【110年 應用案例】 巨量遙測空間數據AI分析雲端服務平台 使衛星遙測影像順利落地應用

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Megabyte(MB)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ODC(Open 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GIS(Geographic Information System)套裝軟體的侷限,興創知能以Python語言為基礎,整合GDAL(Geospatial 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
推薦案例

2017年,iPhone X的亮相讓提供 Face ID人臉解鎖的3D感測技術成為大熱門,也帶動了3D感測模組中的核心零元件VCSEL的發展。而VCSEL封裝元件入料瑕疵檢測,若透過AI推論模型可解決良率偏低產業難題,提升可靠度達95。 VCSEL技術現階段可被運用於諸多用途和各類終端消費市場,包括機器人、移動設備、監控、無人機,以及ARVR等。VCSEL在需求高速調製功能的應用(例如照相機和生物計量)中堪稱為不錯的解決方案。 VCSEL技術應用層面廣,也可應用於無人機。圖為佐翼科技農用無人機 VCSEL技術應用層面廣 AI技術助攻瑕疵檢測 赫銳特科技表示,VCSEL封裝元件市場也面臨到商業對手強力的削價競爭,需要進一步降低成本提升、產品競爭力,其中一個關鍵的難題就是將玻璃透鏡更換為環氧樹脂型透鏡。傳統玻璃透鏡的生產良率高,但成本較環氧樹脂透鏡高,因環氧樹脂經切割製程,側壁切割道上容易會有毛邊,造成尺寸過大,容易在打件時因為受熱而產生的應力釋放,將會直接導致光學透鏡破裂。 赫銳特科技指出,VCSEL環氧樹脂透鏡的入料檢測十分重要,在封裝空間的限制下,封裝與光學透鏡貼合的空間有限,且此光學透鏡會被侷限於一金屬框架內,若是沒有控管好尺寸公差,很容易在打件時因為受熱而產生的應力釋放會直接導致光學透鏡破裂,造成VCSEL封裝可靠度驗證良率損失最高達到10,造成生產成本增加。 為解決上述問題,赫銳特科技希望在VCSEL環氧樹脂透鏡的入料階段,可以藉由AI影像監控環氧樹脂元件的尺寸及外觀瑕疵,確認其尺寸是否合乎規格、切割邊緣是否平整、外觀是否瑕疵等。由於傳統的入料檢測,經通過大略的人眼目檢分辨好壞,為順利收集影像數據,首先需要解決影像蒐集的問題。 因此,赫銳特科技首先建立自動光學檢測裝置Automated Optical Inspection,AOI,自動光學檢測裝置包含X、Y、Z三軸動及高解析相機,及相關控制軟體自動記錄影像。蒐集完成後的影像資料,經opencv將測試影像Test與一標準正常影像Normal,進行影像對位後取出Test與Normal影像的差異部分,並可經由Pixel Mapping計算影像的像素面積進行比較完成初步篩檢。 承上之影像分類,進行手動標籤標示包含:正常、外觀瑕疵或形狀特徵差異之樣品,後進行演算法訓練與驗證,使用深度殘差網絡Residual neural network ResNet或其他相關演算法進行深度學習,以辨識出透鏡的優劣情形。 導入AOI檢測 提升產能效率達20以上 比較導入AI影像檢測的前後差異,導入前的VCSEL入料透鏡檢測,僅透過簡易的人工外觀檢測,將透鏡封裝在已固晶的VCSEL封裝體上,通過一般點亮檢測後,最後進行可靠度測試高溫回焊,失效樣品進再入重工流程。 