AI视觉 原理、核心技术解析，利用 AI视觉软件 实现智慧制造
大綱
前言
在智慧制造的浪潮下，通过 AI 技术来提升竞争力，是多数企业的目标。
我们认为，唯有能为公司运营带来实质改善，进而协助提升市场表现的 AI 技术，才是企业应该采用的解决方案。
全球 AI视觉 市场规模预计将从 2024 年的 341 亿美元增长到 2028 年的 937.3 亿美元，年均增长率（CAGR）约达 28.8%。
市场规模报告揭露了一个重要的讯息：企业对 AI 视觉技术具备信心，并持续投入资金，进而带动市场发展。
AI 视觉技术能够如此快速成长，主要原因在于：已在实际应用中证明了效益。
本文将介绍 AI视觉 的原理与技术，以及常见的应用，以及它在制造业场域管理的优势，并解释导入 AI视觉，对智慧工厂发展的重要性。
AI视觉 的原理：让电脑『看见、判断、解读』影像数据
为了让电脑能模仿人类，我们需要提供大量的影像资料来训练 AI 模型。
而影像资料需要经过标注才能训练，例如: 下方照片中，01. 的标注是「猫」， 02. 标注是「狗」，当标注量够大时，就能用来训练AI。经过足够训练后，辨识的准确性会渐渐提升，最终电脑就会达成和人类一样的解读能力，判别一张未被标注过的图是猫还是狗。
举例来说，在生产线上需要确认螺丝刀是否放置在正确的位置。过去是依赖人工肉眼判断，现在要让 AI 协助我们，就需要提供大量螺丝刀放置的图像来训练 AI 模型，让它理解什么样的图像表示螺丝刀在正确的位置。经过充分训练后，当螺丝刀放错位置时，AI 视觉能够快速“判断”出异常。
另一个例子是，过去工厂管理依赖人工巡检和回放视频，管理人员必须亲自查看这些生产过程，以确保操作员不会出错，但仍然可能漏掉错误。当错误发生时，管理人员需要回放生产视频，逐秒查找问题工位，再根据经验分析问题。这样的方式效率低下，且依赖于个别管理人员的经验，容易因主观判断而忽视潜在问题。
现在，工厂只需在生产线上安装摄像头，让计算机能够“看见”生产过程。经过充分训练的 AI 模型，像管理人员一样，具备足够的工艺知识，能够“判断”操作员是否正确拿取工件、放置在正确位置、执行标准作业流程等。因此，当计算机“判断”异常发生时，能够快速根据已有的信息“解读”异常原因。
AI 视觉的引入能够大幅节省生产管理人员的时间与精力，以更高效的方式从“图像”中提取和输出所需的生产洞察。
AI视觉的核心技术：深度学习
对于大多数学习算法，随着数据量的增加，性能表现通常会提升，但在达到某个阶段后，表现往往会趋于平稳，无法继续有效利用新数据来增强模型的准确度。
深度学习是一种解决这一瓶颈的技术。
深度學習是一種模仿人類大腦的神經網路結構，透過多層次的計算單元（通常稱為「層」）來分析和處理複雜數據。每一層的神經元都能從前一層獲得的資訊中提取特徵，並將這些特徵進一步傳遞至下一層。
這種「多層」的學習方式，讓深度學習可以處理相對複雜、大量的數據。
AI视觉 应用场域
在制造业中，AI视觉的应用场域非常广泛，以下是几个主要的应用范畴：
- 安全性维护
通过 AI视觉 检查工人是否正确佩戴个人防护设备，例如：头盔或安全手套。若未遵守规定，则会触发预警，保障员工的安全。或是在人机协作的场域中，利用 AI视觉 架设电子围篱，避免作业员因不熟悉机器手臂摆荡动作，而产生公安疑虑。
- 瑕疵品检测
传统的 AOI 自动光学检测 技术虽然在工业领域广泛使用，但常发生错杀率过高的情况。但通过 AI视觉 导入，模型对于影像辨识更灵活，能学习更多产品特征，对影像进行更深层次的理解，避免因光线、角度、或其他非本质原因造成的误判。
- 人力产线管理
不同于机器生产，可以透过物联网系统精准管理生产状况，『人』在产线上的作业时间、作业行为很难被记录与追踪。例如：有些作业员在表定休息时间前的 15-20 分钟离开了岗位，作业效率因此在接近休息时间时慢了下来。
导入 AI视觉，通过『影像』的记录与辨识，可以有效追踪复杂的生产状况。
专注于制造业中『人』和『法』：AI视觉 技术的进阶应用
4M1E，Men（人）、Machine（机，机械设备）、Material（料，物料）、Method（法，作业方法）、Environment（环，环境）是制造业现场管理五大重点要素。
而 AI视觉能够进一步消除『人』和『法』这两个面向所产生的错误。
Men 人
超过 72% 的工厂任务仍由人工完成。机器人尚未完全取代我们的工厂中的所有工作。
在劳力密集的产线上，以影像为管理基础的 AI视觉 应用，能够建构最有效的管理机制。例如：在依赖人工作业的生产线上，作业员动作的不确定性高。疏忽、身体状态、操作熟悉程度等，都可能影响最终产品的质量。
为了消除这些潜在错误，往往产线工程师或管理工班，需要耗费大量的时间和成本，进行数据搜集与分析。
导入 AI视觉 能够有效追踪产线上人员的关键作业行为，执行全时段生产观测。
除了能大幅度减少管理人员的负担，亦能提供产线完整的生产履历，成为决策时的重要依据
Method 法
為一項產品進行時間研究，需耗費該廠的工業工程師約 24-48 小時。一個月僅能取得約莫 15 分鐘的數據資料。
