產業技術評析

一、影像辨識於機器視覺所扮演的角色
 

機器視覺為一套完整系統，由幾個技術環節以及所對應的零組件所組合而成，各個環節皆會對最後所呈現出來的效果有所影響，如：精確度、即時性、功率消耗、功能是否齊全以及是否對應用場域造成侷限性等，而等同於或者接近於人類的視覺系統為其終極的發展目標。影像辨識於機器視覺系統當中主要包含二個技術項目：1) Image Processing：當光訊號轉換成0/1數位資料後，由於某些因素所造成的失真（例：光線控制不佳、對焦不理想等），將得影像資料參差不齊，再加上資料當中通常有很大的比重屬於非感興趣的範圍（Region of Interest），因此在進入到下一步影像分析前需要進行適當處理，讓最終的資料是有效的，以舉除了能提升最終的辨識效率外，亦可增加精確度；2) Image Analysis：影像資料經過適當模組化處理後，最終即可根據應用的需求進行比對或辨識，此階段與應用場景具有高度的關聯性，而具有強大影像運算能力的晶片為此環節的關鍵零組件。
 

資料來源：IEK Consulting, ITIS研究團隊(2018/11)。
圖1 機器視覺系統發展概念
 

二、人工智慧於影像辨識之熱門應用
 

人工智慧技術的進展，使得各個領域皆蔓延一股智慧風潮，透過機器自動化來幫助人們完成的任務項目亦愈來愈多，由於影像所夾帶的資訊含量多且複雜性高，被認為是人工智慧應用的熱門領域。從技術投入的熱絡度來觀察，根據分析，若以2008年至2017近十年所發表之專利家族數量為母體，有47%的影像分析專利發表於近三年，此數據顯示影像分析的技術投入於近年有增加的趨勢；而以相同的計算方式來統計與影像分析相關之人工智慧或者機器學習技術，近三年所發表的比重則高達70%。進一步從影像辨識所要解決的問題屬性來歸納，則可區分成：圖像檢查（如：缺陷檢測，工業與生物醫學為主要的應用）、圖像分割或邊緣偵測、動態分析、位置或方向分析、景深分析、攝影機校正、影像對齊、幾何屬性分析（如：面積、對稱性等）、顏色特徵分析、材質檢測等十個主要項目，其中圖像檢查、圖像分割或邊緣偵測、動態分析為近三年人工智慧重點發展的前三名，比重分別為56%、27%和15%。
 

資料來源：IEK Consulting, ITIS研究團隊(2018/11)。
圖2 近三年AI人工智慧於影像辨識應用之重點發展項目
 

三、影像辨識之應用載具發展
 

影像辨識為熱門的技術項目並廣泛的應用於Mobile、Automotive、Smart City、Smart Home、Consumer、Computing、Industrial、Medical等各項終端產品上，其中Mobile為現階段最主要亦是最貼近日常生活的應用。舉例來說：Google 於2017年開發者大會上發表 google lens，利用人工智慧辨認鏡頭所拍攝到的物件並第一時間提供資訊，同時此功能將支援 38 種英文互譯的語言，此項服務亦於2018年擴大開放給其他非Pixel手機之Android 裝置使用，而Google專為移動設備所開發的計算機視覺神經網路MobileNet則是能提供此項服務的關鍵核心技術，該公司並於2018年4月所發表的MobileNetV2第二代更新版本，在相同的精確度下，運算速度可提升30~40%。
 

四、結論：人工智慧將加速影像辨識應用與系統規格的發展
 

藉由智慧化影像辨識技術的協助來對特定人事物進行自動辨識為近幾年機器視覺系統的重點發展方向，隨著各項技術環節的突破，預期未來將會有更多不同應用導入機器視覺並進一步推升相關零組件的需求，其中與自主化移動相關之無人載具，如：無人機、自駕車、物流機器人等，將大量仰賴視覺影像來輔助決策的判斷，由於會面臨到的周圍環境相對複雜，預期將成為人工智慧於影像辨識上快速發展的應用領域。除此之外，人工智慧應用於影像辨識將導致運算量大幅增加並進一步推升對影像處理晶片規格的要求，而廣大的市場需求將促使國際大廠持續投入更多資源發展性能更強大的產品，例如：Google專為人工智慧所打造的晶片TPU（Tensor Processing Unit）、NVIDIA則以GPU為核心、而Intel則是採用GPU+FPGA+ASIC的混合性架構，僅管廠商產品發展的思維路徑不同，但打造更適合未來應用之人工智慧影像處理系統為共同的目標。總結以上，人工智慧的興起將同時拓展影像辨識的應用並且推升產品系統規格的演進。
 

(本文作者為工研院產科國際所執行產業技術基磐研究與知識服務計畫產業分析師)