衛星遙測影像雖然可以讓地面景物無所遁形，然真正要能落地應用至產業面，還需要耗費大量時間與人力。為有效解決客戶面臨巨量影像資料消化困難及消除跨領域用戶對衛星遙測影像處理的技術障礙等問題，興創知能研發「巨量遙測空間數據AI分析雲端服務平台」，作為智慧空間資訊跨域AI應用導入的新開端。 近年來，為了因應產業全球化衝擊，臺灣農業轉型持續走向科技化與精緻化，紛紛從微氣候衝擊、病蟲害防治等問題的解決，來提升農作物的產量與品質。為了精確掌握作物的生長環境、農業對於影像的使用，有了無限擴張的需求。 在早年UAV無人機尚未盛行的年代，人工田野調查是最基本、卻也最消耗人力的工作，有了UAV無人機的出現，航拍操作也許不太困難，但能拍的範圍受限，要精確地擷取空間資訊，還需要測量專業。此時，衛星遙測數據的使用可能就此跳脫過去使用影像資料的想像。 國家太空中心TASA資料倉儲服務 在近十年，現代衛星遙測應用技術的突破，數位地球成了全球資料採集的新趨勢、各國紛紛發展資料立方的影像倉儲技術，各國發展智慧農業成了最大的影像用戶之一，掌握作物的栽種分佈，就是掌握作物產量的第一步，有了免費的衛星遙測影像、強大的資料倉儲支援，以及團隊穩健的影像辨識技術，是加速農業轉型的重要支持。 運用衛星遙測影像數據 可加速智慧農業發展 然而，在過去，想透過衛星遙測影像來萃取大面積作物分布，也是困難重重，所需要花費的費用不說，若想使用免費的資訊，必須逛透國際太空機構的網站，在琳瑯滿目的衛星產品規格表中，審慎評估感測器規格、影像解析度以及再訪週期，找到適合的影像後，還得一幅一幅的看，去蕪存菁，接下來，動輒數百MegabyteMB的影像資料、連續幾十張的影像下載存檔，所用的電腦容量恐不堪負荷。 還有，當克服影像存取、備好資料後，接著必須開始確認下載的影像產品，哪些才是想要的波段，因為眼前看到的影像並不只是一個圖檔jpg或png，複雜的多光譜資訊、屬性欄位和座標資訊，光是確認正確的資訊，就耗費龐大心力。 而面對功能複雜的GIS套裝軟體，又是另一個麻煩的開始，複雜的影像前處理流程，以及缺乏彈性的機器學習套件，大幅降低分析資料的效率。好不容易做出作物辨識的結果，才發現可能已經過了圖資使用的黃金時期。上述複雜耗時的衛星影像處理問題，恰恰就是市場的痛點， 興創知能從傳統的機器學習擴展到現代的深度學習應用，研發在GeoAI框架下的「巨量遙測空間數據AI分析雲端服務平台」，為客戶突破這些空間資訊的魔鬼細節。 AI分析雲端服務平台流程導入前後之差異 興創知能表示，在我國國家太空中心TASA, Taiwan Space Agency的多年努力下，屬於臺灣的ODCOpen Data Cube系統也已打造完成啟動服務，與國際趨勢正式接軌，強大的倉儲技術讓使用者可以輕易的根據需求，擷取並使用特定時間與空間範圍的影像資料，倉儲收納了國際太空機構旗下的多個衛星影像資源，包含ESA的Sentinel-1每隔6日一幅、Sentinel-2每隔6日一幅，USGS的Landsat-7每隔16日一幅、Landsat-8每隔16日一幅，以及國內自有的Formosat-2每日一幅與Formosat-5每隔2日一幅。 以Python語言為基礎 興創知能開發衛星影像辨識工具 擺脫GISGeographic Information System套裝軟體的侷限，興創知能以Python語言為基礎，整合GDALGeospatial Data Abstraction Library，並考慮運算效率與平行處理，完成所有衛星影像處理與影像辨識建模所需的工具開發，包含座標系統與資料格式的轉換、網格與向量資料互動，以及資料內差與正規化等工具，都是以AI應用為考量進行設計，而部分常用的工具更以TronGisPy為名，打包為開源套件造福技術社群。 