AI製造運用

（應用一）該系統提供鑽石磨棒刃面處全景深影像留存並提供鑽石磨棒使用後回廠人工比對功能。由於原先生產過程中含人工操作的步驟，所以效率不高，必須使用大量的人力才能滿足量測速度，且有許多數據因人工作業較久無法逐顆量測，需透過作業員觀察到異常時才進行量測，容易發生漏檢情形。本公司透過人工智慧機器視覺方式進行語義分割及迴歸預測，有效縮短生產量測時間並提供鑽石刃面偏心度、鑽石露出面積…等量化數據，不僅提高生產速度及量測品質，亦降低了客戶的人事成本(設備取代人力)，創造出客戶與本司雙贏的局勢。　　　　　　　（應用二）在客戶的產線中銅箔基板因前製程的不良品或是製程汙染(刮傷、亮點、摺痕、污點、粒銅、氧化…等)，導致在後製程前需人工檢查品質加以剔除，若發現瑕疵則使用麥克筆標記該區域，再用雷射打標機以人工對準標記區域進行雷射標記，本系統使用AI物件分類算法以在線學習方式來識別人工記號，並結合雷射打標完成自動打標功能。　　　　　　　　　　　（應用三）隨著SMD元件尺寸日漸縮小，檢測時每片貼片電阻基板上的電阻元件數量可達上萬顆，傳統人工目檢方法已難滿足生產需求，但市場上目前尚未有能支援到0.201…等小尺寸SMD元件的自動量測修阻痕跡並進行雷射打標的設備。本公司採用大標靶且超高解析度工業相機，再搭配高解析度鏡頭，以單隻相機取照架構滿足應用需求以及使用顯示卡透過批量方式進行AI順向預測，極大化使用顯示卡記憶體滿足速度上的需求，並以AI機器視覺方式進行影像分類及物件偵測來達到高精度的檢測功能。　　　　　　　　　　　　　　　　　　　　　　　　　　　智合科技的研發團隊結合人工智慧(AI)與光學辨識系統(AOI)，在了解客戶的產品、作業流程及需求後，提出最適、最佳的設計及產品，讓客戶以最適預算取得最佳解決方案，產品應用範圍跨越眾多領域。

利用安裝於工廠產線或各種戶外嚴苛環境的工業等級的 ToF 與stereoscopy 3D相機擷取大量2D與3D影像，經由立普思團隊特殊的AI機器學習演算法與大數據整合，可有效識別並重建各式物體在3D空間中的相關位置資訊，配合立普思獨家的硬體加速與平行處理功能，可實現高禎率即時物件與人形識別，可廣泛應用於工業4.0、智慧零售、智慧農業、健康照護、安全監控等各種不同領域。 立普思的製鞋自動化方案同時整合了2D與3D機器視覺、手臂控制、電漿噴塗、與機台控制等，能有效取代傳統製鞋業的人工步驟，同時藉由單隻或多隻 2D/3D攝影機，透過影像拼接 (image stitch)方式，將物件全方位掃描結果搭配AI深度學習的自動路徑規劃，直接控制機器手臂帶動電漿噴頭，以精準的法向量覆蓋鞋底全表面進行噴塗，相較目前大多數使用線雷射掃描的方案有更快的整體反應速度，同時也更具價格競爭力。立普思的VGR (Vision Guided Robotic) 方案目前已成功導入製鞋生產，此技術同時也可應用在各種相關產業，或是搭配立普思的其他AI應用如人臉辨識 (Facial Recognition)、人流計數 (People Counting) 、身形辨識 (Pose Estimation)等。