但在導入AOI檢測之後,可提前將有問題的透鏡篩選出來,除了可以降低後續物料投入的成本,亦可減少失效情形降低重工的需要,因而提升可靠度驗證良率達95以上,預期可協助場域業者降低生產成本達10,提高產能效率達20以上。 導入AI影像檢測的前後之差異 赫銳特科技指出,這項技術是基於微小影像開發的AI應用技術,透過深度學習演算法辨識影像瑕疵,用來辨識瑕疵影像。而訓練後的網路來自動分類對應於預定類別的影像數據。透過參考影像就能辨識缺陷類別,因此不再需要繁瑣的編程。 而在工業機器視覺環境中,深度學習主要用於應用中的分類任務,例如在工業產品的檢驗或零件的辨識,未來隨著IOT穿戴裝置的發展,符合節能省電的潮流議題,光電元件尺寸將不斷的縮小,本技術未來也可應用在其他微小光電元件的外觀瑕疵檢測。

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

近年來,全球氣候變遷和環境問題日益嚴重,對農業生產造成了巨大衝擊。傳統農業高度依賴天氣條件,面臨著作物品質不穩定、產量驟減、病蟲害難以控制等挑戰。特別是在台灣,農業生技業者和農民不斷遭受損失,亟需創新解決方案。同時,台灣植物工廠產業也面臨諸多困境:高昂的設備和人工成本、產業鏈不完整導致國際競爭力不足、企業間缺乏合作等問題制約了產業發展。此外,COVID-19疫情更凸顯了遠程監控和管理的重要性,傳統的人工巡檢和數據收集方式已無法滿足現代農業生產的需求。這些問題共同構成了智慧農業解決方案的迫切需求背景,推動了如台灣海博特等公司開發整合物聯網、雲計算和人工智能技術的創新項目。 海博特雲端數據整合分析平台 面對這些挑戰,農業領域亟需一套能夠精確控制生長環境、提高資源利用效率、實現遠程監控和智能管理的系統。現有的植物工廠設備往往需要整套更換,難以與舊有設備兼容,且感測器與攝影系統可能需要不同的操作界面,使用不便。因此,業界需要一種能夠靈活整合各種設備和技術的解決方案,既能提供實時監測和數據分析,又能根據植物生長狀況自動調節環境參數。這種需求不僅存在於台灣,也是全球智慧農業發展的趨勢。通過引入人工智能技術,可以建立更科學化的評量基準,優化生產流程,提高產量和品質,同時降低能源消耗和環境影響。此外,這種智能化的解決方案還能吸引更多年輕人參與農業生產,推動產業升級和可持續發展。總的來說,智慧農業解決方案的需求源於應對氣候變化、提高生產效率、降低成本、實現精準化管理的迫切要求,而這正是像台灣海博特這樣的公司所致力解決的問題。 台灣的植物工廠業者們正面臨著一系列嚴峻的挑戰,這些困難正逐漸侵蝕著他們的競爭力和生存空間。首先,高昂的設備和運營成本成為了他們最大的負擔。每一次電費賬單的到來都像是一次沉重的打擊,迫使他們在保證產品品質和控制成本之間艱難平衡。其次,氣候變遷帶來的不可預測性成為了他們的噩夢。突如其來的極端天氣事件可能在短時間內摧毀他們精心培育的作物,造成巨大的經濟損失。更糟糕的是,他們發現自己在國際市場競爭中日漸處於劣勢。相比之下,國外的大型植物工廠憑藉先進的自動化技術和完善的供應鏈,能夠以更低的成本生產出品質穩定的農產品,這讓台灣的業者們感到前所未有的壓力。 在技術層面上,他們同樣面臨著諸多問題。新舊設備的兼容性問題常常讓他們陷入困境,嘗試整合不同系統時總是遭遇各種技術障礙。缺乏精確的數據分析和預測能力也讓他們在生產決策上舉步維艱,難以準確把握每種作物的最佳生長條件。現有的監測系統提供的數據往往雜亂無章,難以解讀和應用。人力資源方面的挑戰同樣嚴峻,年輕人普遍對農業工作缺乏興趣,導致他們難以招募到具備現代農業技能的員工。即便是現有的員工,也常常因為繁瑣的手動操作和監控工作而感到疲憊不堪。