By Sursha Wu
AI 影像辨識技術是什麼？
AI 影像辨識是一種利用人工智慧（AI）來分析、處理和解釋影像資料的技術。核心目的是讓電腦能夠「看見」並「理解」影像內容，就像人類能夠辨識物體、人物、場景一樣。
這項技術仰賴深度學習（Deep Learning）中的卷積神經網絡（Convolutional Neural Networks, CNNs）來進行影像資料處理和識別。
CNN 的運作方式是使用卷積層來提取圖像中的重要特徵。每一層的卷積操作都會聚焦於圖像中的某些區域，並將這些區域的特徵進行數學運算，這些特徵會進一步被處理，直到最終生成圖像的分類結果。
在機器學習中，「分類器」的作用是將數據點歸類到不同的類別。例如，圖像分類器會識別圖像中的物體並標註其類別（如鳥或飛機）。卷積神經網絡（CNN）是一種分類器，專門用來解決這類問題。
Reference: CNN Explainer
透過每一「層」的計算單元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。Source: CNN Explainer
隨著技術進步，AI 視覺的準確度和應用場景也持續擴展。
常見的應用場域
- 自駕車技術
在自駕車領域，AI 影像辨識技術被用來識別路面上的物體，如：行人、其他車輛、交通標誌等，協助車輛進行導航和避障。這些技術能夠實時分析並理解周圍環境，確保行車安全，並最終實現全自動駕駛。 - 醫療影像診斷
在醫療領域，AI 影像辨識技術被用來分析醫學影像，如：X 光片、CT 掃描、MRI 影像等，幫助醫生檢測疾病，並提高了診斷的準確性。 - 製造業
- 安全防護
在工廠中，AI 視覺可用於維護工作環境的安全，識別異常行為或潛在的危險，保障員工的安全。例如，檢測是否有工人未佩戴安全帽，或是員工是否誤入機械手臂運作區域。 - 智慧工廠管理
AI 視覺專注於製程影像的自動搜集與、分析，能夠大幅度協助管理人員追蹤生產情況，做到 24/7 對生產過程的全面管理。
以下爲 PowerArena 的合作夥伴 ── Compal 仁寶電腦 ，在產線中導入 PowerArena AI 視覺，自動分析工站的週期時間（Cycle Time），與作業流程。將產線上蒐集到的影像轉化爲數字化、可視化的生產報告。
對於管理層而言，產線狀況一目瞭然。同時，也能透過影像回放，查看異常生產的影像。
Compal 仁寶電腦在產線中導入 PowerArena AI 視覺。
AI 影像辨識技術用途說明
專注於製造業中『人』和『法』：AI 視覺的進階應用
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
閱讀完整場域故事。為什麼工廠需要 AI 視覺加入工廠管理？
超過 72% 的工廠任務仍由人工完成。機器人未完全取代工廠中的所有工作。
Source: Kearney
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。
Source: AI 視覺驅動 100% 生產可視化
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 影像辨識技術案例分享
案例一：數位工站（以伺服器製造大廠為例）
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 視覺後：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：AI 線平衡（以電子零組件製造廠為例）
工廠導入 HOP 之後，產線最終達成達成 5.2% 的 UPH（單位小時產能） 提升。
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 視覺後：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：AI 防錯防呆（以電動車組裝廠為例）
觀看案例訪談：AI 視覺完成智慧工廠部署。
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 視覺後：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。
Table of Contents
