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

位在高雄的嘉信遊艇，成立逾40年，是台灣最大客製化遊艇業者，客戶遍佈美、歐、亞、澳各洲，為臺灣贏得「亞洲遊艇王國」的美譽。為了解決目前FRP船體檢測仍仰賴傳統方法如人眼辨識、敲打辯聲，耗時費工問題，嘉信遊艇首度將PAUT 陣列式超音波檢測運用於船體FRP複材上，並結合AI判讀超音波影像，發展完整智慧化解決方案，創造檢測業新興市場。 嘉信遊艇前身是嘉信木業有限公司，剛成立時是間位於高雄市臨海工業園區專營木材進口的工廠，1977 年開始進行遊艇設計、製造與銷售。企業第二代接班人，即嘉信遊艇總經理龔俊豪進入公司後，打破過往仰賴老師傅功力為主的製造模式，引進數位化製作，加快造船速度，船也愈做愈大，多年排行世界24公尺以上大型遊艇前20大製造商。並創下在一年內交付94艘遊艇的紀錄，為臺灣贏得「亞洲遊艇王國」之美譽。 瑕疵檢測確保遊艇品質 以AI取代人力效益高 為確保遊艇品質，瑕疵檢測相當重要。目前遊艇業採取的瑕疵檢測方式仍十分傳統，通常以手積層或是真空灌注製程方式製造船殼結構，藉由人眼或是敲擊法依敲打聲音頻率來判別瑕疵，需要人工耗費時間檢查，如有瑕疵須重工修補，接續執行噴佈膠殼作業。為便於檢測，船體必須分段施工，以24公尺以上大型遊艇而言，分段施工非常耗時耗力。 為縮短遊艇製程之速度，嘉信遊艇會先將船殼進行膠殼流程，之後再執行手積層製程，船殼製程有兩種複合材料試片結構，以遊艇54呎船殼來看，船殼中內含膠殼、芯材、纖維、樹脂，總厚度約為32公分plusmn01cm，與未含有芯材的FRP船殼總厚度約16cmplusmn01cm相差一倍之多。製程中偶會有玻璃纖維含浸不完全，或是玻璃纖維與樹脂間殘留氣泡等瑕疵問題發生，瑕疵的種類則包含樹脂不足、空洞、層離等，一出現瑕疵情況，船殼材料就供應不上，拖延遊艇交貨時間。 玻璃纖維船殼瑕疵種類示意圖。 為解決此一問題，嘉信遊艇與金屬材料產業以及AI科技產業三方專業技術的相互合作，結合金屬材料產業的超音波檢測專業技術與AI科技產業近年發展的AI技術協助解決嘉信遊艇瑕疵判別的問題。作法是運用相位陣列式超音波檢測技術至遊艇複合材料結構，進行FRP超音波試掃評估，瞭解遊艇船殼積層層數厚度與材料特性，依據超音波專業經歷，評估船殼結構適用的超音波探頭頻率等資訊，經測試以頻率5MHz且探頭寬度為45mm的探頭設備，能成功找出模擬瑕疵試片中的瑕疵位置及大小。 三方合作從陣列超音波評估、AI技術模型開發及實船實證應用，獲得瑕疵檢測解決方案。 檢測影像為超音波信號影像，影像依據超音波回饋訊號呈現不同色彩，透過YOLO演算法，建構自動識別瑕疵的部位的AI模型。若異常資料蒐集程度不足以訓練，則預計採用 CNN-based Autoencoder 演算法，蒐集正常影像資料進行訓練，建構異常檢測的AI模型。物件偵測YOLO模型的訓練將輸入具有瑕疵標註的影像資料，異常檢測模型則是輸入沒有瑕疵的影像資料進行訓練。 模擬缺陷試片對應相位陣列超音波信號結果 AI系統瑕疵檢測 可縮短15個月工期 加快50判讀速度 此套AI系統建構完成後，運用至嘉信遊艇實船54呎遊艇進行驗證，可有效解決嘉信遊艇瑕疵之問題，並可望藉由 AI 技術導入超音波檢測進行智慧化判讀，約可加快50之判讀速度，同時縮短15個月的工期，有效提升遊艇製程時程與品質的效益。 當臺灣遊艇發展朝向大型化、精緻化型態之際，帶來產業優化與轉型的機會，以及發展關鍵技術的契機。複合材料超音波人工智慧檢測方案之應用為遊艇業界首創，預計可吸引更多有檢測需求之遊艇廠商。 複合材料超音波人工智慧檢測方案有三大競爭優勢： 1 專業檢測經驗及數位化資料庫，便利製程管理與分析。 2 人工智慧AI自動判讀與辨識，快速辨識瑕疵，即時回饋給製程工程師。 3 高效率製程流程檢測，提供瑕疵修復建議，降低損壞率，強化複合材料強度品質。 導入人工智慧技術應用後，可優化遊艇製程流程，減少人力檢查樹速度，達到臺灣遊艇應用人工智慧之加值效應，擴大國際訂單量，讓臺灣遊艇持續在國際間享有盛名。再者，此一商業模式也擴散至複合材料相關之應用領域，增加跨領域市場使用率，預估將貢獻全台灣設備維修及非破壞檢測市場約新台幣14至20億元的經濟效益。

