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

傳統物流公司加上AI技術之後，在運送效率提升及運輸成本下降等效益大大提升，尤其是醫材轉運更涉及醫院及病患的服務時效及權益，透過智慧物流的建置，可為醫材業者節省投入建構GDP倉、配多達千萬元之成本。 國內重要物流領導廠商-新竹物流HCT擁有3,500輛車隊、6萬坪倉儲，提供物流、商流、金流、資訊流、流通、倉儲、加工之客製化物流解決方案。每日貨件處理件數達58萬件，最大處理能力每日可達90萬件，轉運效能的提升對於新竹物流而言，至關重要。 醫院醫材運送 需優化現有作業流程與提升系統化、智慧化 尤其是醫院醫材的運送，也面臨到難題。醫材業者需要針對客戶不同產品需求、不同溫層需求、不同配送時效等因素，透過多家物流業者進行出貨與物流作業，高度依賴作業人員的經驗與細心管制，無論是產品出貨過程與實際物流配送過程，需要環環相扣，若有任何人工失誤與錯誤，都會影響醫院與病患的服務時效與權益，因此各家業者與政府及醫院等，都致力於優化現有作業流程與提升系統化、自動化與智慧化程度，以有效降低服務過程中造成的失誤及成本損失。 新竹物流導入AI之前的配送流程。 現行在醫院需求端已有相關業者配合政府推動相關標準化平台作業，透過供應端業者的資料協同作業，改善產品出貨正確性與作業時效，提升需求端的作業品質與管理效益；同時，部分業者也投入企業內部作業流程標準化與系統化，提升業者營運效能與品質。 在貨運物流端方面，物流業者的倉庫出貨人員需要耗費人工進行管控不同的物流出貨作業安排，若因常常接到緊急任務通知，要出貨到醫療院所，往往需要依賴小型區域性物流業者來提供客製化配送服務，除配送時效提升外，並無法導入整合性的資訊化服務。 新上路的GDP醫材法規規範運銷品質，也就是醫材供應商必須進行GDP合規認證，必須導入符合GDP法令規範之倉儲與物流服務業者，如此一來，區域性小型公司將被淘汰，因此，新竹物流透過經濟部工業局的AI輔導計畫案協助，除延伸既有GDP符合法令的倉儲物流服務外，將進一步利用相關數據整合與最佳化AI技術，協助醫材業者簡化改善物流配送最佳化作業。 複雜的物流難題 運用Simulated AnnealingSA演算法求解 為能滿足新的「醫療器材優良運銷準則」中對於醫療器材優良運銷系統建構的要求，新竹物流除了積極導入新式物流車，更將導入人工智慧中數學最佳化技術，以協助公司在每日全國營業據點以及轉運站進行智慧班次排程規劃，期望以最佳化的車班進行醫材在營業據點間的對開，或是區域間的轉運，以提高醫材在運銷過程中的效率。 目前醫材在新竹物流的轉運過程中，使用可分離式拖車頭與貨櫃。每個營業所及轉運站由於區位與幾何設計不同，以及人員數量不同，單位時間內的吞吐量也有差異；再加上每天的貨況大小、目的地皆不相同，面對無法確定且需求不同的變化，拖車頭及貨櫃的派遣狀況便隨之改變。 在此情況下，新竹物流僅能根據以往的經驗來進行各個衛星所之發車班表，並根據此班表視每日不同變化之貨物需求量進行調整。 因為是根據經驗法則進行排班，所以，班表往往不能兼顧全盤的變化與考量，使得目前發車班表仍然存在著可以改善的空間。。 貨物遞送規劃本質上為一NP-Hard難題，因此難以用傳統的解析解法，新竹物流結合奇點無限公司採用Simulated AnnealingSA演算法進行求解。 新竹物流導入的新物流服務為「GDP櫃班次規劃」。所謂的班次規劃，指的是根據未來對於站所間醫材貨件的預估量，進行站所間貨櫃車班的班表規劃，目的是讓醫材能夠如期如質抵達，並且讓新竹物流在場站作業、車輛數、行駛里程得到最高的效益。 新竹物流導入AI最佳化班次規劃，從其起點至終點間建構出一條最有效率的運送路線。 新竹物流導入「最佳化班次規劃」服務 降低5運輸成本 導入方式是利用雲端軟體服務，由新竹物流定期輸入站所間醫材貨件之「交互件數表」至「最佳化班次規劃」服務後，設定好演算參數即可產生GDP櫃班次表。同時發展新竹物流醫材班表系統，使新竹物流醫材運務單位能透過交互件數表編制適合班表。在相同服務水準的前提下，預估可降低運輸成本5，為醫材業者節省下建構GDP倉儲、配輸成本達千萬元。 