興創知能善用團隊對衛星遙測影像的了解，以及透過所蒐集的標記資料作物分佈圖資，預設好影像辨識建模過程，所需的訓練資料規格與資料集定義，套用事先完成的機器學習LightGBM或深度學習CNN框架，並讓整個訓練過程在Web GIS的介面中，提供使用者部分的彈性，自由篩選影像、確認時空範圍、選用模型與超參數調整。除了訓練模型的操作，也提供歷史模型的運用產出辨識結果，最終讓作物分佈的辨識結果展示在Web GIS圖台。 事實上，不僅只是農業才會有衛星遙測的應用需求，隨著各行各業為了提升企業全球性的競爭能力，空間資訊的智慧化應用也大幅度的出現在各種領域之中。舉例而言，擁有大量圖資的測繪業者，能夠透過AI分析雲端服務平台 ，收納圖資的同時也加速數化製圖的效率；在全球氣候劇烈變化與致災性地震風險之下，產業保險類別豐富，農業保險、金融保險或是災害保險，都與空間資訊脫離不了關係，透過遙測影像辨識掌握保險標的早已成為國際趨勢。 巨量遙測空間數據AI分析雲端服務架構

你早上來杯咖啡了嗎 臺灣於過去十年以來，逐漸形成一股喝咖啡的文化風潮，隨著AI技術的精進，無人烘豆機也能靠AI精準設點，同時培養忠實客群，我們來看看，這是如何辦到的 根據國際咖啡組織 ICO 調查，國人一年喝掉約 285 億杯咖啡，臺灣咖啡市場規模上看 800 億元，且每年約有 20 成長。 臺灣近十年來，人手一杯的「喝咖啡」文化，已成為流行的代名詞，而「咖啡」甚至以65的高比例當選為國人平日最常選擇的飲品，其中重度咖啡愛好者的族群更願意花費更高的價錢去選購符合自身口味的咖啡豆來享用咖啡。近兩三年來，越來越多無人飲品販賣店於臺灣飲品市場上問市。 無人咖啡飲品店無法快速展店，主要受到兩大問題困擾，一是客流量與機器設點位置的合適性，往往仍需憑藉人力進行評估分析；二是如何精準打入中高階咖啡愛好者市場 AI解決無人烘豆機設點合適性與培養忠實客群兩大難題 為解決上述兩大問題，協助無人烘豆機能迅速打開市場，昇銳電子擬以透過導入AI 人流計數分析與AI 人臉陌生辨識，來針對無人烘豆機的設置地點進行人潮數量計算，且歸類消費者的性別及年齡，以進行更為精準的商情分析；並提供消費者對於烘焙咖啡生豆的多重選擇，期以給予專業的咖啡愛好者更客製化的服務與貼近其需求和個人口味的一包「高品質烘豆」。 自2018年起，無人販賣店的興起，無非是因為業主想減少不斷上漲的租金與人事成本的費用支出，但在店面設點的初期評估，卻仍需花費鐘點人力費以人眼計算客流量，但人非機器，難免會有計算來店消費者與道路上經過人潮的錯誤率，而無法做到精準的即時客流分析，或甚至經過一段試營運後才進行估算是否達到設點的營運效益，以上皆會造成錯失最佳撤掉設點位置的停損時機。 昇銳電子搭配AI人流計數分析和AI人臉陌生辨識，推出無人烘豆機。 昇銳電子搭配AI人流計數分析和AI人臉陌生辨識，與帶來「黑金」風潮的咖啡進行商機結合，並且抓住臺灣眾多咖啡行家喜歡親自至量販店耐心挑選符合自身口味的咖啡生豆與喜愛去高品質的研磨咖啡廳或連鎖咖啡店之消費習慣與特點，故誕生針對咖啡豆產地、品種、烘焙方式等提供選擇的第一台無人咖啡烘豆機之新創概念。 