配合變色龍聯網解決方案，資策會亦提供AI分析協助生產執行提升產能之技術支援，根據感測器蒐集機台設備運作的細部動作資訊，找出能評估老化趨勢之關鍵資訊，進而利用機器學習方法建立感測資訊與。實際案例包含砂輪機研磨耗損偵測、截斷機裁斷長度預診、空壓機異常停機特徵偵測等等，以AI技術偵測協助現場生產，提高生產良率。 聯網應用描述：資策會智慧系統所研發Pub/Sub 設備聯網閘道技術，提供低延遲且可自主維護之工廠資訊化軟體，導入後使用者可自主管理，現場設備或感測器擴充不需再外包增加資訊化成本。可涵蓋範圍包含多家PLC、CNC控制器、現場表頭、外掛感測器、通訊介面卡轉接及Barcode Reader、RFID Reader等，設備內或現場環境偵測都可集中處理，大幅提升廠內智慧化程度。
檢視內容因應少量多樣的訂單複雜性需求，透過建置上下游供應鏈資訊串流平台與外包商空桶管理系統，提升供應鏈串接的能力，並藉由射出機連線與可視化看板、AI 智慧排程系統，提升製造端管理手法，進行智慧化生產現場管理，進而達到指標的改善。
檢視內容機器人在製造業的應用已經越來越廣泛，相對的機器人是否能順利運作對生產工作的穩定性也會有相當程度的影響。因此若是有一套系統能針對機器人的健康狀態做線上的監測，並能在機器人發生問題的初期就能發現並及早通知使用者，就能夠及早因應並採取必要的措施，就能有效降低機器人無預警的損壞造成對生產作業的衝擊。機器人自動預知診斷系統能夠7/24線上監測機器人機件運作的細微動作變化，只需要在機器人的基座放置一個震動感應sensor，系統會根據sensor量測到的訊號建立模態，內建的機器學習演算法自動對運作模態做追蹤，無須專家就能夠自動診斷機器人的健康狀態。同時也可以將相關的診斷結果透過內建的IoT Studiio(物聯網通訊軟體)傳送的Internet、雲端、Edge Server。
檢視內容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。
檢視內容受到快時尚及網路購物風潮影響，品牌客戶對即時且準確供貨之要求越趨嚴謹。建構網實智能化製造、生產、銷售系統，以快速反應或預測市場需求，產業供應鏈垂直與水平數位化、智能化，成為全球搶單競爭關鍵。在缺乏即時內外部資訊整合條件下，每次決策都在考驗高層主管的智慧與運氣，常備原料採購時機錯誤就可能導致公司訂單賠錢，生產決策錯誤就可能導致需要空運才能達交，昂貴的空運費即大幅抵銷了訂單利潤。利用基因演算法+資源限制分類，並整合訂單、排程及產能，模擬生產排程資訊提供給廠長決策參考。此一應用可最佳化安排生產，減少瓶頸問題，提高物料供應精準度，減少停工待料的問題。
檢視內容AI影像識別機器人可以取代原本大量使用人力進行產品外觀品質檢驗的重複性工作，透過攝影機影像進行識別及精準比對，減少人工作業的可能錯誤或是標準不一的情況，進而提升品質檢驗的良率與效率。 五百戶科技結合了資策會創新研究中心及國立中央大學創新AI應用中心的多年研發能量，開發出具有自建學習比對模型的新一代深度學習架構設計的AI影像識別機器人系統，運用CNN技術+TensorFlow框架，整合動態影像識別技術能力，可以快速建立類神經網路模型，用以精準分類並判斷產品外觀尺寸之優劣，達到近乎100%的精準檢驗結果。
檢視內容基於設備大數據的預測性維護與診斷 AVEVA PRiSM的APR技術 (Advanced Pattern Recognition先進模式識別)，將設備的實時運行數據同其特有運行模式進行比對，發現系統行爲的細微差異，從而對設備可能存在的問題進行提前預警，實現對設備的預測性維護。早於傳統報警系統數天、數周或數月進行預警 傳統的警告方式為設定上、下界限，但PRiSM是以點的周圍來計算，利用演算法建立一個正常的模式，當實際值和預測值之間的偏差超過允許的限制時進行預先報警。
