產業技術評析

一、人工智慧強化電腦視覺技術

人工智慧(Artificial Intelligence, AI)指的是能夠讓電腦或機器表現出人類智慧的技術，意即將人類的思維模式透過電腦演算法來實現。AI的發展主要有三波轉折，在歷經了符號邏輯和專家系統的失敗後，終於藉由機器學習開始逐漸普及，而這主要是拜電腦運算能力及儲存空間的提升所賜，因為機器學習演算法需要仰賴大量的數據和資料，經由處理及分析來歸納出規則，近年來，隨著感測器、物聯網、巨量資料等資通訊技術的進步，AI也開始發展出實際的產業應用。

電腦視覺(Computer Vision)是AI發展最快的領域，顧名思義指的是能夠使電腦擁有視覺能力的技術，整合AI的電腦視覺系統包含有鏡頭、感測器、邊緣或雲端運算技術以及AI演算法，簡單來說就是要模擬人類的視覺系統，透過攝影機來模擬人類的雙眼，AI則是模擬人類的大腦及判斷思維，將鏡頭和感測器所取得的2D或3D影像傳送到運算平台及裝置後，再經由AI的演算法來進行辨識，可以被用於產品檢測、物件辨識及分類，或是環境及人員的監控等。

資料來源：工研院產科國際所 ITIS研究團隊(2021/06)

圖1　AI電腦視覺系統架構示意圖

傳統電腦視覺以圖像比對方式進行圖像辨識，錯誤率較高，或是以人眼判別可能會因為人為因素而導致錯誤的結果，而以電腦視覺結合AI取代人眼進行影像辨識則可以避免人為的判斷失誤，而且使用高解析度鏡頭能夠取得比人眼看到的還要更細微的影像，因此在產品品質檢測上能夠發現人眼看不見的瑕疵，相較之下使用AI電腦視覺進行影像辨識可以得到比人眼更精準的判斷結果。

二、人工智慧於製造領域之市場規模

根據市調機構MarketsandMarkets的報告指出，2019年全球製造領域AI(包含軟硬體及服務)之市場規模為12.5億美元，2020年為18.4億美元，年增率達47.2%，預估2026年全球製造領域AI之市場規模將成長到218.4億美元，2020至2026年之年複合成長率(CAGR)高達51.0%。

在技術層面上，製造領域中的AI技術包含有機器學習(包括深度學習、監督/非監督學習及增強式學習等)、電腦視覺、情境感知，以及自然語言處理，在這之中以電腦視覺預估未來最具有成長性。2019年全球電腦視覺之市場規模為2.9億美元，2020年為4.9億美元，年增率為68.9%，預估2026年全球電腦視覺市場規模將成長到68.6億美元，2020至2026年之年複合成長率(CAGR)為55.2%。

三、智慧工廠中的電腦視覺應用

(一)瑕疵與品質檢測

傳統的產品瑕疵檢測方式，也就是AOI(Automatic Optical Inspection)，主要是使用圖像比對的方式，此種方式產生的檢測結果通常錯誤率較高，而透過電腦視覺方式，經由AI進行瑕疵的判別可以大幅提升檢測的準確性。在檢測前，先蒐集大量的影像，註記影像的種類，並在瑕疵上進行標註，再放入演算法內進行模型的訓練，完成模型的訓練後便能夠放到產線上使用，針對產品進行瑕疵檢測，若將鏡頭搭配機械手臂則可以針對產品的各個角度進行檢測。電腦視覺的瑕疵檢測可以被應用於金屬瑕疵檢測、紡織布料花紋檢測、晶圓檢測、PCB檢測、3C產品外觀檢測等。

(二)物件識別與辨識

物件識別可以針對散落的物品或零件進行辨識，包含物件的類型、形狀、尺寸，還有擺放的角度、位置等，其中最簡單的應用為在產線產品生產製造的過程中計算產品的數量，如用於螺絲和螺帽生產時的計數，而較為困難的應用為使機器手臂隨機夾取不規則擺放或外觀不規則的物品。識別物件與夾取可以搭配無人搬運車(Automated Guided Vehicle)或自主移動機器人(Autonomous Mobile Robot)協助廠內的輸送工作，以及倉儲的揀料和出入庫工作，在產線上也可以協助上下料以及組裝工作。可以被運用於電子業、金屬業、汽車業、物流業等行業。

(三)員工狀態監控

員工監控主要是藉由視覺辨識來偵測工作人員的工作狀態，在作業期間人員是否有依照規範和標準作業程序從事工作，像是有無按照標準流程組裝產品，或是有無將物品擺放於正確的位置等，另外也可以檢測工作人員身上的安全裝備(如：安全帽、防護衣等)是否配戴齊全，搭配門禁系統或警示鈴對不符安全規範的工作人員進行管制或警告，或是偵測人員有因任何身體狀態產生異常的動作姿態。

