By Sursha Wu
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 电脑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 视觉是什么？
AI 视觉（ai vision）是为了让电脑能模仿人类，能够『看见、判断、解读』影像数据。因此，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。
标注范例
运用 AI 视觉的案例
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『影像』中提取和输出所需的生产洞察。
技术原理与组成
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。
数据量对算法表现影响
深度学习是一种模仿人类大脑神经网络结构的技术，通过多层次计算单元（通常称为「层」）来分析和处理复杂数据。每一「层」的神经元都能从前一层获得的信息中提取特征，并将这些特征进一步传递至下一层。
这种「多层」学习方式使得深度学习能够有效处理相对复杂和大规模的数据。
神经网络结构（深度学习）
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。
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，也无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、达成智能制造。
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。
Table of Contents
