AI製造運用

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。

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。

慧演智能專注於為製造業提供 AI 影像辨識解決方案，已成功應用於半導體、電子周邊及食品製造。 我們自主研發的 BailAI 平台，讓企業無需撰寫程式，即可完成從資料標註、模型訓練到部署推論的全流程管理。1.免寫程式、操作簡便：專為非工程背景用戶設計，一站式導入 AI 檢測。 2.快速建模、少量多樣：內建多種優化演算法，可用極少影像資料完成高效訓練。 3.靈活場域應用：模型可快速切換，適應不同工廠、產品線及檢測條件。 4.推論即時、自動監控：整合邊緣端 AI BOX，能即時判斷並記錄現場影像。 5.大幅節省成本與時程：縮短驗證週期、降低導入成本，加速 AI 成果落地。

MusesAI- 是提供製造業非資訊人員，透過一站式介面指示精靈，可快速、簡單、準確度高方式，在系統介面自動協同標註特徵及自動訓練AI模型，而後即可立即下載佈署使用的一站式AI模型開發平台，其中AI應用模組類別包含影像類及數據類兩大方向，影像類涵蓋物件辨識(數量、標工)、人員行為辨識、工地安全等；而數據類則涵蓋機台閒置預測、設備故障診斷等應用，可大幅降低一般AI模型開發門檻及投入時間。

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。

AI航燃靜電消散劑添加量優化系統，透過大量感測器資料數據收集創造原始資料庫，科智企業採用人工智慧深度學習(Deep Learning)，以及演算法，透過MusesAI平台整合所有資料來源並精密分析運算後，即時監控工廠油槽靜電穩定度，提升出油槽量導電度之穩定性，協助改善客戶端現有之航燃靜電消散劑添加量優化之依據，讓使用者能快速掌握油槽狀況，以確保運送過程安全。 同時也可以整合科智企業發展的ServCloud，不僅協助自主客戶並能擴大至上下游，整合各個廠域工廠資料，打造智慧供應鏈，也可以將原先廠內的ERP、MES資料進行介接，不浪費企業內部資源。將機台、人員、金流、報工資訊等重要工廠議題，進行整合與使用，讓工廠資訊即時且透明化。 目前已成功導入台灣化學工業事業體群。

鋼鐵業係屬高耗能產業，據統計顯示，鋼鐵業的能源消費與二氧化碳排放比例在全國工業部門中排名第1位。尤其煉鋼製程中的數種主要加熱爐如電弧爐(EAF)、電渣重熔精煉爐ESR 、真空電弧精煉爐VAR 和真空感應熔解爐VIM等用電量都極高。 其中最重要的在於煉鋼過程中，若全廠用電設備包含前述煉鋼爐若同時投入生產時將導致用電超約，導致鉅額的超約費，造成生產成本的巨大負擔。因此如何配合煉鋼作業同時避免超約罰款，是業者迫切要克服的難題。

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。

JWII Automated ML Engine 可協助製造業以合理的成本與快速的導入來建立高價值系統，解決工廠設備異常損失與工程品質不穩定的問題，藉此提升產品品質、生產效能、與達交率，最終達到智動化生產與智慧工廠的目標。 JWII Automated ML Engine已於諸多產業的製造環節中應用，目前已成功導入光電產業、石化產業、PCB產業、電子組裝產業、金屬加工業、設備製造業、表面處理產業、傳統產業…等，提供製程參數異常偵測、生產配方最佳化推薦、連續性製程品質預測、設備故障停機預測、異常因子分析預測…等相關製造業所應用。 JWII Automated ML Engine 可單獨使用，同時也可與企業應用系統整合如ERP、PLM、MES、IOT、WMS、BI…等異質系統中，讓這些系統被賦予AI 預測與診斷等特性，讓相關系統達到智能化的目標。

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。

本PHM系統的核心價值在於其能夠精確地預測設備健康狀態與設備的製程狀態，提高生產過程的效率。透過結合IOT、邊緣運算，系統不僅能夠減少算力需求和演算時間，還能夠降低誤判風險，提高模型的遷移性。這項創新技術將為製造業的數位轉型帶來巨大的改變，協助企業實現高效運營和成本降低。

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。

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。

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。

本案AI瑕疵檢測系統採用模組化AI影像辨識架構，能依不同產線或產品特性快速調整應用模組，例如CNC加工瑕疵檢測、安全帽佩戴偵測等場域皆可靈活部署。系統具備參數化模型調控設計，可依產品規格設定辨識閾值與容許範圍，使用者能於後台即時調整以對應不同製程條件。透過邊緣運算技術結合高速工業相機與Jetson模組，系統可在0.3秒內完成瑕疵辨識與信心值判定，並自動回傳訊號至PLC進行不良品標示。此外，系統具備跨場域資料遷移學習能力，能根據既有標註資料快速微調模型，以降低重複建模成本。導入前提供POC原型驗證流程，讓客戶能於實際產線測試辨識成效與操作介面，確保後續開發更貼近實務需求。部署上採低門檻模組化設計，可透過月租或授權模式導入，提升企業導入意願。系統上線後提供模型再訓練、參數微調與遠端維運機制，確保AI辨識能力能隨產線變化持續優化，達成長期穩定運行與智慧製造轉型目標。