AI烘豆機提升客戶忠誠度與物料管理效率達20 針對無人烘豆機的精進開發，昇銳電子工程師搭載AI NVIDIA 開發平台於TCNNFacenet 的基礎上進行，透過AI 將關於性別及年齡搜集之數萬張的影像資料進行樣本訓練，以針對首次選購咖啡烘豆的消費者也能利用人臉陌生辨識來簡單地歸類，藉此取得消費者的信任並提升使用意願，並進而進行購買資訊紀錄及未來商品購買推薦以產出消費者購買行為分析，便可使業主參照消費者對於不同咖啡生豆的偏好度高低，作為未來物料準備數量之依據，以降低原物料轉運及庫存問題，並提升物料管理效率達20。 再者，業主可透過放置此無人烘豆機於選定之人流匯聚率高的地段內，便能透過攝影機捕捉人潮，並針對機台擺設位置的客源是否充足，進行對於經過人潮數量的計算，進而評估消費者佇足購買機率的高低，並於短時間內分析出是否需要將機台進行移設，並可更容易地瞄準出中高階咖啡愛好者所在的最佳設點位置。 而關於無人烘豆機有專業烘焙模式介面，其針對咖啡生豆的產地來源、品種、烘焙方式（淺中深焙）、入豆與出豆溫度、轉速溫度與目標溫度等跟溫度、風速和秒數相關之選擇，提供消費者多種選項以烘焙出符合自己愛好的客製化精品咖啡豆。而若過程中業者針對機台有要進行改善的需求，工程師能配合調整韌體參數，也能協助與業主的訂單系統進行整合。 服務人員簡述無人烘豆機的操作方式 「黑金」透過AI 可更深入至咖啡廳、科學園區、商業大樓 此一無人烘豆機針對咖啡行家的客群，不僅能設點於中高階咖啡廳，以烘製相較於在量販店購買更為客製化的咖啡豆，更能在製作完成一包咖啡豆時，即時提供給咖啡廳內專業的技術店員協助進行咖啡研磨與手沖，而剩餘的烘豆也能將其帶回家之後自己沖泡與享用。在這之中也為咖啡廳帶來了附加價值，其可更加了解消費客群對於咖啡豆的偏好程度，並能推出更能吸引顧客的飲品促銷活動與進行合適的備料管理。 而除了咖啡廳，無人烘豆機也能透過AI 人流計數分析，精準設點於科學園區與商業大樓裡或附近店面，以提供其有高度飲用咖啡需求的內部員工，於辦公室也能手工沖泡的優質咖啡豆。另外，更能推出實體會員制以隨時發起選購咖啡豆之促銷活動，或不定時提出支付優惠回饋，進而吸引到新客源與培養既有顧客的忠誠度和黏著度。 智慧無人烘豆機的操作介面

臺灣堪稱製造業大國，然而，在產線上，品質瑕疵檢測一直是製造業長期痛點，雖然有AOI設備可輔助，但大多採用固定式機器，受限於角度，診斷不夠精準，誤判率也高。海量數位工程公司導入AOI機器智能手臂檢測系統，可有效降低誤判率，提高瑕疵檢測精準度。 一般來說，產品的良率攸關企業的成本與客戶的退貨率，而製造產業品質瑕疵的檢測流程，往往需要編制大量的品質檢測人力。目前製造業檢測工具雖然有AOI設備來輔助進行，但這些設備多半採用固定式的檢測機器，固定式相機容易受限於角度，導致診斷不夠精準，誤判率太高等缺點，因此，人員在後端需要再次篩選檢驗，也就是複檢，通常人工目測檢視的瑕疵漏檢率平均在5上，甚至可高達20。 製造業品質檢測三大痛點 機器手臂AOI之動態多角度品檢協助解決 根據海量數位工程實際了解製造業在檢測產品品質有三大痛點： 痛點一、人力檢測產品品質出錯率高 目前製造業多以人力來檢測產品外觀，但人工判斷多半有誤差，例如：表面刮傷、色差、焊道外觀hellip等，瑕疵判斷出錯率高，且須待成品階段才能一次性檢驗，時常出貨前全檢後依然遭整批退件，導致重製及人力成本大增。 痛點二、品質檢測之數據無法量化與記錄 傳統人力檢測無法保留檢測數據，嗣後發生品質糾紛時，責任難以釐清。