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2,000個在田間蹲點的日子，讓悠由數據應用公司成為台灣在農業數據領域的佼佼者，對於農作物產量、產期與價格的全盤掌握，更讓它做到能與聯合國合作，服務農地面積在短短不到3年，從24公頃擴展至超過6000公頃，飆漲250倍。對於悠由數據應用創辦人兼總經理吳君孝而言，因應全球環保趨勢，成為氣候科技X綠色經濟的數據公司，並服務全球市場，是他創業的終極目標。 工程師出身的吳君孝，在2010年進入資策會，成為涵養他深厚技術與資料科學分析實力的重要沃土，讓他練就一身功夫，得以大展拳腳。「當時，我在做資料分析工程的工作，會內幾乎所有的數據相關資料都會匯集到我這邊，加上那時執行過室內栽培箱，要種菜、種香菇，因此，農業結合數據分析就此埋下創業的種子」。 吳君孝自2016年起，就常常到農場內「蹲點」，跟農民、農改場人員聊天、交換情報，系統性地大量交換資訊，讓吳君孝的農業Know-How快速建立。 堅實的數據分析技術能量 連聯合國都買單 2017年，他離開資策會自行創業，並於2019年創立悠由數據應用公司，目前許多農企業皆是他的客戶，服務的栽種面積從24公頃快速攀升至逾6,000公頃， 2022年可望超過7,000公頃。客戶遍及海外，包括日本、中美洲市場，甚至聯合國下轄機構-世界農民組織，都使用悠由數據支持的「悠由農作物演算系統」。 悠由數據應用公司究竟是如何做到連聯合國機構都買單 悠由數據應用建置的「悠由農作物演算系統」，準確預測產期產量與價格。 首先，由於吳君孝對農業數據的精準掌握，悠由數據應用的客戶不見得要用到感測器Sensor等硬體設備，「感測器成本高，若購買便宜的設備，反而蒐集一大堆雜訊或錯誤數據，完全派不上用場」。吳君孝接著說，蒐集數據不一定要使用感測器，透過我們的數據解決方案可以更直接有效的解決問題。 例如，悠由數據應用的產品之一-悠由金錢報農產價格Linebot，係2020年與LINE合作，蒐集產地、批發、終端價格長達10年以上的數據，由悠由數據自主研發AI演算法，讓系統自主學習農產品交易價格，更以大數據與人工智慧分析進行價格預測分析，協助採購商降低交易風險，讓數據不止於生產端，更擴大應用至農產供應鏈。 以香蕉價格來說，預測價格的準確率從原本70拉高至998。吳君孝指出，不管採購商或農民，對於價格都十分敏感，現在透過悠由金錢報服務，無論是採購商或農民，都能很精準了解農產品價格波動情況。悠由數據也能針對預測作物生長情況、產量、價格預估模型等，向客戶做出最佳的決策建議。目前價格預測可達28種農作物。 精準預估產期及價格波動 悠由數據靠數據分析做出差異化服務 悠由數據應用公司所提供的「悠由農作物演算系統」內建「參數庫」，通常會搜集200～300種參數，不光是溫度、濕度等比較直觀的數據，還會依作物生理的特性去切分。透過有效動態數據的演算法，可以精準估算農作物何時會開花、何時能收成，產量是多少等。如青花菜產期預測準確率為0-4天，開花期預測今年實際使用上是0天，與現場開花時間完全吻合。而在動態的計算當中7天內都是合理範圍，悠由數據的誤差值平均在2-4 天，大多數作物產期準確率均在80以上。 透過有效動態數據演算法，全球超過120種作物可精準預估產期產量及價格。 透過有效動態數據的演算法，可以設定預估產量多少，協助在生產端做調整，悠由數據應用的客戶多以外銷的水果作物為主，如鳳梨、香蕉、芭樂、芒果、文旦、鳳梨釋迦、小番茄、洋香瓜、西瓜、玉荷包，荷蘭豆、毛豆等，尤其是毛豆，佔台灣外銷第一，種植面積達400多公頃。全球120多種作物、超過600個品種都可以適用此套系統。 台灣農業生產同質性高，容易造成一窩蜂搶種，導致價格崩跌，悠由數據應用要幫助客戶做出差異化，因此，吳君孝將公司定位在精緻的數位顧問，所採取的策略是慎選客戶，重質不重量。他分析，台灣的農業客戶著重的是如何提升良率，甚至將良率分級，規格品質均佳，走精緻化的高階外銷市場；國外客戶重視的是如何提升單位產量，國內外的操作方式有別。 除了農作水果外，悠由數據應用也將服務觸角延伸至漁業，包括虱目魚、金目鱸、白蝦等，均使用同一套系統，將各種跟魚蝦生長有關的參數建立起來，何時下料、何時收成，產量多少等，藉此預測產期、產量及價格。 悠由數據應用善用數據力量，創造智慧農業奇蹟。 因應公司的高速發展，悠由數據應用於2021年引進創投資金，進行人員擴充與業務推展。吳君孝表示，因應全球2050年淨零碳排趨勢，未來也計畫將協助客戶在土壤中種碳，有效將碳保留在土地上，同時引介客戶對接碳交易平台，與客戶共創環保商機。 吳君孝表示，剛開始創業時就將公司定位為全球化公司，因此，與國際合作的方案將不斷推出。而成為氣候科技X綠色經濟的數據公司服務全球，這是吳君孝對自己的期許及公司的長遠目標。 悠由數據應用創辦人兼總經理吳君孝

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。