AI視覺 原理、核心技術解析，利用 AI視覺軟體 實現智慧製造
大綱
前言
在智慧製造的浪潮下，透過 AI 技術來提升競爭力，是多數企業的目標。
我們認為，唯有能為公司營運帶來實質改善，進而協助提升市場表現的 AI 技術，才是企業應該採用的解決方案。
全球 AI電腦視覺 市場規模預計將從 2024 年的 341 億美元增長到 2028 年的 937.3 億美元，年均增長率（CAGR）約達 28.8%。
市場規模報告揭露了一個重要的訊息：企業對 AI視覺技術（ai vision）具備信心，並持續投入資金，進而帶動市場發展。
AI視覺（ai vision）技術能夠如此快速成長，主要原因在於：已在實際應用中證明了效益。
本文將介紹 AI視覺（ai vision）的原理與技術，以及常見的應用，以及它在製造業場域管理的優勢，並解釋導入 AI影像辨識，對智慧工廠發展的重要性。
AI視覺 原理：讓電腦『看見、判斷、解讀』影像數據
AI影像辨識原理（ai vision）是為了讓電腦能模仿人類，我們需要提供大量的影像資料來訓練 AI 模型。
而影像資料需要經過標注才能訓練。
例如: 下方照片中，01. 的標注是「貓」， 02. 標注是「狗」，當標注量夠大時，就能用來訓練AI。經過足夠訓練後，辨識的準確性會漸漸提升，最終電腦就會達成和人類一樣的解讀能力，辨識出一張未被標注過的圖是貓還是狗。
舉例而言，在一條生產線上，要確認螺絲起子被擺放在正確的位置。過去是人工肉眼判斷。現在要讓 AI 協助我們，我們需要提供大量螺絲起子擺放的影像，來訓練 AI 模型，讓他理解，怎麼樣的影像表示螺絲起子在正確的位置。經過足夠的訓練，當螺絲起子被放錯位置時，視覺辨識 就能快速『判斷』異常。
另一個例子是，過去工廠管理仰賴人工巡檢和人工回放影像。管理人員要親自看著這些生產過程，確保人員不會做錯。但還是可能漏抓錯誤。當錯誤發生時，管理人員就要回放生產影像，重看每一分每一秒，試著找到有問題的工站，再根據經驗來分析問題。但這樣的方式效率很差，也依賴個別管理人員的經驗，容易因主觀判斷而忽視潛在問題。
現在，工廠只要在生產線上安裝攝影機，讓電腦能夠『看見』生產過程。受過足夠訓練的 AI 模型，就像管理人員一樣，具備足夠的製程知識，能夠『判斷』作業員是否拿取正確的工件的樣式、擺放在正確位置、執行標準的作業流程等等。所以，當電腦『判斷』異常發生時，就能快速根據具備的資訊『解讀』異常發生的原因。
AI視覺辨識 的導入，能大幅度節省製程管理人員的時間與精力，用更有效率的方式從『影像』提取與產出人們所需要製程洞察。
AI視覺 的核心技術： Deep Learning 深度學習
對於大多數學習演算法，隨著數據資料的增加，性能表現會提升，但常會在到達一個階段後，表現會趨於平緩，沒辦法繼續有效利用新數據來增強模型的準確度。
深度學習是解決這個瓶頸的一種技術。
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視覺 應用場域
在製造業中，AI應用領域 非常廣泛，以下是幾個主要的 AI影像辨識應用 範圍：
- 安全性維護
透過 AI視覺（vision ai） 檢查工人是否正確佩戴個人防護設備，例如：頭盔或安全手套，若未遵守規定，則會觸發示警，保障員工的安全。或是在人機協作的場域中，利用 AI視覺 架設電子圍籬，避免作業員因不熟悉機器手臂擺盪動作，而產生公安疑慮。
- 瑕疵品檢測