为了优化产线生产效率，工业工程师需要完整了解产线。『数据』是帮助管理人员，最快与最有效熟悉产线问题的来源。
然而，现在多数的产线数据搜集仍仰赖人工纪录，工业工程师站在工站旁用码表计时，再由纸笔抄写。
以人工记录的方式，缺乏效率且易包含主观偏差。
AI视觉 全时段搜集产线数据，同时快速根源分析，协助工业工程师快速判别生产瓶颈，消除管理盲区，加速作业方法优化。
AI视觉 应用的核心优势：不可取代
全时段生产过程追踪
过去，制程的追踪仰赖产线工班实地观察，人工找出产线低质量低效率的肇因。常见的情况是，在质量管理端，先发现不合格品，才回到制程端追踪不良品的来源。不仅是没有效率的管理方式，还有可能遗漏有的制程问题。
所以，AI视觉 能够 24 小时 7 天，全时段记录与分析产线的优势，为制程端与质量管理端提供有效的解决方案。
一个曾发生过的案例是，在一个生产高价伺服器的工厂中，质量报告显示，产品外观刮伤或凹陷的状况时常发生。但管理人员对瑕疵产生的原因一头雾水。
通过 AI视觉 的影像追溯才发现，瑕疵来自工人拿取螺丝起子掉落，而刮伤成品。
像这类型人为疏失导致的制程错误，只能透过『影像的记录』作为证据。现行的其他管理系统皆无法取得，也無法追踪这类型关键的资讯。
协作动作分析
现今，大多数的工厂都已串接物联网系统，协助制程品管。但实际上，这些系统不能掌握全部的数据，许多关键的生产站点只能透过『影像』追踪，特别是『人』的作业过程。
曾经发生的案例是，在一条电动机车的组装产线上，一机双人的工站由作业员协同完成组装工作。尽管导入了 MES 系统，该系统分别判断两个作业员的操作步骤，不是分析整个协作过程。当系统侦测到生产流程中的异常时，产线工程师难以迅速判断肇因。
AI视觉 以『影像』为基础的特点，成为了唯一的解方。
AI视觉 能够记录与分析工站上，两位作业员协作的的过程，追踪动作是否有按照 SOP 进行。当异常发生时，管理人员很轻易就可以从仪表板上看到导致低品质效率的原因是工具、料件还是操作流程。节省许多溯源的时间。这是现行制程追踪工具都无法做到的事情。
除了作业员的互动，当涉及人机协作的工作流程时，AI视觉 一样能够有效追踪，确保作业流程顺畅。
运用 AI视觉 改善生产线的智慧工厂成功案例
案例一：数字化工站（以服务器制造厂为例）
痛点：作业员在使用工具（如：螺丝起子）时，常不小心刮伤服务器金属表面，影响外观。缺乏有效追溯系统，管理层难以定位问题时间和地点，增加了解决问题的难度，可能影响出货并造成损失。
导入 AI影像 辨识后：AI视觉 完整记录生产过程，无论是产品刮伤、撞凹，还是其他产线问题，管理者都能够借由影像追溯，迅速还原问题发生时的真实情形，大幅缩短溯源与解决时间，提升生产线的改进效率。
案例二：线平衡（以电子零组件制造厂为例）
痛点：管理人力生产线需要耗费工业工程师大量的时间，而且取得的资料不完整，疏漏了许多生产过程中的非增值作业，例如：该厂知道在某些特定时段，生产效率会较低落，也注意到了作业员离开工作岗位的情况，但由于缺少长时间的产线数据，没办法完整评估每个生产环节的效率和产能，无从着手改善人力与资源配置。
导入 AI影像 辨识后：24 小时 7 天自动化搜集与分析产线数据，周期时间 (Cycle Time)、制程时间 (Process Time) 与闲置时间 (Idle time) 皆能由 AI视觉 精准捕捉，产线上的每个动作或意外事件，都会被完整地记录下来，最终达成 5.2% 的 UPH 提升，和获得超过 5 倍的投资报酬率 ROI。
案例三：即时防错防呆（以电动车组装厂为例）
痛点：虽然组装产线已经导入许多制程追踪系统，但早期发现的保固问题仍然存在。主因是作业员不遵循 SOP 的情况依然会发生，但 MES 系统又无法在制程端追溯人员的组装过程。该系统其实只能分别判断两个作业员的操作步骤，无法整合分析整个协作过程。因此，当系统侦测到生产流程中的异常时，产线工程师难以迅速判断问题的真正原因是工具、料件还是操作流程。
导入 AI影像 辨识后：建立由 AI视觉 ＋MES ＋ AGV 构成的制程端防错防呆机制。当AI视觉 没有辨识的到作业员完成关键的作业动作，或 MES 没有收到制程参数，AGV 不会放行工站。制程端消除潜在的品质错误，最终达成早期保固问题降为 0 的目标。
运用 AI视觉软件 达成智慧工厂目标：HOP
全球科技发展速度飞快，自动化、数字化、人工智慧等技术已经成为引领产业发展的重要动力。企业都想在这片浪潮中，抢得先机。
PowerArena HOP 人因作业平台以 AI视觉 技术为核心，
协助制程质量管理优化、释放管理人力、达成智慧制造。
HOP 三大核心优势助攻您的数字化转型流程：
1. 透明产线，即时识别
AI视觉 即时检测生产线上的异常，快速识别出潜在的失效原因。
缩短侦错反应时间，降低生产风险。
2. 精确数据支持，减少错误
AI视觉 24/7 客观记录生产过程，提供完整的影像与客观数据分析。
将低主观偏误，应对策略更可靠。
3. 基础模型，快速部署
模型具备识别手部、人物、印刷电路板（PCB）等基本元素，免去冗长训练时间
四周快速导入，及早应对产线问题。
