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

2017年，iPhone X的亮相讓提供 Face ID人臉解鎖的3D感測技術成為大熱門，也帶動了3D感測模組中的核心零元件VCSEL的發展。而VCSEL封裝元件入料瑕疵檢測，若透過AI推論模型可解決良率偏低產業難題，提升可靠度達95。 VCSEL技術現階段可被運用於諸多用途和各類終端消費市場，包括機器人、移動設備、監控、無人機，以及ARVR等。VCSEL在需求高速調製功能的應用（例如照相機和生物計量）中堪稱為不錯的解決方案。 VCSEL技術應用層面廣，也可應用於無人機。圖為佐翼科技農用無人機 VCSEL技術應用層面廣 AI技術助攻瑕疵檢測 赫銳特科技表示，VCSEL封裝元件市場也面臨到商業對手強力的削價競爭，需要進一步降低成本提升、產品競爭力，其中一個關鍵的難題就是將玻璃透鏡更換為環氧樹脂型透鏡。傳統玻璃透鏡的生產良率高，但成本較環氧樹脂透鏡高，因環氧樹脂經切割製程，側壁切割道上容易會有毛邊，造成尺寸過大，容易在打件時因為受熱而產生的應力釋放，將會直接導致光學透鏡破裂。 赫銳特科技指出，VCSEL環氧樹脂透鏡的入料檢測十分重要，在封裝空間的限制下，封裝與光學透鏡貼合的空間有限，且此光學透鏡會被侷限於一金屬框架內，若是沒有控管好尺寸公差，很容易在打件時因為受熱而產生的應力釋放會直接導致光學透鏡破裂，造成VCSEL封裝可靠度驗證良率損失最高達到10，造成生產成本增加。 為解決上述問題，赫銳特科技希望在VCSEL環氧樹脂透鏡的入料階段，可以藉由AI影像監控環氧樹脂元件的尺寸及外觀瑕疵，確認其尺寸是否合乎規格、切割邊緣是否平整、外觀是否瑕疵等。由於傳統的入料檢測，經通過大略的人眼目檢分辨好壞，為順利收集影像數據，首先需要解決影像蒐集的問題。 因此，赫銳特科技首先建立自動光學檢測裝置Automated Optical Inspection，AOI，自動光學檢測裝置包含X、Y、Z三軸動及高解析相機，及相關控制軟體自動記錄影像。蒐集完成後的影像資料，經opencv將測試影像Test與一標準正常影像Normal，進行影像對位後取出Test與Normal影像的差異部分，並可經由Pixel Mapping計算影像的像素面積進行比較完成初步篩檢。 承上之影像分類，進行手動標籤標示包含：正常、外觀瑕疵或形狀特徵差異之樣品，後進行演算法訓練與驗證，使用深度殘差網絡Residual neural network ResNet或其他相關演算法進行深度學習，以辨識出透鏡的優劣情形。 導入AOI檢測 提升產能效率達20以上 比較導入AI影像檢測的前後差異，導入前的VCSEL入料透鏡檢測，僅透過簡易的人工外觀檢測，將透鏡封裝在已固晶的VCSEL封裝體上，通過一般點亮檢測後，最後進行可靠度測試高溫回焊，失效樣品進再入重工流程。 但在導入AOI檢測之後，可提前將有問題的透鏡篩選出來，除了可以降低後續物料投入的成本，亦可減少失效情形降低重工的需要，因而提升可靠度驗證良率達95以上，預期可協助場域業者降低生產成本達10，提高產能效率達20以上。 導入AI影像檢測的前後之差異 赫銳特科技指出，這項技術是基於微小影像開發的AI應用技術，透過深度學習演算法辨識影像瑕疵，用來辨識瑕疵影像。而訓練後的網路來自動分類對應於預定類別的影像數據。透過參考影像就能辨識缺陷類別，因此不再需要繁瑣的編程。 而在工業機器視覺環境中，深度學習主要用於應用中的分類任務，例如在工業產品的檢驗或零件的辨識，未來隨著IOT穿戴裝置的發展，符合節能省電的潮流議題，光電元件尺寸將不斷的縮小，本技術未來也可應用在其他微小光電元件的外觀瑕疵檢測。

「喜鵲生活的DNA不會只有販賣機，我們相信販賣機結合科技、通路、人文，才能帶來令我們歡欣鼓舞的成果。」這是喜鵲生活官網上的一句話，讓販賣機帶來愉悅的生活，建構貼心、科技、永續的智能機產業未來，也是喜鵲生活創立的初衷。 成立於2018年的喜鵲生活，在成立4個月之後，即推出臺灣第一台自有品牌結合行動支付掃碼感應、藉由螢幕觸碰完成消費體驗、POS系統管理、數據聚集於後台的喜鵲U1智販機，讓消費者能同步世界的新零售腳步，體驗購買便利性、結帳安全性、視覺娛樂性、提升物流補貨效率的全新零售消費體驗。 傳統販賣機缺乏資訊可見度 AI技術協助資訊透明化 此次，喜鵲智能販賣機更搭載AI技術，提供可調整貨架空間、搭配工業電腦與大尺寸觸控顯示螢幕之自動販賣機，達成無店面商店之目的。 