。
6. 游祿凱、黃喬次(2018)，應用人工智慧技術作基板缺陷檢測，管理學術研討會， 第十六屆，P434-443，doi:10.29893/NCUTMAN.201811.0051
7. 劉維益(2020)，應用深度學習於印刷電路板表面元件檢測系統開發，國立臺北科技大學工業工程與管理系碩士論文。
8. 蘇詠靖、游原瑋、何昭慶(2018)，結合機器視覺與深度學習之金屬圓柱表面缺陷檢測系統，科儀新知，215期，P46-58
9. 周世駿(2019)，應用深度學習之卷積神經網路於工件毛邊之辨識，國立臺北科技大學自動化科技研究所碩士論文。
10. 張耿豪、李韋辰、林毓庭、呂寧遠、鍾幸芸、蔡雅惠(2020)，以人工智慧為基礎之金屬加工製品檢測應用，機械工業，446期，P47-52
11. 維基百科 (2021/4/8) 取自 : https://zh.wikipedia.org/wiki/金屬射出成型
12. 韓鳳麟 (2012)，金屬注射成形-21世紀的金屬零件成形工藝，粉末冶金工業，第22卷2期，P1-9，DOI:10.13228/j.boyuan.issn1006-6543.2012.02.008
13. YC Chen(2021/5/10) ，如何辨別機器學習模型的好壞？秒懂Confusion Matrix 取自：https://www.ycc.idv.tw/confusion-matrix.html
14. 李宏毅(2016)，什麼是深度學習－機器學習的卷土重來，數理人文，10期，P20-28
15. 羅凱揚、蘇宇暉，行銷資料科學 (2021/5/10) 取自 https://medium.com/marketingdatascience/機器學習演算法－監督與非監督式學習-e9dbeee94a30
16. Yann LeCun、Yoshua Bengio、Geoffrey Hinton（2015） ，Deep learning，Nature，Vol. 521， P436-444
17. Karen Simonyan、Andrew Zisserman（2015），Very deep convolutional networks for large-scale image recognition，arXiv:1409.1556
18. Joseph Redmon、Ali Farhadi（2018），YOLOv3: An Incremental Improvement，arXiv:1804.02767
19. Daniel Berrar (2018)，Cross-Validation，DOI:10.1016/B978-0-12-809633-8.20349-X
20. 林大貴（2017），TensorFlow+Keras 深度學習人工智慧實務應用，博碩
21. 施威銘研究室（2020），tk.Keras 深度學習攻略手冊，旗標
22. Marius-Constantin Popescu、Valentina E. Balas、Liliana Perescu-Popescu、Nikos Mastorakis (2009)，Multilayer perceptron and neural networks，WSEAS Transactions on Circuits and Systems |
| 指導教授 |
蔡志豐
|
審核日期 |
2021-7-27 |
| 推文 |
 facebook  plurk  twitter  funp  google  live  udn  HD  myshare  reddit  netvibes  friend  youpush  delicious  baidu
|
| 網路書籤 |
 Google bookmarks  del.icio.us  hemidemi myshare
|
