AI製造運用

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。

憶象智能影像辨識系統可以協助客戶三大方向:一提升營業額：為提高生產品質,將人工辨識的產品不良率, 藉由AI智能辨識提升產品的良率；二,降低成本：從需要大量人工的目檢辨識工作，轉由AI辨識降低錯誤節省人力, 提高生產效能，三,企業專業知識管理：縮減教育訓練時程/預防專業知識的斷層(師傅退休/跳槽)。憶象智能影像辨識系統採用最先進的深度學習之捲積神經網路(convolutional neural networks, CNNs)與電腦視覺技術，團隊具備開發AI模型設計與系統開發能力，設計出符合應用單位的AI模型，產出最符合應用客戶之檢測模型, 讓使用者可明顯獲得差異性的產品成效新體驗。 憶象智能影像辨識系統整合客戶檢測產品之圖像管理與標記，ＡＩ模型，即時統計，一站式的服務幫助企業檢視各生產鏈的問題點, 及優化備料與生產裝置設定。憶象智能影像辨識系統可以應用於各種產業的生產線應用，目前已成功導入電子業、傳統製造業、健康醫療…等，提供工廠與生產線之智慧視覺辨識應用。

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）。

透過人工智慧演算法來實現 (1) 工程師的調校經驗系統化及 (2) 調校結果的量化分析，幫助專業工程師在更短時間找出更佳的參數組合。此工具初期是以人機協作的方式運行，隨著智慧系統在過程中不斷自動學習最終可達到產品模型參數的全自動調校。

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。

透過提高生產現況回饋的即時性，減少不良產品產出之機會並降低假警報，進而優化生產管制上下限； 在設備上安裝控制器, 負責收集資料並回傳至伺服器, 以利遠端監控執行異常維修預測，當預測可能有異常時，即時通知現場人員處置除了定期維修保養外，還可以預防異常維修的情況，則對於產線生產調度增加靈活與彈性，降低待工風險，並能提供排產即時參考與產線平衡管理

本案提供「金屬表面／工程圖面／鋼卷」三類字元辨識方案。 金屬表面字元辨識：面向閥體加工件，運用反光抑制、陰影補償與深度學習 OCR，在油污、刮痕與曲面條件下仍可穩定讀取，支援手持、固定工站與產線相機，序號／料號可即時寫入 MES／ERP。 工程圖面字元辨識：自動解析 2D 圖面中的尺寸、符號、材質牌號與註記，輸出 CAD 欄位、BOM 或標準表單，減少人工判讀。 鋼卷字元辨識：在高速移動與強反光下，以工業相機與邊緣運算快速讀取捲鋼外觀碼與標籤，完成批號、規格與庫存之批次建檔與追溯。

齊料管理精靈可以透過預測供應商交貨模式，讓人力集中處理需要跟催或緊急調度的工作安排，提高準確交貨率，並加入廠內的流程運作特徵，放入模型中做為計算參數之一，以期達到如期齊料開工的目標。智炬科技「智慧製造顧問團隊」加入時間序列等機器學習演算法，從企業原有資訊系統中取出預計交貨、實際交貨、預計檢驗、如期檢驗、預計發料、如期發料等資訊，整理數據之後經過演算，得出高度齊料可如期派工的工令順序、以及具高度缺料風險的工令資訊，同時找出可遞補的派工批，讓生管排程更省力化。串聯即時通訊應用技術推播高風險物料狀況，啟動全員關注料況行動，協助企業降低缺料風險，提升生產計劃達成率，減少低價值溝通行為。

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。

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。

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。

奕瑞科技將Deep Learning 演算法極盡所能的在各個領域做出落地的解決方案，除了本身精研的核心演算法之外，還能貼近客戶的需求，與客戶共同討論出最適合的解決方案，並且跟著客戶的SOP，不斷地做滾動式的來回討論，以期用AI 人工智能技術，真正改善客戶在管理上的困難。其解決方案包含解決員工需要監看包商是否違規，交由演算法來判斷，能避免掉人與人之間的摩擦，並且節省了大量的人力監督。另外，AI/AOI 瑕疵檢測也解決了傳統瑕疵檢測過多的誤殺（判）造成現場作業的混亂以及不必要的浪費，AI/AOI能夠制定出容錯空間，讓生產線上的員工（期望篩選標準放寬）以及在辦公室處理客訴的管理或是業務人員（期望篩選標準從嚴）達成最最精準的平衡，並且能夠整合後端自動化生產設備，即時傳送訊號讓機器手臂或是相關設備做出相對應的反應。

小柿自主研發AI DIP瑕疵檢查機。 適用於波峰銲完的PCBA外觀檢測 可搭載在客戶產線上，也可運用在獨立檢測機台 搭配線性掃描光學模組，完整覆蓋拍攝物之表面取像。 自主研發的小樣本學習瑕疵檢測技術，僅使用10~20張良品影像，即可快速建模、投入檢測，適用於少量多樣的場景，客戶使用小量良品，即可在5~10分快速建模，可自動標註元件節省客戶調整時間，即可立即投入產線檢測。自主研發的AI深度學習技術，可實現PCBA之外觀檢測，例如缺件、極反、錯件、偏移、破損等瑕疵檢出。

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。

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。