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

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

60歲的黃先生因中風住進醫院，在加護病房躺了兩周之後，突然病情急轉直下，經過搶救之後，才幸運撿回一命。事實上，在AI病危預警技術的輔助下，讓醫院能在病患心臟停止前的6-8小時，發現徵象並採取及時、準確的醫療措施，可大大降低病患院內死亡的機率。 病情的惡化是一個隨時間演進的過程，其細微推移變化絕非無脈絡可循。過往的研究報告顯示，發生非預期性院內心跳停止的住院病人中，約有六至七成在其心臟停止前6到8小時前已有徵象，但是卻僅有四分之一被臨床人員所偵知發覺，因此需要一種能更早期、並持續使用風險預警工具或系統監測病情，隨時警示醫護人員注意患者病情的細微變化，在病情進展前採取及時、準確的干預措施，有效減少不良事件或嚴重不良事件的發生風險。 非預期性病情惡化 無法及早偵測 急重症患者常出現不可預測的變化，及時發現或能預測潛在急重症患者為重要的課題。目前臨床常用的評估方式為Modified Early Warning Score MEWS，利用簡單的生理參數評估 包含心跳、呼吸速率、收縮壓、體溫、排尿量及意識狀態篩選出高危險群病人，已經證實可以預測病人的臨床預後。 MEWS為單一時間點且制式化公式的評分機制，然而，博鑫醫電所研發的 AI病危預警-醫院急重症病危提早預警指標系統EWS，係以即時反應預測病人狀態為目的，收集病患的連續性時間之生理資料進行深度學習，找出最佳預測模型，提高整體準確度。 博鑫醫電以大數據分析模型建置早期警訊系統EWS、IoT物聯網及5G通信技術，讓醫護人員透過通訊設備遠距離監控病患的生理狀況，監控急重症快速的病情變化，能掌握心臟停止前的6-8小時黃金搶救期。 博鑫醫電導入AI視覺判讀之後，無人化操作方式可大大降低醫護人力 博鑫醫電開發之AI技術為梯度提升集成學習系統 Gradient Boosting Ensemble Learning System, GBELS 建置早期預警系統，為該公司開發之具有學習型之EWS預測演算法，屬於集成學習 Ensemble Learning的一環，且歸類於監督式學習，提供以下三項功能： 一、早期警訊風險通知，以將具有代表性的數據，以GBELS進行分析，提供早期風險評分，讓醫護人員可即時進行臨床評估及提供適當醫療處置。 二、降低醫護人力：收集連續性生理監護數據，如心跳、呼吸、血壓及血氧濃度等，降低醫護人員書寫病例時間。 三、結合IOT物流網及5G通信技術，快速傳輸監護參數和影像資料等醫療數據，協助醫護人員透過通訊設備，遠距離監控患者的病情變化。 AI病危系統監測 掌握黃金治療期 博鑫醫電表示，急重症患者評估疾病嚴重程度是一項複雜工作，患者經常出現不可預測的變化。臨床醫護人員對病情判斷經常根據自己臨床經驗或直覺，缺乏科學、客觀，導致無法正確識別、及時發現潛在急重症患者，導致或誤診導致病患院內死亡率增加。 導入AI早期病危預警系統可輔助急重症的醫護人員正確的預判患者病情，更能讓患者即時受到需要的照料，藉此可以減少同時間急重症病房的人力安排並降低人力成本。 此外，易於攜帶的設計更有助於日後將系統導入救護車、居家照護等場所，對於急診患者可以更早得到適當的照料。院內的其他科別也可以在這套系統周邊開發新的應用，可有效加速智慧醫療技術的發展及推廣；以時下新冠疫情仍然肆虐全球多國的情況，此一系統也可以協助各地醫院更有效地照顧及監控重症患者的病情。 除了AI病危預警外，博鑫醫電也研發AI影像判讀-醫療生理監視器生命週期合規檢測AVS，也就是以AI影像判讀技術，發展生命支持類醫療器材之自動化品質檢測儀器，解決醫療儀器檢測耗時問題，可降低70的檢測時間，提高3倍的檢測數量、有效降低50的人力成本，同時100合乎法規要求，逐步解決醫療領域人力不足、醫療資源短缺、醫護工作超載等問題。目前已於中國大陸扎根，積極在歐洲為落地做準備，未來將朝日本及美國市場發展。 博鑫醫電研發AI影像判讀-醫療生理監視器生命週期合規檢測AVS，解決醫療儀器檢測耗時問題，可降低70的檢測時間。 現階段博鑫醫電的智慧醫療技術已導入包括新竹馬偕、彰基、東元綜合醫院、高雄工學大學附設醫院、振新醫院、新泰醫院、台北醫學大學附設醫院等醫療院所；國際知名醫材製造商GE HealthcareInc、中國最大醫材製造商邁瑞醫療，皆為博鑫醫電代表性客戶。