隨著AOIAI系統的導入，我們將能提高產品良率、降低成本，從業務面來看，更可提高客戶的信任度，增加營業收益。而且AI具有難以被模仿的優勢，並非如其它設備只要花錢就買的到，讓我們的競爭對手難以追上我們。 組弘發展現況 我們致力於IOT智慧製造上，自行開發的系統已有智慧物料系統、環境溫溼度監控系統、防錯料系統、智能採購算料系統、智慧物料盤點系統、錫膏管理系統、生管系統。過去我們曾詢問過其他廠商，有關AI檢驗PCBA表面瑕疵的可能性，每個廠商都希望我們能夠購買其設備，但實際驗證後都無法達到效果，此次與資服業者討論過後，定調為AOIAI的運作模式，方覺得有可行性。 組弘科技投入AOIAI檢測計畫，用於檢查SMT零件上的文字、焊點、極性、缺件hellip等，用AI替代人工來學習AOI檢測後定義為rdquo可能是不良品rdquo的部份，提升人員產值與降低誤判率。 產業痛點 nbspnbspnbsp 台灣缺工情形嚴重，尤其願意從事目視檢查的人更少，而且年齡相對較大，檢查遺漏的狀況越來越嚴重。所以在追求高品質電子產業中，最關鍵的瓶頸已經是生產後的檢查。過去的消費性產品，異常未能被檢出，只要在一定比例下，也可被接受。現在的汽車產業如果有不良未被檢出，即有可能造成人員死亡，所以汽車產業對於品質的要求極高。要想在汽車產業的供應鏈中生存，就必須解決異常無法被檢出的問題。 nbspnbspnbsp 而且隨著台灣工資越來越高，只能設法以AI技術，取代傳統人力，否則就算解決了異常流出，但相對高的人力成本依然無法在此產業中競爭。 應用技術與說明 nbspnbspnbsp 原本過程圖一，PCB從出來Reflow後，會經過AOI檢測，分出「疑似不良品」與良品，這時「疑似不良品」的部分約為20，再由人工針對這20的部分來做複判，再將「疑似不良品」的部分區分為良品與不良品。 nbspnbspnbsp 我們想要藉由AI的技術，將原本由人工複判這20的「疑似不良品」改由AI來做，複判出來一樣會有良品與「疑似不良品」，結果一樣會有「良品」與「疑似不良品」的產生，但此時「疑似不良品」約只剩下3，也就是說組弘作業人員的工作量會從20降到只有3。理論上是AOI檢查完後，再由AI來做複判，但從表面看起來似乎只有經過AOI而已，所以我們才將這個技術稱之為A0IAI檢測圖二。 原本AOI檢測過程 操作員將待測PCB板放入AOI檢測設備，輸出AOI 檢測不良品資訊，再經由人工逐一覆判是否為不良品。 AOIAI檢測過程 操作員將待測PCB板放入AOI檢測設備，輸出AOI檢測不良品資訊後， 進由AI先進行AOI檢測不良品的覆判，輸出AI檢測不良資訊後， 再經由人工逐一覆判是否為不良品。 流程差異 nbspnbspnbsp 藉由AOIAI系統的導入，我們除了能夠提升目視檢查人員的效率與良率外，我們有了這次AI的導入經驗，以後也可將AI與大數據的運用加入到組弘原有的智慧製造系統，使我們的智慧製造系統的效能更提升，更進一步的減輕員工的工作壓力。 導入前後差異說明 推廣策略 1nbspnbspnbspnbspnbspnbsp 同領域擴散：所有SMT製造業皆會遇到檢查瓶頸導致延誤出貨的狀況，導入此系統可解決目前缺工嚴重問題並提升出貨速度與品質，自行向客戶推廣或透過設備商銷售給相關需求者。 2nbspnbspnbspnbspnbspnbsp 異業擴散規劃：與AOI製造商洽談直接將AI系統掛在AOI系統內，增加其市場競爭力。 nbsp 獲利策略 1nbspnbspnbspnbspnbspnbsp 與AOI製造商合作收取授權金。 2nbspnbspnbspnbspnbspnbsp 與SMT製造業直接銷售AI系統。 3nbspnbspnbspnbspnbspnbsp 提供SMT製造業AOIAI系統訂閱制

