液晶面板缺陷检测

应用深度学习、图像处理等技术帮助解决液晶面板行业生产制造过程中的缺陷识别和缺陷详细分类,提升产品良率、最大化替代人力。

 
  • 引擎成熟 速度超快

    基于成熟的 AI 平台和久经考验的检测模型,帮助企业在现有 AOI(自动光学检测)设备之上快速完成缺陷的详细分类,毫秒内完成检测计算。

  • 降本增效 立竿见影

    通过自动化检测技术可以替代人力进行重复性劳动,大幅降低人力成本,并且提高缺陷识别的速度和准确性,缩短检测时间,提高产量和质量。

  • 准确率高 一致性好

    基于行业领先的 AI 图像算法和缺陷检测模型保证高一致性和稳定性,缺陷分类模型提供了更加一致精准的检查标准,各项指标均大幅领先于同行。

  • 边缘计算 智造平台

    实时缺陷检测,在智能制造平台完成模型数据采集、建模、训练提升、模型更迭/自学习,应用开发和部署的闭环架构,持续提升检测准确率。

 

液晶面板缺陷检测

现状和挑战

AOI设备

在液晶面板(Array/CF/Cell)、半导体、消费电子、汽车、新能源(光伏面板、动力电池等)等制造领域中,AOI(Automatic Optic Inspection,自动光学检测)设备被十分广泛的用于检测制造过程中的产品是否存在质量缺陷,而且AOI设备本身也是一个相当成熟而广泛的市场领域,在电子制造领域是必不可少的工业设备。

在生产线上,AOI设备会进行缺陷的初步识别,由于需要检测产品的信息量巨大(例如,AOI设备每天都会在液晶面板制造过程中拍摄超过150万张以上的缺陷图片,这些缺陷都需要依赖技术工人进行肉眼识别,因为拍摄的图片量巨大,所以还无法做到全部图片人工检测),这也决定了这些高精度AOI设备的设计目的就是保证效率和识别有无缺陷,而无法做到对每一个缺陷进行仔细的分析和分类,因为需要耗费大量的计算资源,AOI设备本身的系统软件设计决定了其无法完成缺陷分类这项任务。

因此,缺陷的详细分类、定性、及该产品下一步的工序指令基本上都由技术工人基于AOI设备所拍摄的产品缺陷图以及缺陷对线路的影响来进行决定,其结论就是,如果不能高效率和高准确率的对缺陷进行详细分类和计算出下一步工序指令,这将直接影响该生产线的产能、效率、质量。

挑战和问题

  • 效率,人工辅助AOI的检测方式效率低下,海量重复性劳动易导致视觉疲劳
  • 产能,人工检测的效率和延迟造成在产品处于无效的等待时间
  • 质量,平均检测的准确度不高、人工检测的一致性差。
  • 成本,质检人员的培训成本和人力成本占产线总人数的比例过高(行业平均30%以上)
方案简介

液晶面板缺陷检测(Industrial Machine Vision Inspection,简称TI-IMVI)属于腾讯云工业物联网解决方案下的产品质量检测的系统组件之一,它被设计用于解决高科技行业在产品制造过程中的缺陷检测和对详细缺陷类型分类等问题。具体特性如下:

  • 借助于IoT和Deep Learning技术,客户可基于行业专业知识从而创建适用于不同产品、不同型号的缺陷检测模型。
  • 将检测模型部署到生产线上的边缘计算服务器上,协助AOI(Automatic Optic Inspection,自动光学检测)设备在捕获到产品检测图像后立即识别产品缺陷,计算出缺陷的详细分类,生成工单指令,完成与MES系统对接集成。
  • 帮助企业极大的减少产品检查的时间,直接提高产能,并促进持续的过程质量改进。
  • 基于高可用、负载均衡、动态可切换等设计理念,确保自动化检测系统7x24持续运行,为客户实现“实时检测”更进一步。
方案特点

投资回报

  • 立竿见影的投资回报,使用自动化检测技术,初始化可达到90%以上的缺陷识别率和准确率,上线后短期内就可以立即替代人力,AI实时检测缩短等待时间,大幅提升检测效率。
  • 不需要额外设备,直接利用当前产线上的图像拍摄系统,及图像文件存储系统。