檢視內容當無法明確規範產品瑕疵檢測標準時，很多企業往往必須藉由老師傅的經驗進行人工檢測以確保出貨品質，也因此面臨檢測速度緩慢、人工缺乏及老師傅凋零的痛點。智能視覺檢測系統是基於視覺檢測監控設備所累積的大量品質檢測圖形及影像進行分析，根據老師傅的經驗自動學習能判斷產品合格與否的視覺特徵，協助製造業建立AI品質檢測模型，自動快速地對產品進行媲美老師傅的檢測，永續確保產品出貨的品質。鼎新電腦的「大人物」部門具備研發整合「大數據、人工智慧、物聯網」各式應用的能力，能夠為企業分析需求並量身打造適合的人工智慧應用。智能視覺檢測系統的核心技術是結合機器視覺與深度學習對大量的圖形影像進行處理及分析，並藉由與客戶的領域專家持續互動找出視覺檢測測熱區及特徵，最後建立可視化之AI品質檢測模型，進而提升整體出貨品質。
檢視內容以one-class learning之學習架構，導入AOI (Automated optical inspection)檢測瑕疵智慧化發展，在自動化條件下提升產品檢測辨識率，以減少人力工作負重量，包含兩部份工作，一、建立以Autoencoder與self-organizing maps為基礎之瑕疵檢測技術，並完成廠商提供實際AOI機台資料之瑕疵檢測技術測試；二、完成廠商現場機台系統整合與資料介接，將影像資料透過AOI系統之接口導入部署分析技術之邊緣運算裝置，再將分析結果傳回AOI系統中，於介面上顯示瑕疵區域。主要利用python撰寫建立影像辨識軟體，其同時具備了影像前處理功能，例如：高斯慮波(Gaussian Filtering)、均值模糊(Averaging Blur)、中值模糊(Median Blur)、雙邊濾波(Bilateral Filter)且包含分析功能與可提供數據可視化及存儲之後處理功能。使用本分析軟體可直接將原始照片進行進階分析，由預前訓練模型直接辨識產品的相片是否有無缺陷，可調控參數設定靈敏度以及協助執行品管。
檢視內容案例‒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）。
檢視內容由於各式瑕疵原因分別在不同製程情境發生，於電鍍後進行判斷較能夠有效提升品質管制效率，需採用全檢模式以肉眼辨識，辨職難度高且高度仰賴人員的經驗，且遺漏比率約10%。透過以AOI自動光學檢測加上深度學習技術，克服金屬扳手反光之特性，提高瑕疵的辨識率(1) 縮短品檢作業時間：透過AOI智慧瑕疵檢測系統，每隻扳手檢測時間自3-4分鐘縮短至約3秒，統計報表由系統自動產出取代過去人工抄寫，且避免篩選遺漏。(2) 老師傅經驗數據化及標準化：依實際檢測數據進行標準差異值統計分析，回饋QC工程標準以優化公差設定值。(3) 生產批及不良品數量整合串接電子看板及MES、SPC系統，提高資訊即時性及加速管理報表產出。
檢視內容光學膜製膜裁切時，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%。
檢視內容有許多傳統產業之生產機台大都是封閉式系統，依賴資深的”老師傅”經驗進行機台參數調校，以維持生產順利與生產品質。 然而面臨智慧製造之機台聯網需求，既有機台升級汰換的高額成本大幅阻礙了傳統產業升級的規劃。 因此，此案例透過採用非侵入式感測技術取得傳統製粒機台的電氣信號、振動信號，並使用AI機器學習演算法來建立機台 協助廠商傳統產業建立「生產機台徵兆訊號擷取與連網建置」、「即時生產資訊可視化平台」及「有機肥製造廠區生產智慧化模組」，以協助業者進行有機肥料的品質優化及達到提升設備稼動率並降低生產與人力監控成本
檢視內容