對於大多數的高爾夫球場而言，場務的營運及管理是一個令人頭疼的問題。「球場就是在賣草皮，場地一定要顧好」，一位高球場負責人不諱言指出。面臨球場場務人力短缺、老年化及成本高昂的市場痛點，導入AI無人機進行農藥噴灑及防蟲害，將可節省球場一半以上的人力成本，並大幅提升整體營運效率。 初夏晌午，位於桃園的台北高爾夫俱樂部，AI智慧無人機緩緩升空，其主要的任務是進行高爾夫球場AI 智慧無人機施肥噴藥的測試。事實上，執行此項任務的佐翼科技，其無人機普遍使用於稻田、香蕉、茶樹等農作物，來從事施肥施藥及防治病蟲害的工作，對於動輒數十到上百公頃的高爾夫球草坪，要運用AI無人機協助草皮維護作業，現階段將進行資料蒐集、建立施藥AI模型及多光譜影像分析測試等，未來將進一步進行大規模的技術落地驗證，為無人機導入高爾夫球場域建立典範。 透過AI無人機施肥灑藥 可節省一半人力 傳統高爾夫球場維護草坪的作業方式，是以人工揹著藥桶，或是駕駛施藥車逐一分區進行噴灑。「國內高爾夫球場於2001年起開始種植超矮性百慕達草種品系，此一草種喜好涼爽的氣候，台灣高溫潮濕的天氣型態並不適宜」，佐翼科技執行長進一步指出，為避免草皮遭受病蟲害，就必須進行農藥噴灑工作，以18洞球場而言，相當於每周要噴灑一次殺菌劑，T台及球道每兩個月噴藥一次。對於高爾夫球場而言，噴灑農藥耗時費力，重要的是，大規模噴灑將增加人員中毒與農藥量增加的風險。 農用無人機在高爾夫球場應用之效益 根據佐翼科技研究，高爾夫球場的蟲害包括夜盜蟲、斜紋夜盜蛾等，其生活習性是傍晚會出來覓食，因此，噴藥的工作必須傍晚施作。依據傳統作業方式，每次施藥估計需要兩台車三個人力，共耗費45小時的時間。若透過AI無人機施肥灑藥，操作人力僅需1人，20分鐘可以噴灑08公頃土地，約可節省三分之二的人力，也可減少營運成本30左右。 高爾夫球場草坪透過AI無人機施肥灑藥，約可節省一半人力 啟用農用無人機應用於高爾夫球場的草皮維護，除了顯著的效益顯現外，佐翼科技也特別導入AI多光譜影像辨識建立NDVI標準化植被指數分析，「所謂的多光譜是將不同的波長波段光線打在草坪的植株上，蒐集反射回來的影像進行分析」，佐翼科技劉姓執行長接著解釋，因為不同光譜，每一種植物在光的波長吸收程度不一，透過多光譜可以掌握草種生長狀況。同時再結合AI影像辨識，可以精準偵測病蟲害分布情況，據此決定施藥量的多寡。 跨領域協作 建立無人機草坪多源影像資料庫 運用AI多光譜影像辨識技術，佐翼科技將蒐集包括可見光譜、多光譜、熱影像和高光譜影像等，建立無人機草坪多源影像資料庫，完整掌握百慕達草種生長週期。 佐翼科技累積豐富的農業AI無人機噴灑藥劑經驗，但要將AI解決方案導入大面積的高爾夫球場仍有諸多問題需要克服。例如需要建立全新施藥模型及測試飛行方式，尤其是多光譜影像辨識運用，概念驗證並不困難，但實際執行則需要更多的測試實證，反覆推論，並與植物專家建立協同作業才能完成，這部分則須仰賴資策會等法人單位跨域整合，集結更多場域投入實證，建立典範，才能在高爾夫球場場域擴散。 智慧無人機導入高爾夫球場的國際案例文獻並不多，在驗證的過程中，能否快速複製至下一個球場尚未可知，但佐翼科技劉姓執行長認為，透過跨領域協作的方式，將問題定義清楚，一一臚列，供需雙方取得共識，針對每一個問題提出可以解決的方案，並找尋內外部的資源合作，才能逐步完成高爾夫球場智慧化的目標，順利協助產業轉型。 佐翼科技執行長劉峻麟

