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。
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（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。
檢視內容智慧製造、工業4.0的概念已經對製造業帶來了一個新的概念，人工智能、5G、物聯網已經帶來了技術上的可行性，智能化 MES、CPS IoT/AIoT、智能控制系統、運用機器人的自動化，將帶來工業 4.0所強調的互聯、整合、數據、創新與轉型，並結合公司整體 ERP 與 CRM 系統，帶來更低成本、高品質、顧客高滿意度、符合市場快速更迭的製造服務與產品。 廣宣科技智能製造團隊，運用特殊 AI 深度特徵解析技術，將連續或離散生產數據，加以智能化處理，將所有產線效能指標做相依度之計算，並運用當前人工智慧解析特徵黑盒子的最新技術，將產線數據找出關鍵特徵，並配合製造專家顧問團隊進行產線問題解讀、並進一步透過各樣規則建模，並控制各項變因進行製程優化。不但可達到數據可視化、提升產線透明度，更能透過智能控制系統，達到互聯、集成，甚至反饋控制的效果。廣宣科技智能團隊由人工智慧資料科學家、工業工程專家、資深廠長級顧問團隊、控制系統專家、資訊系統整合專家組成，為不同工業需求提供客製化與具深度的顧問分析服務與智能資訊平台。已與多家兩岸三地製造業、化工業、電商物流業進行系統客製與智能化諮詢。
檢視內容專為現代紡織業打造的 AI 驅動布料數位化解決方案，結合高解析度掃描機與雲端軟體，將織物的開發、共享與生產全面數位化。只需幾個步驟，即可生成精準呈現織紋與物理特性的數位孿生，並於 3D 環境中即時預覽與模擬垂墜效果，實現打樣前的快速設計決策。 透過 AI 自動完成無縫拼接與紋理貼圖，NunoX 大幅簡化繁瑣流程，降低 3D 設計的導入門檻。所有數位布料可即時儲存、編輯與分享，為全球供應鏈帶來更高效的協作體驗。 導入 NunoX 解決方案有助於減少樣品浪費、減短開發時程，加速產品上市，現已獲 Under Armour、Makalot、Little King、SHAHI 等全球領先品牌信賴，持續引領數位材料開發與管理的未來。
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。
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
檢視內容因應彈性化製造之生產趨勢，製造業需要導入AI以快速學習適應不同的生產需求。AI自主學習機器人是未來製造業邁向AI時代的關鍵技術，目前工廠導入視覺機器人必須仰賴演算法工程師針對不同工件調整參數來達成任務，造成換線/任務耗時耗力。工研院以深度增強式學習(Deep Reinforcement Learning，DRL)為基礎，研發自主學習之AI機器人夾取技術， 簡單、易用，補足勞力需求。本技術之特色與創新包含: 1.機器人自主嘗試學習，減少人為介入，讓換線能夠更加快速、有彈性2.以DRL技術提供更快速、更穩定、更精確的訓練機制3.結合機器人模擬軟體，大幅減少整體學習時間與實體嘗試的次數
檢視內容本系統運用 DeepLabV3 深度學習演算法，建構一套針對保安零件瑕疵辨識的 AI 模型。為提升辨識準確率，開發團隊進行了多種攝影鏡頭與取像環境的測試，共拍攝 1,200 張探傷缺陷影像做為訓練資料，藉此強化模型辨識能力。系統透過筆電連接 RS232 轉 USB 介面，接收啟動指令後，每秒擷取 30 張即時畫面，並對每張影像應用 C1 子項所設計的瑕疵辨識演算法進行判讀，並即時在螢幕上標示出探傷瑕疵部位。整體架構可應用於製造流程的品質控管以及非破壞檢測的磁粉探傷，提升檢測探傷效率化和省人化，協助企業實現智慧缺陷非破壞檢測的探傷解決方案目標精進。
檢視內容(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。
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。
檢視內容現今工廠自動化的趨勢，已開始由大量機器人取代人工作業，製造業對機器人的需求及依賴程度越高，企業如何確保機器人的高可靠性呢? 因此，能夠自主性判別設備狀態與減少非計畫性停機更成為企業所需要深入探究的課題。機器學習智能監控系統即是針對各式機械設備的動態監測，使用者透過簡單建立健康規範，系統學習動作依照所累積的數據統計進而做出分析判斷，產業進而可訂立預知保養計畫並有助於設計者優化產線設計流程。 藉由即時偵測動態機械之訊號，可預測判斷機械手臂的健康狀況，及焊接作業品質的線上即時監測，使企業有較餘裕的時間安排設備維護與產線，將導入機器人的初衷發揮到極致，『做得快且做得好』
檢視內容