傳統的 AOI 自動光學檢測 技術雖然在工業領域廣泛使用，但常發生錯殺率過高的情況。但透過 AI視覺 （vision ai）導入，模型對於 視覺辨識 更靈活，能學習更多產品特徵，對影像進行更深層次的理解，避免因光線、角度、或其他非本質原因造成的誤判。
- 人力產線管理
不同於機器生產，可以透過物聯網系統精準管理生產狀況，『人』在產線上的作業時間、作業行為很難被記錄與追蹤。例如：有些作業員在表定休息時間前的 15-20 分鐘離開了崗位，作業效率因此在接近休息時間時慢了下來。
導入 AI視覺（ai vision），透過『影像』的紀錄與辨識，可以有效追蹤複雜的生產狀況。
專注於製造業中『人』和『法』：AI視覺 技術的進階應用
4M1E，Men（人）、Machine（機，機械設備）、Material（料，物料）、Method（法，作業方法）、Environment（環，環境）是製造業現場管理五大重點要素。
而 AI視覺（ai vision）能夠進一步消除『人』和『法』這兩個面向所產生的錯誤。
Men 人
超過 72% 的工廠任務仍由人工完成。機器人尚未完全取代我們的工廠中的所有工作。
在勞力密集的產線上，以影像為管理基礎的 AI視覺辨識 應用，能夠建構最有效的管理機制。例如：在依賴人工作業的生產線上，作業員動作的不確定性高。疏忽、身體狀態、操作熟悉程度等，都可能影響最終產品的品質。
為了消弭這些潛在錯誤，往往產線工程師或管理工班，需要耗費大量的時間和成本，進行數據搜集與分析。
導入 AI視覺（ai vision） 能夠有效追蹤產線上人員的關鍵作業行為，執行全時段生產觀測。
除了能大幅度減少管理人員的負擔，亦能提供產線完整的生產履歷，成為決策時的重要依據
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。
為了優化產線生產效率，工業工程師需要完整了解產線。『數據』是幫助管理人員，最快與最有效熟悉產線問題的來源。
然而，現在多數的產線數據搜集仍仰賴人工紀錄，工業工程師站在工站旁用碼表計時，再由紙筆抄寫。
以人工紀錄的方式，缺乏效率且易包含主觀偏差。
AI視覺 全時段搜集產線數據，同時快速根源分析，協助工業工程師快速判別生產瓶頸，消除管理盲區，加速作業方法優化。
AI視覺 應用的核心優勢：不可取代
全時段生產過程追蹤
過去，製程的追蹤仰賴產線工班實地觀察，人工找出產線低品質低效率的肇因。常見的情況是，在品管端，先發現不合格品，才回到製程端追蹤不良品的來源。不僅是沒有效率的管理方式，還有可能遺漏有的製程問題。
所以，AI視覺（ai vision） 能夠 24 小時 7 天，全時段紀錄與分析產線的優勢，為製程端與品管端提供有效的解決方案。
一個曾發生過的案例是，在一個生產高價伺服器的工廠中，品質報告顯示，產品外觀刮傷或凹陷的狀況時常發生。但管理人員對瑕疵產生的原因一頭霧水。
透過 AI視覺 的影像回溯才發現，瑕疵來自工人拿取螺絲起子掉落，而刮傷成品。
像這類型人為疏失導致的製程錯誤，只能透過『影像的紀錄』作為證據。現行的其他管理系統皆無法取得，也無法追蹤這類型關鍵的資訊。
協作動作分析
現今，大多數的工廠都已串接物聯網系統，協助製程品管。但實際上，這些系統不能掌握全部的數據，許多關鍵的生產站點只能透過『影像』追蹤，特別是『人』的作業過程。
曾經發生的案例是，在一條電動機車的組裝產線上，一機雙人的工站由作業員協同完成組裝工作。儘管導入了 MES 系統，該系統分別判斷兩個作業員的操作步驟，不是分析整個協作過程。當系統偵測到生產流程中的異常時，產線工程師難以迅速判斷肇因。
