| 作品介紹 |
隨著台灣政府著重於生物科技、電子晶圓的領域發展，機械工程與傳統製造業已不再是畢業生就職的優先選擇，新進人員招募不易，焊接或手修技術之傳承斷層已開始產生。
由於鑄件在鑄造的過程當中，鋁水常常會因為溫度升高，對氣體的溶解度也會隨之提升，相反的，隨著溫度下降，氣體溶解度也會跟著下降。鑄件在降溫凝固成型的時間當中，氣泡不斷析出，但某些來不及排出鑄件便隨著鑄件凝固之氣泡，便在鑄件當中形成沙孔(模具之表面瑕疵)，對後續鑄件的成品外觀造成複雜、產生位置不確定的表面瑕疵問題。
目前業界大多都是使用傳統 AOI(Automated Optical Inspection)的形式進行瑕疵偵測，僅能針對單一種類的物品進行偵測，並且為了確保產品有較低的不良率，大多都會使用較靈敏的參數設置，會產生許多偽陽性的錯誤判斷，這時就需要依靠人力再次複檢，不僅會增加人力成本，過程中也有可能產生人為失誤。
為了克服以上瓶頸，我們參考 U^2-Net 的架構針對模具影像做深度學習，在加深神經網路深度的同時，藉由其中提出的 ReSidual U-block(RSU)模組保留高辨識率的局部影像，以得到更詳細的影像特徵，取得更準確的辨識結果，以及降低計算的複雜度，加快資料訓練及目標偵測的速度，改善透過傳統方式進行目標偵測的缺點。
此次作品導入AI影像辨識系統，針對輪胎模具沙孔進行偵測，取代人力利用肉眼檢查，可以大幅減少人眼尋找沙孔的時間，未來將導入全自動焊接機械手臂，把模具沙孔偵測得到的座標數據傳輸到機械手臂接收端，使機械手臂能夠準確地焊接沙孔發生的座標位置，以解決長期依賴人眼判斷與手工修整模具表面瑕疵的問題，
為了使系統適用於各種模具，我們選用語意式分割(Semantic Segmentation)當作偵測主要的偵測架構，儘管偵測速度較緩慢，但是在克服多種樣式的模具上有更大的優勢。本作品利用深度學習 (Deep Learning) 在電腦上偵測各種樣式模具的輪廓，使系統在偵測時可以自動依照模具樣式變換偵測模式。將此作品用於模具沙孔定位，可使大幅降低檢測與修補模具的時間，能夠大幅提升生產的效率與品質，縮短模具生產時間與成本，將人工智慧帶入傳統產業，並達到工業4.0智慧型工廠的目標，提升台灣傳統產業競爭力。 |