智慧工廠產業現況
數位光學亦稱計算機成像光學(Computational imaging)，結合傳統成像光學設計與數位影像處理技術，針對不同領域需求，可規劃出最適當之光學系統，是目前產業技術趨勢主流。而工業4.0 智慧製造是現今各產業搖旗吶喊的口號，希望依循著每個世代的成長足跡，打造出更智能的工業環境，追上世界從未緩下的步伐，不被淘汰。在品質與產量的平衡上是最大關鍵，企業經營的人事花費佔比都偏高，所以一般不會傾向增加勞力，而是朝以機器取代部分人工的方向邁進。和全豐光電一直致力於機器視覺檢測與智慧工廠製造整合工作，如圖1所示。
以目檢員工作為例：雖明列品質檢測規格，但對於異常程度判定，不同目檢員可能會有所不同判定結果，檢測完的數據需要人工輸入至電腦內，且每人做事效率不一，如手腳不夠敏捷產量就不高，況且人會疲累，易有誤判發生，需要適當休息。在各行領域中，傳統的量測多為接觸式，如使用游標卡尺、分厘卡等工具，非常容易受人為因素量測失準或傷害物件表面，標準不夠一致；假若使用2.5D投影儀還需加上費時的影像手動調整；如要取得產品截面資訊，還需犧牲部分工件做破壞性切除，上列這些量測手法一直是各產業的深刻痛點。這些問題其實都能透過機器視覺來解決，與人工相比，機器檢測的標準可量化、運算快速、不會疲倦、自動生成報表避免人為抄寫誤差、資訊可即時拋接做大數據分析、非接觸式量測，甚至精準至人眼不易判定之程度，減少人為造成誤差，使品質與產能兩者兼備。精準、快速、穩定的取得大量數據，是公司導入智慧製造的重要一步，有了產品品質檢測大數據，結合生產製程參數大數據，進行製程參數AI優化，讓品質更好，不良率更低。
但客戶評估AOI設備採購上，價錢常是最大考量，雖然國外廠商的設備販售行之有年，具有豐厚的開發經驗，但設備製作技術門檻高，加上進出口關係，銷售價格必然不斐，且國外原廠在維修服務上，無法即時處理，種種因素使得台灣許多企業尚無法邁入工業4.0大門。藉此契機，和全豐主打設備國產化，力拼價格上的優勢與即時售後服務，因為台灣在地團隊，從規劃、研究開發、生產與售後的一條龍作業，高彈性服務，深入了解產業需求，依不同條件提供最恰當之解決方案於客戶，且另有客製機規劃與開發服務，針對客戶最直接的痛點需求打造，線上線下設備，完善自動化整合。
2D與3D技術整合性開發
AOI最常應用的功能不外乎尺寸量測、瑕疵檢測、計數、讀值、辨識。和全豐特別針對2D與3D技術做全面性整合，如圖2所示，我們使用多元架構，系統整合上可搭載高精度光學尺位移平台，應用於大範圍物體量測拼接；專用光學遠心鏡頭之設計，擁有較大的景深，在一定之檢測距離範圍內達到物體大小一致；智能邊界取點功能，排除人為差異，量測更穩定；人工智能辨識，操作者僅需一次設定，軟體自動記憶待測物項目與公差值，數秒內同時辨識/量測多件待測物、多尺寸，達到一鍵瞬間量測；結果資料數據化，串連分析並回饋到機台與更完整的資料庫建立；可配合機械手臂，完善作業流程與方便性。
在3D技術上使用非接觸式三角量測，如圖3所示，利用線型雷射搭配光學影像擷取裝置與光學尺精密位移平台的整合，掃描形成3D面，再搭配色階圖顯示，讓3D影像更視覺化，完整呈現表面輪廓高底變化，快速取得待測物表面3D數據，且無須破壞產品，產品截面（2.5D）資訊一清二楚，不衍生成本負擔。和全豐以獨家光學架構與核心演算法，一台設備滿足2D和3D多種量測需求，輕鬆操作無負擔，大幅提升企業作業效率。服務領域廣泛含括：精密金屬/塑膠加工業、汽機車零配件業、橡塑膠射出件、電子業、鋼鐵業、航太業、半導體業、面板業、鑄造業、模具業、製藥業、食品業、自動化機械業等等。
大數量同步檢測，實現抽檢到全檢
眾多檢測情境下，無疑小尺寸且數量多的狀況是最適合用機器代替人工量測。以精密金屬定位銷為例，客戶要求量測精度為5μm~10μm，現況是用傳統影像投影儀的方式手動一個一個抽檢量測，品質管控上較為風險，但隨者產量不斷提升，人工檢測越顯耗時費力。透過背光照明擷取待測物二維輪廓影像，進而自動量測定位銷的尺寸，並且可以一次數個樣品同時量測，依規格公差值用顏色直觀標示OK/NG判定，如圖4所示。
針對大型工件，利用本設備搭載的光學尺XY位移平台，可將大型工件做完整的影像拼接，同步完成辨識量測作業，如圖5所示，使生產品質更加穩定，有效幫助公司在RD首件檢查、IQC、PQC、OQC上提升效率。
半導體晶圓AI瑕疵檢測與白光共軛焦整合開發
半導體業中，晶圓製程繁瑣產品價值高，脆弱易碎，為了使晶圓在生產過程中良率維持穩定，和全豐針對晶圓的瑕疵與厚度量測特別規劃了專用設備，如圖6所示。
瑕疵檢測中，利用光學尺XY位移滑台搭載具自動對焦之顯微鏡模組進行飛拍，擷取晶圓表面影像，過去在傳統AOI的影像處理上，複雜的瑕疵容易造成過檢(Over kill)及漏檢(Under kill)發生，所以我們透過AI人工智能建立模型，將各瑕疵影像進行深度學習，藉由不斷訓練，提升檢測精度。AI瑕疵檢流程為先取像後做影像前處理，使瑕疵與背景特徵上有所區別，再對照瑕疵規格以進行瑕疵之框選及定義種類。標註完成後，選用適當的類神經網路架構，並調適參數，透過AI電腦，進行深度學習以產出模型，最後將模型導入至機台內進行瑕疵判定。判定後將晶圓表面各瑕疵之座標標示、分類(如孔洞、色差、刮痕、磊缺、髒污等等)與計數，使用顏色區分不同瑕疵，影像直觀呈現，亦可設定標準值，逕行將檢測結果做等級區分，如圖7所示。
晶圓厚度量測上，晶圓在減薄製程或是CVD進行沈積、磊晶和長膜等過程，都會有厚度監控的需求，由於半導體的材料眾多，所以我們選用不受材料影響的白光共軛焦模組來進行量測，該模組具有高精度且高速量測的優勢，量測結果以彩色分佈圖來代表高底，影像呈現直覺化，量測後的數據可與後台MES資訊系統完整串接。以客戶案例來說，目前客戶將此設備用於尚在研發中的產品製程參數測試上，高活用性、高量測精度與穩定性更為此設備特色，如圖8所示。
結語
好的設備能提高生產效率，提高產品質量，人比機器更會出現錯誤，將無思考性繁瑣的工作轉交於機器，人力投注在更需創造力或思考的工作上，縮短產品開發生產週期，成本降低即是提升獲利。和全豐為客戶加速未來產品佈局與規劃，軟硬實力同步提升，完善系統整合，協助企業轉型與升級，開創企業未來新舞台，建造超乎預期之國際競爭實力。
Comments