AI視覺辨識 以『影像』為基礎的特點，成為了唯一的解方。
AI視覺 （ai vision）能夠紀錄與分析工站上，兩位作業員協作的的過程，追蹤動作是否有按照 SOP 進行。當異常發生時，管理人員很輕易就可以從儀表板上看到導致低品質效率的原因是工具、料件還是操作流程。節省許多溯源的時間。這是現行製程追蹤工具都無法做到的事情。
除了作業員的互動，當涉及人機協作的工作流程時，AI視覺 一樣能夠有效追蹤，確保作業流程順暢。
運用 AI影像辨識應用 改善生產線的成功案例
案例一：數位工站（以伺服器製造廠為例）
痛點：作業員在使用工具（如：螺絲起子）時，常不小心刮傷伺服器金屬表面，影響外觀。缺乏有效追溯系統，管理層難以定位問題時間和地點，增加了解決問題的難度，可能影響出貨並造成損失。
導入 AI影像 辨識後：AI視覺 完整紀錄生產過程，無論是產品刮傷、撞凹，還是其他產線問題，管理者都能夠藉由影像回溯，迅速還原問題發生時的真實情形，大幅縮短溯源與解決時間，提升生產線的改進效率。
案例二：線平衡（以電子零組件製造廠為例）
痛點：管理人力生產線需要耗費工業工程師大量的時間，而且取得的資料不完整，疏漏了許多生產過程中的非增值作業，例如：該廠知道在某些特定時段，生產效率會較低落，也注意到了作業員離開工作崗位的情況，但由於缺少長時間的產線數據，沒辦法完整評估每個生產環節的效率和產能，無從著手改善人力與資源配置
導入 AI影像 辨識後：4 小時 7 天自動化搜集與分析產線數據，週期時間 (Cycle Time)、製程時間 (Process Time) 與閒置時間 (Idle time) 皆能由 AI影像辨識 精準捕捉，產線上的每個動作或意外事件，都會被完整地記錄下來，最終達成 5.2% 的 UPH 提升，和獲得超過 5 倍的投資報酬率 ROI。
案例三：即時防錯防呆（以電動車組裝廠為例）
痛點：雖然組裝產線已經導入許多製程追蹤系統，但早期發現的保固問題仍然存在。主因是作業員不遵循 SOP 的情況依然會發生，但 MES 系統又無法在製程端追溯人員的組裝過程。該系統其實只能分別判斷兩個作業員的操作步驟，無法整合分析整個協作過程。因此，當系統偵測到生產流程中的異常時，產線工程師難以迅速判斷問題的真正原因是工具、料件還是操作流程。
導入 AI影像 辨識後：建立由 AI視覺 ＋MES ＋ AGV 構成的製程端防錯防呆機制。當 視覺系統 沒有辨識的到作業員完成關鍵的作業動作，或 MES 沒有收到製程參數，AGV 不會放行工站。製程端消除潛在的品質錯誤，最終達成早期保固問題降為 0 的目標。
運用 AI視覺軟體 達成智慧工廠目標：HOP
全球科技發展速度飛快，自動化、數位化、人工智慧等技術已經成為引領產業發展的重要動力。企業都想在這片浪潮中，搶得先機。
PowerArena HOP 人因作業平台以 AI視覺 技術為核心，
協助製程品管優化、釋放管理人力、達成智慧製造。
HOP 三大核心優勢助攻您的數位轉型流程：
1. 透明產線，即時識別
AI視覺辨識 即時檢測生產線上的異常，快速識別出潛在的失效原因。
縮短偵錯反應時間，降低生產風險。
2. 精確數據支持，減少錯誤
AI視覺辨識 24/7 客觀記錄生產過程，提供完整的影像與客觀數據分析。
將低主觀偏誤，應對策略更可靠。
3. 基礎模型，快速部署
模型具備識別手部、人物、印刷電路板（PCB）等基本元素，免去冗長訓練時間
四週快速導入，及早應對產線問題。