而海外品牌高階代工單往往要求溯源與相對應的缺點紀錄，傳統產業原有之人力檢測難以符合更高階代工單之要求。 痛點三、傳統AOI視覺檢測的限制 現有製造業常用的AOI視覺檢測系統，因為視覺軟體技術的限制，都是以固定相機、固定光源及單一角度的方式來進行，這種方式對於平面或形狀由直線組成之產品例如：長方體或正方體的單一檢測點尚可處理，但對於複雜形狀的產品例如：汽車零件多為不規則狀多點、多幅度的檢測，就較難實現。 海量數位工程研發AOI機器智能手臂檢測系統，有效提高瑕疵檢測精準度。 為解決製造業在品質檢測的痛點，海量數位工程決定從研發多角度、可移動式的檢測儀器開始發想，從結合工廠自動化領域中的兩大代表性技術-機器手臂與機器視覺著手。海量數位工程以機器手臂結合AOI之動態多角度AI視覺即時品質檢測方式，改善固定式檢測受限多角度的問題，視覺檢測技術的提升與結合人工智慧，進一步相機取得的影像資訊可由平面取樣提升至多角度、多維度取樣。 選定汽車產業做為實證場域 可快速回應顧客需求 AOI機器智能手臂檢測系統，所運用的AI技術包括無監督學習（unsupervised）、監督式學習Supervised learning、半監督式學習Semi-supervised Learing，使業者在初期樣本不齊全，或是沒有不良樣本的情況下也能使用無監督深度學習技術學習良品，並應用在汽車三角架自動焊接的視覺檢測上。可解決導入前受限於固定式機器的角度、診斷不夠精準、誤判率高的問題。 汽車零組件單價較高，會要求更嚴格的瑕疵檢測正確率。 在導入AI服務的產業中，選定汽車製造業作為實證場域。海量數位工程表示，汽車製造業主要為相關零組件製造商，而且通常元件單價較高，需更多品質檢測品質及良率，會要求更嚴格的正確率，因此選定汽車業做為導入的場域。 機器手臂結合AI之動態多角度AOI視覺即時品質檢測系統，除了可以改善汽車零組件檢測瑕疵品質失誤率外，因為以多角度的機器手臂AOI服務來提升定點式AOI光學檢測，可以符合多數產業之量測需求；最後是建立第三方系統平台，建置共同工作整合平台監測系統，以便在問題發生時，第一時間接收訊息並著手處理。 本系統可針對出廠產品之重要數據進行記錄儲存，為實現未來數位生產線與虛擬生產之基礎。同時於瑕疵發生時，可即時串接海量MES監控系統，迅速反應至相關製造決策部門，嗣後並利用ERP系統進行專案管理與檢討，有效精進其生產效率，降低生產成本。 有助降低溝通成本 期許成為行業標配 就產業上下游整合而言，可以為上下游之數據連貫提供一基礎之標準，降低供應鏈之溝通成本，經由指標代工廠與品牌商的認證，有機會成為該產業之行業標準配置。 透過此一計畫的產出數據資料庫建置，業者進一步透過大數據分析Data Analysis，優化供應鏈管理的解決方案「供應鏈規畫Supply Chain Planning, SCP」，依據數據，建立預測計畫，並運用科技串連供應鏈上下游的數據，精準控制產品品質。未來對接歐美、日，需要品質精細訂單，業者能更快速回應及整合產業供應鏈Supply Chain 。 最後期望透過標竿示範產業之場域驗證，例如：以汽車零組件製造產業標竿示範場域，透過機器手臂結合AI之動態多角度AOI視覺即時品質檢測系統計畫進行驗證，讓汽車代工廠與汽車原廠之間有更優化的供應鏈聯繫，並成為該行業標準。更進一步尋求更多的AI團隊，加入場域協作平台跨產業之開發，帶動整體AI新創與場域結合的生態系。 海量數位工程研發的自走車