设计思路

  • 机器学习提取视觉特征,使用深度学习、图像识处理等AI技术对污渍、杂质、高对比度区域,几何特征,异常纹理区域,颜色和亮度特征提取和验证。
  • 云端训练,边缘计算。在智能制造云平台上实现海量缺陷数据的实时采集、存储,使用智能标注系统进行缺陷图标注;将标注好的图片导入AI训练系统进行建模、训练、提升;然后将训练好的检测模型部署在AI推理系统,协助AOI设备检测和识别任何缺陷。考虑到某些场景对性能有更高的要求,在边缘服务器上可以配置一定数量的GPU单元,以达到最佳的检测效率。
  • 结合用户的行业经验及缺陷产品的图像数据来创建和完善缺陷库和缺陷模型,用户自己就可以轻松的创建新的业务模型,以便于为新产品、产品更新迭代后构建新的检测和分析应用。此外,客户还可以基于此平台构建新业务模型,并将自己经验和行业知识积累和沉淀在这个平台之上。
  • 可以根据用户实际需求和工业现场的条件针对CPU、GPU的运算来做深度优化和二次调整。

准确率和稳定性

  • 缺陷识别的准确性,在检测和识别缺陷时,系统会计算出该缺陷的详细类型及置信度,并且根据设定的阀值去通知MES系统或检测人员去并验证该缺陷。
  • 准确率持续提升,当客户的缺陷检测模型上线运行一段时间之后,用户可以利用深度学习能力可以基于更多缺陷图像数据再次进行学习和训练,从而持续的提高检测和识别的准确性。
 

液晶面板行业

系统架构一览

架构简介

液晶面板检测是一个专业度较高的领域,技术装备、产品、软件算法都比较专业,但是其核心逻辑都是对产品缺陷图像进行前后背景分割、缺陷识别、缺陷类型定位到详细Code、缺陷影响线路程度等进行判别。

目前,半导体行业的工业自动化、数据收集、设备网络化的基础都很好,除了生产设备的计算机设备之外,其他计算机设备均部署在独立的数据中心,工厂和数据中心通过高速光网络连接,现有的信息系统架构为集中的数据计算已经打下了很好的基础。

技术特点

  • 制造流程对液晶面板缺陷检测系统的计算性能、稳定性、高可用、效率有比较严苛的要求。
  • 工厂现场无法部署边缘设备、数据全部都通过光纤直通数据中心。
  • 不需要工厂现场部署边缘计算节点,而是采用ADC前台应用系统+AI后台系统的设计方式,不对现有生产线做任何技术改造。
  • ADC应用系统作为前端的应用服务中心,其作用是监听MES系统的消息并生成计算任务,将其下发给AI推理系统,不直接参与图形计算任务,通过主动轮询或者被动接受MES的检测指令,能承担非常大的并发访问和消息处理、任务派发、计算调度、自定义优先级等系统任务。
功能和集成

ADC应用系统

  • ADC应用系统是一整套自动化缺陷检测系统,提供了基于Web的管理和控制台界面,可以按工厂进行部署,承担工厂7x24缺陷检测任务的实时监听、调度、分配、MES集成、设备运行数据、检测结果分发等任务。通过FTP与客户现场智能制造系统进行检测任务和消息交换,实现AI模型与客户厂端信息系统的完美对接。
  • 提供模型版本管理、调用配置、自定义缺陷计算规则,以及AI推理系统的请求负载均衡。
  • 提供缺陷检测系统的数据大屏和监控系统、接入的AOI系统的所有计算任务的统计分析(执行效率、准确率、趋势、一致性等)。

AI后台系统

  • 智能标注系统,提供图片标注服务,半自动化标注系统,极大减少人力标注成本和标注周期;同时具备人工审查功能,对已标注的图片进行人工审查,用标注最准确的图片进行训模,确保原始数据的准确性和有效性。
  • AI推理系统,提供计算引擎、缺陷检测模型、计算接口调用、GPU资源管理等服务封装层,智能调节,负载均衡,服务高可用。
  • AI训练系统,提供新模型训练、模型迭代提升、模型在线评估、题库测试、模型镜像管理等功能,让用户可以根据新数据和历史数据创建新的缺陷检测模型,将判断错误的图片标注后进行模型重训。具备通用、行业、定制算法,可满足不同业务场景需求,从而持续提升模型精度,在上线后短时间内就可以达到相当稳定的运行精度。
 

联系我们

关于使用场景和技术架构的更多咨询, 请联系我们的销售和技术支持团队。