醫材由於其對於衛生、溫度的要求，以及其易碎性等特色，因此運輸與轉運的時間越少越好，越少時間暴露在外，則醫材配曝險程度越低，然而由於仍須考量物流效率與成本。AI將每個需要運送的貨物，從其起點至終點間建構出一條最有效率的路線，即可有效率地完成每日的運務作業。 因應未來產業物流高度發展需求，其中配送與轉運AI最佳化將是關鍵議題，透過本計畫將成立專案推動組織，配置AI技術、IT與流程領域人才，累積落地經驗後，逐步擴大AI實際應用場域，全面優化轉型新竹物流的營運體系，並結盟AIOT與各領域AI夥伴加速與擴大效益之達成。

在 5G、AIOT、汽車電子等下游發展迅速，全產業鏈有望受益於此消費市場。在產品需求動能逐漸增加的情況之下，提高生產效率與降低作業成本成為最重要的課題。為符合客戶各封裝產品類型的需求，穎崴科技一直致力於研發高度客製化測試座，但衍伸的作業痛點則是無法大批量與機台全自動化的作業，部分作業仍需依賴人工執行。 在本案 2021 年時測試座探針部分是委外製造，對現行與未來的大量需求下工時、成本、供給、品質是穎崴需面臨的課題。nbsp因探針的體積較小且材質屬於金屬類型，在現行人力目檢下需花上較多的時間調整焦距、亮度等以確保能看得清晰並判斷，而判斷標準會因人而異，容易因主觀意識或人員目檢疲勞產生誤判、作業疏失，導致不良品未檢出、流入客戶端手中，使客戶使用本公司的測試座產生誤判結果，導致客戶產品功能失效等問題，進而影響本公司的商譽。 本公司在接觸元件檢測良率為 9995，看似高良率，但以一個品檢人員平均一天能檢測 1 萬根針，不良品就有 5 根針，在僅 3 公分長寬的測試座上約有 1 千根針，只要有一根不良針可能導致客戶端測試不良。因現有作業模式為人力目檢，當外在因子若為人員疲勞，人員作業疏失，人員非量化判定即有可能造成不良品流出，因此接觸元件的品質必須嚴格把關。 nbsp曾尋求以光學檢測Rule-based進行外觀品質控管，但接觸元件材質為金屬製，對光線會產生射散、背景雜訊干涉、背景刮痕、材質等因素可能造成誤判，因而找到在 AI 技術方面的資服業者來解決我們的檢測難處。 開發 AOI 專用線掃設備 nbsp為了達成本公司 IC 測試座內動輒數千上萬支探針檢測需求，若以傳統面型取像與逐針取像，勢必因取像速度慢無法達到快速檢測以及節約人力的目標。針對此點，資服業者提出可試用 AOI 專用線掃模組方案，以 X 軸 63mm 為面寬，往復掃描測試座上的所有探針，經測試可一次掃描 89 支探針如下圖，大幅提升未來 AOI 機台的檢測效率。nbsp本案將進行上述創新的概念驗證POC，重點於線掃描設備的開發，針對本公司所提供的正常與異常探針進行取像、學習、訓練，先以逐針取像，訓練初步 AI 模型為驗證目標，以達初步認可。 本案客製化開發的線掃描取像模組 未來理想取像結果示意圖 以單一 AI 技術方案解決量檢測需求 nbsp統一以 AI DL CNN 學習方式，取代現行 Rule based 需逐一定義瑕疵，為滿足磨耗的量測需求與缺損異物的外觀瑕疵檢測需求，如機台同時採用採量測檢測兩套技術，除了成本增加外，亦影響檢測速度，則資服業者建議以線掃描設備取像，其解析度足以由 AI 同時判定外觀瑕疵及以大小圓點判斷針頂磨耗狀況，詳如下圖。 以線掃描像素方式，呈現針頂磨耗情形 nbsp依此 AI 檢測技術能符合穎崴的量測與檢測兩項需求，不僅在未來探針檢測上帶來更多的效益，也在 AI 技術方面帶來創新主軸。 改變人檢方式，提升工作效率與產品品質 經以上述硬軟雙劍合璧後線掃描硬體AI 軟體模式訓練，成功挑戰了 AOI 新興檢測應用，經本案 AI 落地 POC 驗證後，包含客製化線掃描模組及初步 AI 模型開發、驗證，計畫明年正式開發 AOI 機台，並導入 IC 測試座生產線。 未來展望 IC 測試座上游探針業者及下游 IC 廠使用者對 AOI 檢測機台均有需求，上游可確保探針出廠品質，下游使用者則可利用本機台定期檢測手中諸多 IC 測試座使用狀況，對未來需求勢必殷切，故本計畫 AOI 機台對 IC 測試產業於可見的未來必將造成極為正面的影響。