(四)廠房安防監控

安防監控主要針對廠房及設備的部分，在廠房周邊部屬鏡頭可以防止外來人員或未授權車輛闖入，或是在廠內透過影像辨識畫出具有潛在危險的區域，像是在機械手臂或是其他機具的工作範圍邊設置虛擬的電子圍籬，當人員不慎進入時，可以即時發出警告聲響，並同時使機械手臂停止工作，藉此提升人員在工作環境中的安全性，降低意外發生的機率。使用電子圍籬還能釋放實體圍籬的空間，使廠房或產線的規劃上能夠更具有彈性，如此以來AGV或AMR便能夠不受圍籬限制，自由穿梭其中，提升機器人與設備之間的協同工作能力。

(五)老舊設備儀表辨識

針對老舊機台與設備的儀表數據，透過電腦視覺方式提取相關的機台數據及資訊，是一種能夠簡單安裝且低成本的方案。在工業物聯網時代，老舊機台與設備可能缺乏聯網能力而無法連上網路，或是缺少數據提取的功能，另外，也可能因為機台過於老舊，原供應商已經不存在無法更新軟硬體，或是供應商提供的更新報價過高，因此透過鏡頭擷取機台螢幕上的畫面，再經由電腦視覺辨識相關的參數及數據，便能取得老舊機台與設備的數據。

四、電腦視覺之未來應用發展

(一)未來製造業面臨少量多樣化之生產趨勢

未來製造業的生產線將會越來越頻繁的更換生產的產品線，或是在同一條生產線上同時會生產不同類型的產品，在產品品質的檢測上也需要有更彈性的方案，因此現階段常用的檢測方式，不論是人工檢查或是傳統AOI都已無法滿足未來的產線需求，所以未來使用AI電腦視覺取代傳統圖像比對來進行瑕疵檢測是必要的。另外，因應彈性化生產，可能會有新加入的產品或料件，因此在瑕疵的辨識上會需要對演算法進行重新訓練，因此未來採用電腦視覺時需部屬具有自我學習能力的深度學習演算法，傳統機器學習需要事先對資料進行特徵工程，接著再從中學習規則，而深度學習則是能夠自動定義特徵，並同時進行規則的學習，在應對彈性化變動的產線或產品時，不需要頻繁的更新演算法，因此能夠提升其檢測和辨識的應用效益。

(二)半導體先進製程對於檢測技術之需求

在半導體業，晶圓針對外觀狀況進行檢測，可以提升晶圓的良率，傳統上是以人眼對晶圓的外觀進行檢查，在製程進入奈米世代後檢測的要求也隨之提高，AOI結合電腦視覺與AI可以改善檢測的準確性，而先進製程方面，隨著晶片製程進入3奈米，製程持續微縮的難度提升，晶片的效能、耗能、尺寸是未來高階製程應用如高效能運算(HPC)、車用、物聯網(IoT)等，需要面對的挑戰，需在晶片縮小的同時維持高效能的運作，帶動晶片整合及先進封裝技術，未來晶片將朝多層堆疊的趨勢發展，3D封裝成為未來先進製程的布局重點。隨著半導體先進製程的演進，在先進封裝技術的發展下，相關的檢測需求會將帶動AOI技術朝向更精密的檢測方向發展。

(三)邊緣運算架構減緩雲端架構之運算負荷

在工業4.0趨勢下，製造企業在工廠內導入大量的工業感測器、物聯網等資通訊技術，產生了大量的設備與機台資料，在傳統雲端運算架構下，資料會傳送至雲端進行運算分析後，再回傳至現場，這種方式耗費傳輸的頻寬，在控制及處理上也缺乏即時性，因此機器視覺應用會朝向智慧邊緣解決方案發展，不論是針對產品或物品的視覺辨識，或是針對人員、環境或機台狀況的影像監控，AI移往邊緣裝置進行運算，可以在事件發生時，對於具時效性或急迫性的問題，聯結周邊的設備或系統並進行即時性的控制和反應。

五、結語

影像辨識結合AI與電腦視覺取代人眼可以提升辨識的正確性與效率，在智慧工廠的應用包含瑕疵與品質檢測、物件偵測與辨識、員工狀態監控、廠房安防監控，以及老舊設備儀表辨識。隨著AI深度學習技術的進步與發展，藉由類神經網絡演算法進行模型的訓練，可以自動完成特徵工程，相較於傳統AOI進行影像比對或需由人工標記瑕疵的傳統機器學習，應用深度學習技術的電腦視覺在影像辨識上更具應用的範圍及彈性。在工業4.0及智慧製造的趨勢下，未來會有越來越多的數據產生，也對於傳統雲端運算架構造成負擔，因此也帶動邊緣運算的發展，藉由AI晶片或邊緣運算裝置，使影像得以在邊緣端進行辨識。

隨著5G技術的發展，具有低延遲和廣聯結的特性，未來結合AI的視覺辨識系統，可以整合更多的感測器、物聯網、機器設備、機器人、廠房控制系統等，當檢測發現瑕疵可以即時進行製程的調整，或是當異常發生時，系統可以即時進行反應及控制，實現AIoT。

(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)