AI（人工智慧）在2016年底重新啟動後，迅速成為各產業焦點，拜網際網路蓬勃與半導體技術精進所賜，這波AI發展已快速落地應用，而在各項應用中，影像識別又是比例最高者。在製造業中，影像技術在生產與廠務兩端都有所應用，生產端主要為機器視覺，作為產品檢測之用，廠務端則是電腦視覺，用於工安、環境的偵測，而AI目前在這兩部分都已有成功應用。

圖1 : 在製造業中，影像技術在生產與廠務兩端都有所應用，生產端主要為機器視覺，作為產品檢測之用，廠務端則是電腦視覺，用於工安、環境的偵測。（source：Phase 1 Technology）

全球市場競爭日益激烈，製造業者所面臨的壓力越來越大，AI在視覺系統的應用成效明確，所產生的效益也可量化計算，再加上影像是目前較容易取得的數據資料，因此投入開發者眾，市場可選擇的解決方案數量也比其他應用多，在供需兩端的態度均為積極的態勢下，市場迅速成長。

不過對製造業來說，AI畢竟是全新技術，在製造現場實際應用時，仍需克服大量問題，對此目前設備供應商與系統整合商都展開不同的作法，凌華科技智能工廠事業中心市場開發經理楊家瑋就指出，如何選擇適用的AI架構與系統整合商，將是目前製造業者導入機器視覺的首要挑戰。

降低導入難度 強化AI效益

圖2 : 凌華科技智能工廠事業中心市場開發經理楊家瑋指出，選擇適用的AI架構與系統整合商，將是目前製造業者導入機器視覺的首要挑戰。（攝影／王明德）

楊家瑋以凌華為例，凌華以自動化設備資料採擷起家，在此一領域已有多年經驗，近年來AI興起，凌華也開始強化此領域的布局，除了持續推出新產品外，也積極建立產業生態圈，結合不同領域的系統整合商，提供完整解決方案。

作為產品檢測主力設備，機器視覺在生產線的重要性極高，要置換新設備或新系統，都必須考量到導入時間與成本，因此凌華近期以熱插拔（Plug & Play）的作法，降低導入時的困難度與複雜度，同時減少新舊系統交替時的成本支出。

首先是生產設備的熱插拔，其次是AI平台的熱插拔，第三是推論模式的熱插拔，這三大作法解決了製造商的幾個問題，首先是尚未擁有AI模型的製造系統，可藉此快速建立，其次是透過效能夠強的推論模型，修正訓練模型所完成的模式，在現場使用時的不足，最後則是強化與其他系統的整合。

在生產設備的熱插拔部分，楊家瑋指出可以在機器視覺原有的影像擷取卡中加入運算處理功能，透過邊際運算的設計，大幅減少現場設備的體積，而且在GPU與CPU廠商的技術推動下，現在處理器的運算能力大幅提升，可以單一處理器運算4～8個通道的視覺系統，釋放出設備中原有的插槽空間，讓設備做更有彈性的應用。

在推論端，凌華科技在近期推出DataRiver中介軟體，並將各種應用模組化，使用者可透過DataRiver取用所需的功能模組，其中就包含取像的熱插拔，快速導入至製程系統中，而除了功能導入外，使用者也可經由DataRiver將機器視覺的影像顯示於他處，讓系統更具彈性。

另外AWS與Microsoft的公有雲，現在都提供了深度學習的服務，為使製造業者善加利用這些資源，凌華科技設計出各種應用機制，讓製造業者在使用上述公有雲，乃至於其他系統廠商所推出的AI功能時，可快速建構出符合自身需求的機器視覺系統。

因應現場特色　調整AI架構

圖3 : AI在製造業的應用中，機器視覺是目前導入速度最快的領域。（攝影／王明德）

雖然在不同環節都有對應的方式，不過這些作法彙整到工廠時，仍須因應現場環境而有所調整，尤其是部分難以取得數據的製造業更需如此。楊家瑋指出，製造業目前仍有像是LCD玻璃基板的刮痕之類的產品瑕疵，現有的機器視覺難以檢測，因此現在有廠商希望透過AI的深度學習解決此一問題。

不過，現在有幾個難點，首先是資料難以取得，在製程成熟的製造業中，產線良率都已相當高，在不良品數量偏低的狀況下，AI難以採擷到足以建立訓練模式的分析數據。

對此，凌華科技採用反向學習法，將數據採樣方向由不良品轉為良品，透過大量的合格產品樣本，建立起「正確樣貌」的數據庫，在訓練模式中，只要不合於正確樣貌的產品，都會被歸類於不良品，楊家瑋指出，在實際應用中，這種作法雖仍會有漏網之魚，不過相較於現有檢測方式，其檢出率已大有改善，是目前AI機器視覺在產線應用中最實際的作法。

再就機器視覺的產業構成來看，目前主要的系統整合商會包括AOI、AI與IT等三大族群，這三大族群各從不同角度出發，所擅長的AI技術也不同，楊家瑋指出，由於AI沒有通用模型，每一類型需求都需要對應不同的AI模型，而每家系統整合廠商所擅長的AI也不盡相同，因此在導入過程中，廠商必須與不同的系統整合廠商合作，才能打造出最佳化系統，凌華目前與這三種類型的系統整合廠商均有合作，建構出完整的產業生態圈。

電腦視覺確保勞工安全

AI機器視覺在產線的應用已越來越深，不過另一種視覺技術在工廠的應用，不但不遑多讓，而且應用的廣度更大，也就是電腦視覺。在製造領域，電腦視覺主要應用於廠務端，像是工安、環境監測等。電腦視覺的系統架構與機器視覺不同，主要是透過安全監控攝影機與智慧軟體的整合，達到各種智慧化功能。

這類型架構在安全監控領域早有應用，也就是IVS（Intelligence Video Surveillance System；智慧型影像監控），IVS透過軟體偵測特定區域的人事物，可將處理時間由事後提前至事發，甚至是事前，達到「大事化小、小事化無」的目標。而AI技術的導入，則再次強化了電腦視覺的智慧化功能。

透過AI技術，電腦視覺在廠務系統的應用更多元且更具智慧化，楊家瑋以工安為例，現在已可將生產現場作業人員的標準工序、穿著、機台操作方式建置於系統內，並由前端攝影機負責監控，一旦有非標準穿著人員進入，或是激態操作方式不正確，系統就會發出警告，要求相關人員改善，而且在工廠動線中不同處就有各自的監控目標，像是特定區域的入口處會偵測服裝穿著、機台前會偵測操作方式等，透過層層的環節把關，打造出最安全的工作環境，也讓AI的應用價值再次提升。