社團法人台灣食物銀行聯合會以下簡稱本會以食物援助、貧困救濟、減少食物浪費、建構無飢網絡為組織宗旨，在台灣各地已有55個食物銀行據點，每日收集來自全台各地量販店、中盤商、零售商、製造商、甚至善心人士捐贈的愛心物資，也會搶救即將被丟棄的可食用物資，進行妥善調配並配送至需求的愛心戶手上，幫助在地弱勢邊緣戶。 但各據點皆需大量人力與志工以傳統聯繫方式處理食物銀行日常事務，聯絡非營利組織與捐贈機構，為據點收到物資捐贈後，再分配給有需要的家庭戶或個人。在物資管理上缺乏數位化與整合資訊，可能產生物資資源分配不均問題。 倉儲轉運中心與迷你食物銀行 分配弱勢物資 本次場域驗證單位社團法人高雄市慈善團體聯合總會食物銀行據點之一，以下簡稱高慈總 於109年6月24日正式啟用台灣首座「食物銀行-倉儲轉運中心」佔地200坪，提高食物物資再分配、運用之效益、妥善存放及食物物資管理，至今已搶救近二百噸蔬果續食，服務一百多個團體、逾5萬戶弱勢家庭受惠，持續服務19家迷你食物銀行，將於高雄多個行政區陸續落成，分配食物物資給超過10萬人次弱勢家庭。 高慈總「食物銀行-倉儲轉運中心」於高雄大社區 照片來源 社團法人高雄市慈善團體聯合總會 人力與食物物資管理的挑戰 面對大量經濟弱勢家庭的需求，「食物銀行-倉儲轉運中心」的管理顯得格外重要。進貨時需進行分類整理、汰廢、入帳等繁瑣的工作，出貨時則需參照社工員的食物物資需求做配置建議。這些工作都需要依靠人工判斷及經驗累積。而參與的志工多為高齡人士，體力有限，而倉儲工作需耗費大量體力，志工的招募困難重重。倘若有大批食物物資進庫，在調配上會耗費空間與人力整理、盤點，並同時擔憂食物物資是否能有效的被運用及周轉。也顯示出食物銀行服務逐漸擴大規模，但人力與物資管理系統無法隨之配合。 同時食物銀行物資來自各界之捐贈，故類別多樣且效期、規格、數量也均不相同。迷你食物銀行的志工夥伴，多數也為高齡人士，但卻需執行個案服務、食物物資管理配置、物資資源開發等多重職責，有時也需向物資領用者說明並接受即期、大量特殊性的物資，如成人接受嬰兒奶粉。 「食物銀行-倉儲轉運中心」物資盤點需要皆仰賴人力 迷你食物銀行志工具多重職責 照片來源社團法人台灣食物銀行聯合會 報廢物資減少60 物資轉遞速度增加80 為精進物資管理並達到物資有效利用，並解決人力短缺等問題，在本次場域實證案導入「食物銀行倉儲物資募集AI自動預警需求判讀系統」，第一部分為建構分類模型之前置作業，建置以及蒐集場域倉儲資訊，進行AI建模訓練，將過往場域倉儲資訊收集建置成資料庫，使AI可進行預處理、分類等工作。同時視其物資種類之相依狀況作為特徵值，導入演算法中進行運算建模，再依收集之資料進行重新訓練，最終進行場域驗證並針對經常性五大類物資進行數據整理，以建立數據資料所需之訓練及測試資料集，第二部分以演算法之RNN技術建構分類模型；進一步利用強化學習建構食物銀行倉儲管理機制，使分類完善之受贈物資如白米、沖泡飲品、麵條、泡麵、罐頭等可以根據儲位指派原則自動指派儲位。 AI服務系統服務流程與說明 資料來源社團法人台灣食物銀行聯合會 在AI預判下，可優化物資轉遞速度及物資調配，有效精準配對物資捐贈並降低捐贈歷程的損耗，增加物資分配正確性，提高媒合服務率即捐贈成功率，降低錯誤物資造成人力物力浪費，即時監控食物物資的庫存，確保操作者能夠迅速回應需求，有效提供物資援助。 以AI系統的導入，加上數據智慧化建置，協助倉儲轉運中心的運作，可爭取更多時間分配捐贈物資使用。導入加速社福團體數位化服務推展，完善照顧整體社會弱勢群組之需求。 使用系統進行物資分配調度 照片來源 社團法人高雄市慈善團體聯合總會 透過本次的場域驗證後，未來可推廣至食物銀行其他服務據點導入AI系統，也可與更多非營利組織、公益團體、慈善團體等夥伴合作，擴大「食物銀行倉儲物資募集AI自動預警需求判讀系統」應用範圍如醫療用品配送，幫助更多組織更智慧化地管理和分發，減少物資的浪費，以提高社會福祉。