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。

臺灣堪稱製造業大國，然而，在產線上，品質瑕疵檢測一直是製造業長期痛點，雖然有AOI設備可輔助，但大多採用固定式機器，受限於角度，診斷不夠精準，誤判率也高。海量數位工程公司導入AOI機器智能手臂檢測系統，可有效降低誤判率，提高瑕疵檢測精準度。 一般來說，產品的良率攸關企業的成本與客戶的退貨率，而製造產業品質瑕疵的檢測流程，往往需要編制大量的品質檢測人力。目前製造業檢測工具雖然有AOI設備來輔助進行，但這些設備多半採用固定式的檢測機器，固定式相機容易受限於角度，導致診斷不夠精準，誤判率太高等缺點，因此，人員在後端需要再次篩選檢驗，也就是複檢，通常人工目測檢視的瑕疵漏檢率平均在5上，甚至可高達20。 製造業品質檢測三大痛點 機器手臂AOI之動態多角度品檢協助解決 根據海量數位工程實際了解製造業在檢測產品品質有三大痛點： 痛點一、人力檢測產品品質出錯率高 目前製造業多以人力來檢測產品外觀，但人工判斷多半有誤差，例如：表面刮傷、色差、焊道外觀hellip等，瑕疵判斷出錯率高，且須待成品階段才能一次性檢驗，時常出貨前全檢後依然遭整批退件，導致重製及人力成本大增。 痛點二、品質檢測之數據無法量化與記錄 傳統人力檢測無法保留檢測數據，嗣後發生品質糾紛時，責任難以釐清。而海外品牌高階代工單往往要求溯源與相對應的缺點紀錄，傳統產業原有之人力檢測難以符合更高階代工單之要求。 痛點三、傳統AOI視覺檢測的限制 現有製造業常用的AOI視覺檢測系統，因為視覺軟體技術的限制，都是以固定相機、固定光源及單一角度的方式來進行，這種方式對於平面或形狀由直線組成之產品例如：長方體或正方體的單一檢測點尚可處理，但對於複雜形狀的產品例如：汽車零件多為不規則狀多點、多幅度的檢測，就較難實現。 海量數位工程研發AOI機器智能手臂檢測系統，有效提高瑕疵檢測精準度。 為解決製造業在品質檢測的痛點，海量數位工程決定從研發多角度、可移動式的檢測儀器開始發想，從結合工廠自動化領域中的兩大代表性技術-機器手臂與機器視覺著手。海量數位工程以機器手臂結合AOI之動態多角度AI視覺即時品質檢測方式，改善固定式檢測受限多角度的問題，視覺檢測技術的提升與結合人工智慧，進一步相機取得的影像資訊可由平面取樣提升至多角度、多維度取樣。 選定汽車產業做為實證場域 可快速回應顧客需求 AOI機器智能手臂檢測系統，所運用的AI技術包括無監督學習（unsupervised）、監督式學習Supervised learning、半監督式學習Semi-supervised Learing，使業者在初期樣本不齊全，或是沒有不良樣本的情況下也能使用無監督深度學習技術學習良品，並應用在汽車三角架自動焊接的視覺檢測上。可解決導入前受限於固定式機器的角度、診斷不夠精準、誤判率高的問題。 汽車零組件單價較高，會要求更嚴格的瑕疵檢測正確率。 在導入AI服務的產業中，選定汽車製造業作為實證場域。海量數位工程表示，汽車製造業主要為相關零組件製造商，而且通常元件單價較高，需更多品質檢測品質及良率，會要求更嚴格的正確率，因此選定汽車業做為導入的場域。 機器手臂結合AI之動態多角度AOI視覺即時品質檢測系統，除了可以改善汽車零組件檢測瑕疵品質失誤率外，因為以多角度的機器手臂AOI服務來提升定點式AOI光學檢測，可以符合多數產業之量測需求；最後是建立第三方系統平台，建置共同工作整合平台監測系統，以便在問題發生時，第一時間接收訊息並著手處理。 本系統可針對出廠產品之重要數據進行記錄儲存，為實現未來數位生產線與虛擬生產之基礎。同時於瑕疵發生時，可即時串接海量MES監控系統，迅速反應至相關製造決策部門，嗣後並利用ERP系統進行專案管理與檢討，有效精進其生產效率，降低生產成本。 有助降低溝通成本 期許成為行業標配 就產業上下游整合而言，可以為上下游之數據連貫提供一基礎之標準，降低供應鏈之溝通成本，經由指標代工廠與品牌商的認證，有機會成為該產業之行業標準配置。 透過此一計畫的產出數據資料庫建置，業者進一步透過大數據分析Data Analysis，優化供應鏈管理的解決方案「供應鏈規畫Supply Chain Planning, SCP」，依據數據，建立預測計畫，並運用科技串連供應鏈上下游的數據，精準控制產品品質。未來對接歐美、日，需要品質精細訂單，業者能更快速回應及整合產業供應鏈Supply Chain 。 最後期望透過標竿示範產業之場域驗證，例如：以汽車零組件製造產業標竿示範場域，透過機器手臂結合AI之動態多角度AOI視覺即時品質檢測系統計畫進行驗證，讓汽車代工廠與汽車原廠之間有更優化的供應鏈聯繫，並成為該行業標準。更進一步尋求更多的AI團隊，加入場域協作平台跨產業之開發，帶動整體AI新創與場域結合的生態系。 海量數位工程研發的自走車

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