By Sursha Wu
AI 影像辨识技术是什么？
AI 是一种利用人工智慧（AI）来分析、处理和解释影像资料的技术。核心目的是让电脑能够「看见」并「理解」影像内容，就像人类能够辨识物体、人物、场景一样。这项技术仰赖深度学习（Deep Learning）中的卷积神经网络（Convolutional Neural Networks, CNNs）来进行影像资料处理和识别。
CNN 的运作方式是使用卷积层来提取图像中的重要特征。每一层的卷积操作都会聚焦于图像中的某些区域，并将这些区域的特征进行数学运算，这些特征会进一步被处理，直到最终生成图像的分类结果。
在机器学习中，「分类器」的作用是将数据点归类到不同的类别。例如，图像分类器会识别图像中的物体并标注其类别（如鸟或飞机）。卷积神经网络（CNN）是一种分类器，专门用来解决这类问题。
Reference: CNN Explainer
透过每一「层」的计算单元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资讯中提取特征，并将这些特征进一步传递至下一层。Socure: CNN Explainer
随着技术进步，AI 视觉的准确度和应用场景也持续扩展。
常见的应用场域
- 自驾车技术
在自驾车领域，AI 影像辨识技术被用来识别路面上的物体，如：行人、其他车辆、交通标志等，协助车辆进行导航和避障。这些技术能够实时分析并理解周围环境，确保行车安全，并最终实现全自动驾驶。 - 医疗影像诊断
在医疗领域，AI 影像辨识技术被用来分析医学影像，如：X 光片、CT 扫描、MRI 影像等，帮助医生检测疾病，并提高了诊断的准确性。 - 制造业
- 安全防护
在工厂中，AI 视觉可用于维护工作环境的安全，识别异常行为或潜在的危险，保障员工的安全。例如，检测是否有工人未佩戴安全帽，或是员工是否误入机械手臂运作区域。 - 智慧工厂管理
AI 视觉专注于制程影像的自动搜集与、分析，能够大幅度协助管理人员追踪生产情况，做到 24/7 对生产过程的全面管理。
以下为 PowerArena 的合作伙伴 ── Compal 仁宝电脑 ，在产线中导入 PowerArena AI 视觉，自动分析工站的周期时间（Cycle Time），与作业流程。将产线上搜集到的影像转化为数字化、可视化的生产报告。
对于管理层而言，产线状况一目了然。同时，也能透过影像回放，查看异常生产的影像。
下载完整成功案例：仁宝电脑运用 AI 视觉结合 LLM 管理产线。
Compal 仁宝电脑在产线中导入 PowerArena AI 视觉。
AI 影像辨识技术用途说明
专注于制造业中『人』和『法』：AI 视觉的进阶应用
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（ai vision）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。机器人未完全取代工厂中的所有工作。
Source: Kearney
在劳力密集的产线上，以影像为管理基础的 AI 视觉辨识应用，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。
为了消弭这些潜在错误，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（ai vision） 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
为一项产品进行时间研究，需耗费该厂的工业工程师约 24-48 小时。一个月仅能取得约莫 15 分钟的数据资料。
Source: AI 视觉驱动 100% 生产可视化
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。
以人工纪录的方式，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 影像辨识技术案例分享
案例一：数位工站（以伺服器制造大厂为例）
痛点：作业员在使用工具（如：螺丝起子）时，常不小心刮伤伺服器金属表面，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 视觉后：AI 视觉完整纪录生产过程，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回溯，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：AI 线平衡（以电子零组件制造厂为例）
工厂导入 HOP 之后，产线最终达成达成 5.2% 的 UPH（单位小时产能） 提升。
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 视觉后：4 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影像辨识 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：AI 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 视觉后：建立由 AI 视觉 ＋MES ＋ AGV 构成的制程端防错防呆机制。当 视觉系统 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。
Table of Contents
