最新消息

作者：唐翌鈞/工研院

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。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。

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，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。

(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。

(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。

(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，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，藉此提升工作環境安全性。

(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。

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。

(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。

(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，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。