:::

【113年 應用案例】 AI輔助紅十字會 急難救助更智慧

多一點準備 少一點損失

社團法人台灣食物銀行聯合會,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。

當台灣發生天然災害時,如地震、山崩、土石流、颱風、水災、旱災等,食物銀行的各項物資,也可即刻投入救災。本次場域驗證單位社團法人南投縣紅十字會(食物銀行據點之一,以下簡稱南投紅十字會)承擔「備災」物資預前準備、「救災」物資分配等工作,協助政府擔負起災變的救助與賑濟的責任。

在臺灣各項天災均具有發生時間長短和空間覆蓋廣闊或狹隘的特性,加上極端氣候常態化,災害規模與數量逐漸增加,也更難預測。而不同災情所需的物資數量和種類皆有不同,且須應對不同災區人民生活、救援需要、交通狀況、地形限制等各項因素,進行多樣化的物資調配,亦面臨諸多挑戰。

卡努颱風重創南投山區交通
卡努颱風重創南投山區交通

南投縣紅十字會規劃山區路線 埔里>法治國小>親愛村>奧萬大進行物資遞送
南投縣紅十字會規劃山區路線 埔里>法治國小>親愛村>奧萬大進行物資遞送

災難不斷反覆發生,我們需要時刻做好準備,有效「備災」可減緩災害所造成的衝擊,除了快速應對災區物資需求、賑濟物資,甚至可起到心理支持作用,使災區人民多一層生命財產的保障。

救災資訊缺乏即時性

社團法人台灣食物銀行聯合會為改善偏鄉生活及物資缺乏問題,除了與南投紅十字會合作,並陸續於南投市、埔里、仁愛(力行、瑞岩)、信義(望美、同富)、水里、鹿谷及草屯等共9站設立食物銀行據點,每月載運每戶等值新台幣600~1000元之物資供應。但在天然災害發生時,仍有許多問題需要克服。

例如當颱風、地震、山崩等天災發生時,救災調度系統的資訊來源依賴於災害發生後的回報,從回報到應變再到執行過程中的時間差,無法及時以災區需求進行「救災」物資調整和分配,資訊缺乏即時性時,就會影響救援效率。

南投紅十字會的「備災」物資(如乾糧、水、泡麵等)存量、有效期限、發給都是以人力來紀錄,當災害發生時,可能面臨「備災」物資已過期,無法成為「救災」物資。

也有可能前述兩種狀況同時發生! 造成花費更多時間把「備災」物資重新調配成可用「救災」物資。另一方面,民眾接到災區缺乏物資的訊息後,熱心捐贈的物資,時常與災區實際需求的物資品項差異甚大,容易造成物資過剩問題。

天災發生前後之物資作業流程
天災發生前後之物資作業流程

AI預判天災 補強備災物資調度正確性

應用 API 技術介接運算氣候狀態、災況搶救強度,並將南投紅十字會主要工作與搜救之需求地區為優先導入,並搭配南投紅十字會既有豪雨、颱風等模擬救災訓練,建立「天然災害緊急救備物資調度及補充決策系統」(以下稱急救備物資系統)

在物資管理上,將物資庫存資料與即時供給的資料輸入急救備物資系統,進行比對分析後,協助南投紅十字會快速辨認物資,如餅乾/乾糧、飲品、冷凍食品、衛生紙等,並判斷物資應成為「備災」物資或定期發放的物資。再加上資訊預判,了解偏鄉地區後續可能的災情狀況,進行食物遞送,同時解決前端食物浪費並解決後端實務需求。當天災發生時,可更快速進行應變與決策,完成物資部屬,使物資作業轉換速度增加20%

AI急救備物資系統 幫助物資調配快速應變
AI急救備物資系統 幫助物資調配快速應變

透過南投紅十字會的場域驗證將AI系統、物資管理、相關應用推廣至更多不同地區的急救難團體,同時持續改進急救備物資系統中的預警功能,加強預警技術基礎、提高預測精度/系統即時性、優化數據收集和分析過程。

同時可與政府機構、氣象部門或其他救援團隊合作,研討整合更多數據源後,建立共享資源和數據的機制,及時共享信息,幫助更多急救難團體提高災難應變的能力,掌握黃金救援時間。

推薦案例

【導入案例】巨量遙測空間數據AI分析雲端服務平台 使衛星遙測影像順利落地應用
巨量遙測空間數據AI分析雲端服務平台 使衛星遙測影像順利落地應用

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

【解決方案】連聯合國都買單 悠由數據應用運用農業數據搶攻全球商機
連聯合國都買單! 悠由數據應用運用農業數據搶攻全球商機

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

這是一張圖片。 This is a picture.
基於人工智慧的PCBA表面瑕疵檢測改善

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