喜鵲生活表示，傳統販賣機最大問題即是缺乏資訊可見度。想要檢查庫存，就必須由補貨人員實際檢查每一部機器，這種做法既費時，成本也高。而當機器故障時，一般更是會長時間無法運作。大多數故障均無人通報，直到下次補貨人員抵達補貨才會發現。接著還必須等待維修技師排行程，而一等就可能需要數週的時間。 傳統販賣機缺乏即時互動性，當消費者投幣後遇到狀況時廠商無法當下處理。此外，傳統販賣機更缺乏彈性，無法應消費者偏好變化而調適。 傳統販賣機存在僅限零錢購物、支付工具單一；商品擺放數量有限，選擇性少等缺點。 受到COVID-19疫情影響，消費習慣轉為非接觸式的方式，致使無人化商店市場升溫。一般自動販賣機僅能擺放較單純的商品如飲料、食品等等。可販售的產業有限。而喜鵲開發出的專利販賣機可調整貨架空間，搭配升降貨梯，適用在各種類型的商品。此外，機台搭配工業電腦與大尺寸觸控顯示螢幕，能同時達到廣告託播的需求，預計朝無店面商店的方向邁進。 根據喜鵲生活觀察發現，近兩年來的消費者市場趨勢，消費者訴求便利生活、飲食消費型態重視餐飲體驗簡單快速，並且搭配手機連網訂購模式，而且熱飲及鮮食外送是兩大趨勢重點。而設置地點、販售品項、食用方式及多元付款方式是智能販售機的市場成長重點。 就便利性而言，臺灣消費者購買自動販賣機食品仍以車站、機場、學校、商業區公司附近為最高，多樣的付款方式也更獲得消費者支持，顯示未來自動販賣機可朝品項多元和支付方式多元兩大方向展開。 AI銷售預測技術整合後台管理 達到精準行銷目的 由於商品種類繁多，難以得知商品在不同因素如季節、市場情形、促銷活動等影響下的需求，容易造成缺貨或庫存過剩的狀況，喜鵲生活特別開發「AI銷售預測技術」，整合至後台管理系統，期能透過數據分析鎖定客戶購買偏好及意願，進而達到精準行銷之目的，進而做出精準的商業決策，有效分配有限資源。 導入AI系統可達精準行銷、庫存管理及供應鏈管理三大目標。 此一系統為專為供應鏈管理人員設計的調補貨決策輔助工具，透過 AI 預測未來銷量需求，協助企業有效優化產能、庫存及配貨策略。 其整體系統架構包括： 1資料探索性分析功能：針對資料內缺失值提供自動化補值、自動編碼及自動特徵篩選功能。 2建模功能 ： 1提供迴歸Regression、時間序列Time Series Forecast共兩類預測問題類型之模型訓練功能。nbsp 2支援 Auto ML 自動建模，並由系統推薦提供最佳模型，亦可建立集成模型提升模型準度。nbsp 3支援多種演算法類型：Random Forest, XGBoost, GBM等演算法。nbsp 4支援多種時間序列模型：指數平滑、ARIMA、ARIMAX、間歇性需求、動態複迴歸等模型。nbsp 5支援多種模型評估指標：R, MAE, MSE, RMSE, Deviance, AUC, Lift top 1, Misclassification等指標。nbsp 6支援自動切割訓練資料集及Holdout驗證資料集，並可手動調整比例。nbsp 7支援自動模型集成學習 Stacked Ensemble、平衡函數學習 Balancing Classes、早停法 Early Stopping。nbsp 8支援同時建立多個模型，系統將依照建模需求配置資源，讓建模、預測等任務擁有獨立的運算資源且互不影響，在整體伺服器空間有上限的情況下，運算資源能有效率被利用。nbsp 9具有記憶體運算In-memory computing功能，可藉由大容量及高速的記憶體進行運算，避免大量從硬碟中讀寫檔案，提高運算效能。 3資料串接功能： 運用API嫁接，採用完整的資料串接自動化，不需要手動匯入資料，提高使用者體驗。 4圖表分析功能：針對商品銷量提供視覺畫圖表及基本統計值。 AI數據分析解決方案具備兩大優勢： 1創業機台租售 低成本開設無人實體店與連鎖零售業合作，透過智能機讓創業者以低於店面租金的成本經營零售生意。提供機台買賣及租賃兩種合作模式，依業者評估選擇。 2多型態商品上架 24小時隨時隨地販售商品，可上架達60多種多樣化商品，透明大櫥窗提升商品能見度，定期補貨及追蹤商品販售狀況，依需求調整產品類型。 近來網路與實體界線模糊化，顧客互動方式大幅改變，消費需求多變且個性化，零售業面臨前所未有的挑戰和不確定性，掌握數據成為關鍵。AI 數據分析解決方案能幫助零售業快速活化大量資料，打造無縫的個人化體驗，最佳化營運價值鏈並提升效率，強化企業核心競爭力。