【手把手教學】快速利用 AutoML Vision 提升 PCB 瑕疵檢測精準度

自 2018 年 Google 在 Google Cloud Next 年會重磅推出 Cloud AutoML 技術,資料科學與 AI 普及化應用的時代已正式來臨。暨上篇工廠製程革新:AutoML Vision 如何優化製造業的目視檢測,改善品管?,本篇文章將進一步實際教學如何快速利用 AutoML Vision 提升 PCB 的瑕疵檢測精準度。以下教學,將以兩個 PCB 資料集,示範兩種不同模型的操作步驟:單一標籤分類模型(判斷是否有瑕疵)、物件偵測模型(判斷是否有瑕疵、偵測瑕疵處、判斷瑕疵類型)。

如果看完本篇教學文,有興趣實作練習的朋友,也歡迎造訪 Google Cloud Qwiklab,自費報名 2 小時的線上課程: Classify Images of Clouds in the Cloud with AutoML Vision

Continue reading “【手把手教學】快速利用 AutoML Vision 提升 PCB 瑕疵檢測精準度”

【智慧製造】實作工業預測性維護 (predictive maintenance):執行篇

預測性維護 (Predictive maintenance) 有助於企業延長設備年限能否延長,藉由讓生產系統更加可靠,來減少設備的停機時間。在本系列文的前 2 篇文章中(第一部分第二部分在此,歡迎讀者閱讀),我們確定了企業可能會想部署預測系統的原因,並說明了一般匯入預測系統的感應器和資料類型。在本系列文的第三篇也是最後一篇的文章中,我們將會解釋我們如何從 Google Cloud Platform (GCP) 各項產品中,建立一個完整的預測性維護參考解決方案,包括Cloud IoT CoreCloud IoT Edge BigQueryCloud Dataflow 等資料處理工具,以及 Cloud ML Engine 等等的機器學習平台。 Continue reading “【智慧製造】實作工業預測性維護 (predictive maintenance):執行篇”

【智慧製造】實作工業預測性維護 (predictive maintenance):導入篇

在系列文的第一篇中,我們為大家科普了預測性維護 (predictive maintenance) ;預測性維護會識別感應器和產量資料中的特定模式,這些模式會顯示設備狀況的變化(特定的穿戴式裝備)。借助預測性維護功能,公司可以確定資產的剩餘量,並準確預測機器、組件或零件何時可能發生故障需要更換。

在我們的系列文的第二篇,我們將解釋一些資料探索技術,對機器學習的類別進行比較,並以範例來探討執行「預測性維護」時的一些公式和指標。 Continue reading “【智慧製造】實作工業預測性維護 (predictive maintenance):導入篇”

【智慧製造】實作工業預測性維護 (predictive maintenance):策略篇

近年來,名為工業 4.0 的現象持續在製造業帶動轉變:工廠變得越來越「聰明」。因此,工廠在獲得技術工具的情況下,努力提高生產率、營運效率與安全性。許多工廠都將新舊機器結合在一起,而使工廠更聰明的第一步,就是啟用「預測性維護(PdM)」。 Continue reading “【智慧製造】實作工業預測性維護 (predictive maintenance):策略篇”

工廠製程革新:AutoML Vision 如何優化製造業的目視檢測,改善品管?

我們經常從企業客戶端聽到,他們需要導入像 AI 這樣的新技術來提高生產效率。事實證明,AI 的確能有效幫助製造業客戶實踐自動化的目視品管流程

這些客戶告訴我們,他們希望使用 AI 解決方案來幫助他們提高品質控管和檢查的效率,進而提高整體品質。但是,有許多因素使他們難以防止瑕疵產品的發佈。此外,在製造過程中發現瑕疵的時間越晚,修復或更換所需的成本就越高。目視檢測可以幫助製造業客戶,以較低的成本及早發現瑕疵,並以更創新的方式幫助企業革新其流程。點擊「閱讀全文」以了解更多。

Continue reading “工廠製程革新:AutoML Vision 如何優化製造業的目視檢測,改善品管?”