查找某特定人物，尋找攜行李箱入廠人物進入高安區。人物及物件顏色特徵確定，人物藍黑色上衣，行李箱顏色黑色，透過CCTV 智能影像搜索系統，做物件與顏色檢索條件設定，可以成功搜尋到三段縮圖有出現關鍵標的影片，可以有效解決作業人員查找物件標的物，透過此系統查詢速度可比人工快6倍。 需求痛點 日月光高雄廠區內密布CCTV能及時監控廠區中的各個角落，但若在事件事故發生時，無法在有限的時間可透過CCTV影像回放被找到，其背後之意涵與其中蘊藏之巨大風險自是不言而喻，而許多平時無人的區域也很容易成為治安上的死角。故如何更智能、更有效的監控占地龐大的廠區是全體半導體企業打造智慧廠區之一大重點。日月光高雄廠占地遼闊，其中有許多重要的場域需要監控人員進出以確保企業機密與員工安全。 1 自動化生產線與自動倉儲：半導體企業之自動化生產線與自動倉儲中常有AGV（Automated Guided Vehicle）無人車高速行駛，若有廠區人員不慎誤入AGV移動區域且無法對該人員發出警告，則當憾事發生將追悔莫及。 2 材料與產品存放區域：半導體相關製程之材料價值不菲，若存放材料或產品之區域遭人入侵則有損失高價材料、產品之風險。 3 高機密管制區：營業秘密關乎半導體相關企業之核心技術競爭力，若有人員侵入高機密管制區則有企業營業秘密外洩之風險，而營業秘密安全防護一直以來都是半導體相關企業最最重視之議題。 4 卸貨碼頭區：日月光L但碼頭區常有卸貨車輛進出，若人員闖入碼頭區則有發生人車擦撞、碰撞意外之風險。甚至堆放在碼頭區待出貨的貨物有失竊以及因人員碰撞後，貨物倒塌造成損毀，因而造成公司具大的信譽、金錢損失。更進一步的造成生產出貨的不便。 異常事件發生時，如何在海量數據中，快速搜尋符合條件的關鍵影像 日月光高雄廠有許多重要的場域都需要架設CCTV為安全把關，但CCTV的數量動輒上千支、上萬支，一旦發生事件要去搜索影像時，都要用人眼一一回放查找、搜索，耗時耗力效益不彰。有鑑於現今電腦視覺的發展，遂利用AI來替代人眼回放查找。 問題情境 物件偵測 物件偵測資料來源分成兩個部份 開源資料集OIDv4、以及日月光高雄廠CCTV影像檔案。針對OIDv4中，取出符合定義的九大類別物件訓練資料，其中有二類物件未能於OIDv4中搜索到可用資料，分別為刀子與汽油桶，其餘七種類別物件皆可從OIDv4中取出可用訓練資料，此訓練資料皆已有標記。而針對高雄廠CCTV影像檔案，從中抽取部分幀（Frame）的影像，並且對欲偵測的物件進行人工標記以做為訓練與測試資料。 九大物件 顏色辨識 顏色辨識資料來源分成兩個部份網路圖像截圖、以及高雄廠CCTV影像檔案。目前並沒有找到針對顏色辨識應用的公開可下載的開源資料集，因此只能從網路蒐集圖像，於網路上搜索符合定義的九大類別物件的圖像，儲存圖像後將物件與背景分割，只保留物件的區塊，最後將圖像依照顏色做類別標記。另外針對高雄廠CCTV影像檔案，則使用物件偵測資料已標記好的bounding box擷取CCTV影像檔案中各個Frame的物件所在區塊之圖像，最後將肉眼可辨其顏色之圖像依照顏色做類別標記。針對每種物件類別皆有其專屬顏色定義，各種物件類別的顏色定義取決於此物件類別於現實生活中常見之顏色。 動態忽略免除混淆訓練 從OIDv4訓練專案的物件偵測雛型模型時，因為此資料集的每張影像中，皆只有針對單一類別做標記，但影像中有可能包含其他欲偵測之類別未被標記，故針對此種情況，訓練時會使用動態忽略之技術使其不會有混淆訓練的情況。接著使用高雄廠取出的訓練資料用來Fine-Tune雛型模型提高物件於特定指定場域下的辨識率。最終選取訓練過程中於測試集計算之損失值最低的模型做為主要物件偵測模型。 動態忽略 AI幫你看 CCTV 智能影像搜索系統主要是做為監控影像的搜尋輔助系統，可以藉由設定搜尋物件條件來加速達到從影片找出目標事件的功能，僅需定義搜尋條件，即可快速產出關鍵物件的縮圖影片並進行回放確認，縮短昔日以人工調閱案件所須時間，查找時間快6倍，前端安全單位運用此平台可強化風險管理第一道防線之自行監督功能以及早採取因應措施。