整合產線運行資料與專業技術人員標記的品質資訊，建立可用於知識理解與語意推論的數據基礎。透過 Embedding 技術，將包含環境感測參數(如:溫溼度)、品質預測（如:LSTM 預測濾網更換等）、設備稼動狀態與製程事件記錄等原始資料轉換為高維語意向量，提供語言模型進行語意匹配與問題解答的依據。 系統搭配 LLAMA 3 語言模型，可接收來自使用者的自然語言提問（User Prompt）與系統提示（System Prompt），並結合語意向量進行推論。為提升回答的實用性與準確度，系統可根據回應結果的品質，動態調整 Embedding 模組的權重參數，使模型更貼近鑄造領域的語境與判斷邏輯，逐步優化回應品質。

智合科技的研發團隊 採用最新人工智慧深度學習(Deep Learning) 並結合 AOI 技術, 可進行 不規則形狀物件的品質評估：使用 AI 物件偵測, 然後再透過 AOI 進行 2D 資訊計算, 產生評估數據 例如：農業產品 / 不易數據化的物件 / 非標準品的測量 / 2D 與 3D 的數據呈現 不易測量的物件：使用 AI 的技術, 針對邊緣影像的準確度進行推估, 確保整體的檢測數據的信賴性 例如：高精密度金屬加工物件的邊緣值 另外可透過 嵌入式邊緣計算平台, 進行上述技術的整合, 有效降低整體系統的建置成本

基於企業資料的智能客服及聊天機器人

AI 精準決策，即時整合設備效能、警報數據與運行狀況，提供設備校準建議、數據排查方向與通訊優化策略，驅動最佳管理決策。即時分析與建議，快速整合系統內外部數據，協助企業快速應對能源管理決策。能源基線提供了數據支持，使企業能夠制定更科學、合理的進行節能行動方案，精準掌握能源使用的關鍵指標。追蹤節能績效歷史：追蹤並評估歷史能源管理措施的成效，可供做ISO 50001查核。

中冠 AIoT 智慧平台最主要的目的，是要將分散部署在不同電腦的AI應用，整合到同一個Ｗeb平臺中，讓員工只要以瀏覽器開啟入口網站，登入帳密，就能一站式管理工廠所有的生產資訊。例如：爐壁厚度監測AI，可透過爐壁探鑽深度與周圍壁面溫度變化的關聯性，訓練AI靠爐壁溫度變化，判斷爐壁厚薄，藉以預測爐壁冷卻元件受損情形，安排檢修時程。爐熱溫度預測AI 則是透過量測出鐵口的鐵水溫度變化，參考操作條件、鐵渣的化性分析，學習預知未來2～4小時的爐熱趨勢，藉此訓練出爐熱預測的AI，若預測到未來爐熱可能下降，就能即時調整生產參數，微調風溫、噴煤量，來維持爐熱的穩定。各 AI 智能應用案例細節，可參閱 https://www.ithome.com.tw/news/142938 報導

工研院研發產品品質指標預測技術，與軸承製造大廠T公司合作進行軸承加工產線的線上測試，基於機台電力、加工應變力等大數據，透過智慧分析瞭解刀具狀態與工件品質關係，及時偵測NoGo工件，降低損失。並藉由及時調整抽檢頻率，動態配置檢測人力，使傳統離線且需成品完成後的抽檢改為線上即時的全面檢測。

此專案的目標是開發一個基於人工智慧和機器學習技術的鋼胚收料電子化 與鋼胚表面影像辨識系統，此專案能夠在鋼胚收料時透過人工智慧的系統將資 訊電子化，並透過影像辨識準確地檢測鋼胚表面的缺陷、異常和鏽蝕。透過這 樣的系統，我們希望能夠實現以下目標：A. 提高生產線上的檢測效率和準確性；B. 減少人力成本和檢測錯誤；C. 改善產品質量並提高客戶滿意度；D. 提高生產過程的安全性和可追溯性。

