許多工廠都希望借助機器視覺技術來提升營運效率。機器視覺結合機器學習，更適合應用於產線的異常檢測。管理者透過機器視覺，來提升瑕疵檢測的速度和準確性。

機器視覺是指透過鏡頭和感測器來捕捉影像，接著將它們發送到工業計算機來進行處理和分析。其應用範圍可以從簡單的環境感知應用程序，例如工廠生產線的定位、檢查、測量、識別和分類，到更智能化的視覺引導自動化應用程序。廣泛應用於自動檢測系統和機器人的人工智能機器視覺，也適用於安防監控和車輛導航領域。

機器視覺應用擴大

機器視覺是一種透過影像處理的方式，來實現自動檢測和分析的技術，整個技術含量包括了自動檢測、過程控制和機器人引導等。重要的是，機器視覺可以指向許多不同的技術、軟體和硬體產品、系統整合、動作、方法和專業知識。

我們可以說，機器視覺是一種技術能力，因為它以新的方式來結合現有技術，並應用它來解決現實世界的問題。我們也可以說，機器視覺是一門系統工程，並且這與電腦視覺的概念並不相同，電腦視覺是一種運算科學，而不是透過有形的硬體（例如連接到機器人的相機或視覺盒）來完成。

圖1 : 許多工廠都希望借助機器視覺技術來提升營運效率。機器視覺結合機器學習，更適合應用於產線的異常檢測。(source：xyntekinc.com）

在機器視覺系統中，電腦為整體提供了智能。少了電腦的智能，機器視覺就無法運作，因為電腦是處理訊息的大腦。需要注意的是，隨著電腦運算技術的進步，機器視覺潛在應用的可能性也隨之增加。例如電腦可以處理非照片或視訊的影像，而是來自熱感應器或紅外線感應器、運動感測器等其他來源的影像。

近年來，機器視覺在工業自動化環境中越來越受歡迎，同時也越來越頻繁地應用於其他產業的端到端系統中，例如安全、自動駕駛汽車、食品生產、包裝和物流等，同時也被大量運用於機器人和無人機中。機器視覺還可以進一步與深度學習和機器學習等技術相互結合，以協助企業更有效率地分析數據，並優化流程以提高效率。

結合人工智能

目前許多企業每天都會在地端產生大量資料，並將其儲存在雲端，同時思考如何變革所有的流程。為了更好地挖掘資料潛力，推動更快、更明智的決策，製造業、能源、採礦業、運輸業和農業領域的企業正利用新型機器技術來優化多種工作負載，包括工程和設計、生產和資產優化、供應鏈管理、預測、品質控管、智慧產品和機器等。雖然機器視覺本身就已經具備基礎的數據分析能力。但若能再加入AI或者機器學習的能量，將有助於進一步讓數據成為更有價值的營運決策。

先來看看企業如何透過AI機器學習來變革工業生產的流程。AWS亞馬遜機器學習副總裁Swami Sivasubramanian指出，對設備的預測性維護就是最大的應用重心。目前，持續性的維護設備，是很多工業和製造企業面臨的一大挑戰。就過去的經驗來看，大多數的設備維護可以分為被動型（也就是在機器發生故障後才進行維修），以及預防型（透過定期的檢測以預先避免故障）。只不過這兩者的成本都非常高昂，且效率也不高。其實最佳的解決方案是預測型維護，企業可以提前預測設備需要維護的時間，只不過大部分企業都缺乏相關人員和專業知識來開發這樣的解決方案。

奇異（GE）是在發電設備的解決方案與服務供應商，他們已經可以實現對設備的預測型維護。然而他們並不需要花費高額的成本，本身也無需具備機器學習或雲端相關的技術，只需借助使用感測器和機器學習技術的端到端系統，來檢測機器振動或溫度的異常波動，從而收到警報，就可以進行預測型維護。

透過這樣的技術，可以支援奇異這樣的企業，利用感測器來實現資訊的快速更新。透過採用雲端即時分析，可以將定期的維護操作轉變為預測性和規範性維護。機器學習最大的優點在於，隨著系統規模的不斷擴大，奇異可以對感測器進行遠端更新和維護，而無需實際接觸這些元件。

提升營運效率

機器視覺結合機器學習，當然也很適合應用於工廠產線的異常檢測上。事實上，保證產品品質與確保設備正常運轉同等重要。然而傳統生產製程的目視檢查通常透過需要人力來執行，不僅過程乏味，更不能確保其一致性。為了提升品質控管，工廠管理者都希望採用機器視覺技術，來提升瑕疵檢測的速度和準確性。但企業在建構、部署和管理使用機器學習技術的視覺檢測系統時，仍會面臨很多複雜挑戰。而現在，工廠已經可以使用低成本與高準確度的異常檢測解決方案，每小時處理數千張圖像，進而發現瑕疵和異常，以便管理人員採取進一步的行動。

當然許多工廠和製造企業都希望借助機器視覺技術來提升營運效率。在一般的情況下，企業會透過視訊來對工廠進行現場的人工監測和審核，以驗證設施進出權限、檢查出貨、檢測洩漏或其他危險情況等。但在實際情況中，這項工作不僅困難，還非常容易出錯，並且成本高昂。

圖2 : 機器視覺大量應用於產線的自動檢測和分析。（source：matrox.com）

當然，企業可以將現有的IP攝影機升級為智慧攝影機，以便擁有更好的運算能力來執行電腦視覺模型。但這依然價格高昂，而且也會存在問題，即使採用了智慧型攝影機，也未必可以達到高準確度和低延遲要求。事實上，企業可以透過使用硬體設備將機器視覺技術應用到現有的本地攝影機中，甚至可以使用軟體開發套件來建置新的攝影機，從而在邊緣端就能執行機器視覺模型，以取得更高的生產效率。

例如英國石油公司（BP）就計畫在全球18,000個服務站部署機器視覺系統，用於自動控制燃料車進出設施，並確認有效訂單的完成情況。而如果有碰撞危險，也可以透過機器視覺來提醒工人，並識別動態隔離區內的異物，以及檢測漏油情況。

結語

終端使用者都希望能創建更加自動化與靈活的工作流程。而機器視覺其實就是一種最基本的人工智能形式，在現今的機器人應用中異軍突起。我們可以發現到，機器視覺領域有其成熟的一面，也有新興的一面。例如，機器人的機器視覺採用的是按部就班的演算規則，例如模式匹配、光學識別和其他工具，在幾十年來的發展中，這些演算法一直推進著機器人來完成工廠中基本（卻又相對複雜）的快速取放和檢查等不同任務。而另一方面，機器視覺又搭配了最新的機器學習和深度學習技術，這些技術使得工廠能夠完成比過去更為艱困的任務，舉例來說，像是木紋的異常檢測。

值得注意的是，成熟的、有基礎規則的機器視覺方案，是最受到歡迎的。在幾乎所有使用機器視覺的設備中，都可以發現它的蹤跡。因為這樣的機器視覺方案最易於使用，且可靠度最高。相較之下，具備機器學習和深度學習能力的機器視覺機器人，對工廠來說則是新鮮事。