在前兩篇「導入AI異常偵測技術讓傳產也能邁向智慧制造」[1]和「如何利用時序型資料異常偵測提升智慧制造成效」[2]中已幫大家介紹過關于智慧制造中常會遇到的「一元分類型(One-Class Classification)」及「時序型(Time-Series)」資料異常偵測(Anomaly Detection, AD)，而這些作法大多僅適用在單一信號源或低維度資料，而本文將繼續延伸至超高維度的「影像類型(Image Type)」異常偵測，借此說明如何利用人工智慧來提升產品制造品質。

一般影像類型異常偵測可分為「單分類(Single-Class)」及「多分類(Multi-Class)」。前者偵測出的異常類又可分為屬于正常但未見過的「新型態(Novelty)」及根本不屬于正常類別范圍的「離群者(Outlier)」。而后者則至少分為兩類，可以是不同的正常類型，若分類超過兩類則將各類「分布范圍內(In-Distribution)」資料視為正常，「分布范圍外(Out-of-Distribution)」視為異常。

如Fig. 1上圖所示，在單分類時，若黃色的貓是正常，那黑、白、混色、條紋貓雖然也是貓，但仍會被視為異常，未來可視需求重新歸類到正常類。而像老虎、豹、獅子這類貓科動物，因外表實在差很多，會被歸類到「離群者」，所以一定會被視為異常。而如Fig. 1下圖所示，在多分類時，若假設手寫的數字0到9視為正常范圍內，那街道上出現的那些數字就不在范圍內，屬于異常范圍。

Fig. 1 影像類型異常偵測分類示意圖(OmniXRI 2020/6/25整理繪制)

在智慧制造中，用影像來進行「品質（瑕疵）檢測」或「異常偵測」是非常常見的手段。早期可能會稱其為「機器視覺(Machine Vision, MV)」或「自動光學檢測(Auto Optical Inspection, AOI)」，主要依賴專家提供的領域知識加上數位影像處理手段及少部份機器學習算法組成視覺檢測系統。近年來因人工智慧相關算法崛起，因此開始有了以「深度學習」技術為主的「智慧視覺檢測系統(Intelligent Vision Inspection System)」。

這些系統可以應用到各種制造產業，其系統主要由相機、鏡頭、光源、影像擷取及計算（軟、硬體）等單元構成，提供了如「缺（多）件」、「尺寸量測」、「圖像識別」、「物件定位」、「物件分級」、「表面瑕疵」、「色彩」、「亮度」、「深度（距離）」等項目的分析、計算功能。

其中又以「表面瑕疵檢測（異常偵測）」應用最廣，同時也最為復雜，包括「刮（折）痕」、「裂（凸）縫」、「凹（凸）點」、「穿孔（凸起）」、「缺（重）印」、「污染」、「摩擦」、「扭曲」、「破損」、「色偏」、「色散」等問題。人們通常不容易訂出明確的檢測規范，如長度、寬度、面積、顏色、形狀等，導致經常會發生異常當成正常的「漏報(Underkill)」或正常當成異常的「誤殺(Overkill)」，造成產品不良率提高及人工復檢時間大幅增加。

在表面瑕疵檢測問題上，同樣會遇到有大量正常影像資料集，卻難以收集到異常影像的問題，同時對于異常的分類也很難定義邊界。若只是以「物件偵測(Object Detection)」技術在影像上標出一個方框來表示異常發生的位置，通常是很難滿足現場需求。因此大部份都會用到影像「語義分割(Semantic Segmetation)」技術來精準地判定每個像素是正常或是異常。另外由于不同材料表面會造成不同類型的瑕疵（異常），需要應用不同的解決方案，本文無法一一涵蓋，只能先針對較常見的表面瑕疵「刮痕」、「裂縫」及「孔洞」等問題的異常偵測方法做一簡單介紹。接下來會依「語義分割」技術衍生的不同作法來進行說明，主要包括「基于完全卷積網路(Fully Convolutional Network-Based)」、「基于編/解碼器(Encoder/Decoder-Based)」及「基于分割/決策(Segmentation/Decision-Based)」等表面瑕疵檢測（異常偵測）技術。