(1)初始透過訪談產業專家確定預測需求及影響產品銷售預測之關鍵變數(例如季節，品項大類，淡旺季..等) 。 (2)進行資料擷取、資料清洗、資料整理與資料整理等前置程序。 (3)而後基於數量分析流程，進行描述性統計分析、相關性分析等步驟，以確認變數及其關聯性。 (4)透過銷售預測的模型建立，直接成效反映在備料精確度及人員溝通效率提升，並提升初次合作的高質量客戶滿意度，達成高需求量判斷兌現率。 (5)模型曲線置入缺料預警戰情，提早指示/警示/預警，以報表/移動平台/戰情看板/即時通訊軟體…等呈現，拉動供應商，降低無效追料損耗。 (6)資料來源為ERP/MES，銷售預測與排程系統整合，動態模擬調整庫存水位，因應少量多樣需求，降低庫存呆料， 滿足達交，體現企業提升毛利。 (7)數據歸納出模型後，不需大量，也具參考，只須持續數據量與驗證，提高精準度，強化企業體質，降低人為干預，以數據智能面向市場。 (8)數位優化/世代交替/新冠疫情過後，客戶及供應商重新洗牌，產業高值轉型，跨足新市場，爭取新客人，都須仰賴數據驅動思考變革的方向。 (9) AI 銷售預測可以應用於ODM/OBM/自有品牌製造業。

光學膜製膜裁切時，需由人員針對AOI照片一張一張分類，避開不符規格的瑕疵進行裁切，人員進行瑕疵分類時耗費大量時間與人力。我們設計了一套含有標記、資料前處理、訓練以及模型佈署預測功能的系統平台，人員只需上傳瑕疵資料，並到平台上標記瑕疵類別，系統平台利用卷積神經網路(convolutional neural network, cnn)進行訓練與分類計算。並回饋訓練成果與準確度，提供一鍵式模型佈署，將模型佈署到平台中，人員就可以利用佈署的模型進行預測分析，根據分類結果繪製裁切瑕疵map，人員即可根據瑕疵map建立裁切規格，進行裁切分調，並且有效的將A級率從69%提升至90%。

案例‒鋼珠製造產業長期以來面臨產品種類眾多、尺寸規格複雜、客戶經常性改單導致生產線產能分配不均、工裝次數頻繁、磨盤異常損壞增加等問題，造成工廠生產效率不佳。鋼珠製造流程從原物料的線材、鍛造到形成鋼珠的粗研磨、熱處理、細研磨、精研磨，最後為成品的洗淨、檢驗和全檢；其中主要的瓶頸為粗研磨至精研磨的關鍵三道研磨製程。其原因為鋼珠在研磨過程無法即時監控磨盤的狀況，容易造成堵溝、尺寸變異，嚴重時將造成磨盤崩裂而傷及鋼珠的完整性，若因人員的疏失造成規值的錯誤，不但造成產能的損失且增加成品久置而生鏽的可能性，增加產品重製的加工成本及工廠的產品產出時間（cycle time）。

汽車零件再製造工廠每年要生產的型號會跟著二手市場變化，以傳動箱來說，市面上最常見的二手零件不會超過500種，但每年都會淘汰最老的50種，同時增加新的50種。如果將每個零件拿去不同角度和不同背景拍攝，每種傳動箱大約要拍攝1000張訓練張影像，要讓傳統的物件分類AI持續每年學習，每年都要準備50000張訓練影像，透過生成式AI，客戶願意每年針對50種零件掃描建模，訓練出來的辨識器可以幫助再製造工廠辨識現場的原料，協助原料管控同時，也可以降低採購在零售商的溝通成本。

透過AOI人工智慧辨識設備結合機器手臂，改善人工目測檢視產品之誤差，以提升效率。未來將AOI所收集之數據與MES系統所記錄之製造數據對照，可快速發現錯誤數據，改善生產效率。

因現場操作人員無法兼顧所有機台確認狀況，當織帶編織錯誤時， 需到最後品管包裝才能確認錯誤，現場機台編織織帶60~70碼/時，會造成相當長度的損失。 當織帶會遇到明顯不良包括脫線、預計導入鞋帶工廠織帶良率檢測系統改善品管流程提前修正錯誤降低材料耗損。