AI製造運用

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。

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。

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。

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。

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

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。

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

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。

客製化程度高的製造業極難採用全自動化製程的工具，因此主要的生產資源往往是可以因應產品變化的「人力」並輔以高效率工具以提升生產力因此形成以人力為核心的「工作站」生產模式，從而形成本案例所稱之工作站式製造環境，透過產品種類、生產製程、訂單需求、生產力等資料確立利用AI最佳化模型及技術尋求最佳生產排程結果。

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

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。

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。

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%。

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。