這些問題交織在一起,形成了一個複雜的困境,讓植物工廠業者們感到既困惑又焦慮。他們迫切需要一個能夠全面提升工廠運營效率、降低成本、提高產品競爭力的綜合解決方案,以助他們渡過難關,重新在激烈的市場競爭中站穩腳跟。 在面對植物工廠業者的種種挑戰時,台灣海博特公司展現了卓越的技術創新能力和靈活的客戶導向開發策略。他們深刻理解到,解決方案必須能夠無縫整合現有設備,同時提供高度智能化的管理功能。為此,海博特的研發團隊採取了模組化設計的方法,開發出一套可以靈活配置的IoT(物聯網)系統。這個系統的核心是一個智能控制中樞,能夠與各種感測器和執行設備進行通信。在開發過程中,海博特密切與客戶合作,深入了解他們的具體需求和運營環境。他們甚至派遣工程師駐場,實地觀察植物工廠的日常運作,以確保開發的系統能夠真正解決實際問題。這種深度合作不僅幫助海博特優化了產品設計,還建立了與客戶的緊密關係,為後續的持續改進奠定了基礎。 海博特的創新不僅體現在硬件設計上,更體現在他們開發的智能軟體系統中。這套系統整合了先進的機器學習算法,能夠根據大量歷史數據和實時監測信息,對植物生長狀況進行精確預測和優化控制。為了幫助客戶克服技術障礙,海博特設計了一個直觀易用的用戶界面,即使是非技術背景的操作人員也能輕鬆掌握。此外,他們還提供全面的培訓和技術支持服務,確保客戶能夠充分利用系統的所有功能。在遇到難題時,海博特的技術團隊能夠通過遠程診斷迅速識別問題,並提供解決方案。在一次客戶遇到嚴重設備故障的緊急情況下,海博特的工程師通過系統遠程接入,成功指導客戶進行修復,避免了可能的巨大損失。這種全方位的服務不僅解決了客戶的即時困難,更增強了他們對智能化管理的信心,推動了整個行業向更高效、更可持續的方向發展。 海博特公司開發的智慧農業解決方案不僅為植物工廠帶來了革命性的變革,更為整個農業產業的未來描繪了一幅令人振奮的藍圖。這套系統的優越性體現在多個方面:首先,它實現了對植物生長環境的精準控制,大幅提高了作物產量和品質的穩定性。通過先進的人工智能算法,系統能夠根據歷史數據和實時監測信息,預測並調整最佳生長條件,使得每一株植物都能在最理想的環境中生長。其次,它顯著降低了能源消耗和運營成本,提高了資源利用效率。智能化的管理系統能夠優化用水、用電和養分供應,減少浪費,同時降低人力成本。此外,系統的模組化設計和強大的兼容性,使得它能夠輕鬆整合各種新舊設備,為植物工廠的逐步升級提供了靈活的解決方案。最重要的是,這套系統為農業生產注入了科技感和現代化氛圍,有助於吸引年輕一代加入農業領域,為行業注入新的活力。 展望未來,海博特的智慧農業系統具有廣闊的應用前景和擴展潛力。除了植物工廠,這套系統還可以應用於傳統溫室種植、都市農業、甚至是家庭園藝。在水產養殖領域,相似的技術可以用於監控和優化魚類或蝦類的養殖環境。在食品加工業,類似的智能監控和預測系統可以用於優化生產流程,提高食品安全性。甚至在製藥行業,這種精準控制的環境管理系統也可以應用於藥物研發和生產過程。為了進一步推廣這套系統,海博特可以採取多管齊下的策略。首先,可以與農業院校和研究機構合作,建立示範基地,讓更多人親身體驗智慧農業的優勢。其次,可以開發針對不同規模和類型農業生產的定制化解決方案,擴大產品的適用範圍。再者,可以通過舉辦行業論壇、線上研討會等方式,分享成功案例,提高業界對智慧農業的認知和接受度。最後,還可以探索與政府部門合作,將這套系統納入農業現代化和可持續發展的政策支持範疇,從而在更大範圍內推動智慧農業的普及。通過這些努力,海博特不僅可以擴大自身的市場份額,更能為全球農業的可持續發展做出重要貢獻,真正實現科技賦能農業的願景。