面对现今消费电子产品极力朝向轻、薄趋势发展，上中游印刷电路板（PCB）、面板、晶片等核心元件也须随之整合，并采取一体化设计；在制程阶段，则将要求品质应通过全检、24/7不间断连续生产。如今不仅导入自动化光学检测（AOI）解决方案已是标配，还须加入人工智慧（AI）以2D/3D图像分析为核心的机器学习技术，强化影像辨识功能。

回顾过去AI因为受到高速运算技术限制，CPU无力执行机器学习（Machine learning）演算法，直到约7~8年前NVIDIA正式跨足AI并加速深度学习（Deep learning）演算法之後，才促使AI能真正蓬勃发展，并深入影响人类社会各层面生活，接下来甚至还会持续向云端cloud、5G，或地端的自驾车、机器人等领域渗透。

尤其是在工业制造应用场域可导入4大项目，包括：Design阶段，例如IC/PCB设计与分析；Manufacture，针对产品或制造过程中的工件进行瑕疵检查；Supply chain，确保料件能及时满足生产线上需求；Service，执行预测诊断故障及维护营运等。

等到目前边缘运算产品（Edge AI）完成改变工业物联网（IIoT）环境之後，预估未来市场规模可??达到4.8兆（Trillion）元规模，又以制造（Manufacturing）、仓储物流（Logistics）产业应用各占2T的规模最大。随着IC晶片整合程度越来越高，Edge AI Device功能也会越来越丰富，如NVIDIA提供TAO Toolkit等套装工具，即可协助使用者快速上手AI应用。

图1 : NVIDIA预估未来市场规模可??达到4.8兆元规模，又以制造、仓储物流产业应用各占2T的规模最大。(source：nvidia.com)

工业电脑大厂善用GPU算力 支援视觉检测复杂瑕疵

工业电脑（IPC）大厂宸耀科技也从制造业硬体供应商的角度来看，认为AI现已无所不在，分散在工厂各个可见或不可见的场域，例如透过传感器搜集大量工厂和机台数据，再利用Deep learning进行自动排程最隹化及预防性维护；结合强化学习（Reinforcement Learning）训练机器人自动规划、产生移动路径，以进行更复杂的Pick & Place作业。

以及在自主搬运机器人结合不同传感器与AI感知，以协助规划路径、定位、避障，减少人为失误的风险；不必担心光源不足或相机功能，就能透过深度学习来增加读取OCR/Bar code，在快速移动的流水线上读取的正确率；或者利用深度学习的卷积网路（Convolution Neural Network；CNN）模型来自动产生特徵，藉此为各式物件分类或检测不规则瑕疵，就不必再耗时设计许多不同特徵。

「惟仍需要选择适合的Edge AI平台，才能满足所有从低到高端应用需求。」宸耀指出，目前制造业AI边缘运算平台遭遇的设计和挑战，在於其严苛环境不如传统建构大量伺服器、GPU的资料中心（Data Center），可处於舒适恒温的冷气房，利用庞大频宽执行高速运算。

反之，为了支援在厂内GPU强大算力与操作时的宽温差，Edge AI平台必须采取专利机构设计，以保持进/排气最隹效率散热，在高温环境下还能维持100%GPU效能。且因为在功耗与电源设计上，厂房也不像Data Center可以有充足稳定的电源，所以必须采用低功耗、接收高可靠度宽压直流输入设计，让仰赖DC电池供电更简单，AGV/AMR才能跑得更快更远。

可承受若安装於自动导引搬运车（AGV）、工业机器人上的震动与冲击，而分别因应低频振动的紧固与高频振动的减震等专利机构设计，锁固I/O接头、缆线，即使在3Grms振动下仍维持可靠运行。进而与传感器或PLC/运动控制卡/Field bus等周边设备整合控制，如搭配工业相机输入各类资料来源，并搭配各式各样模型和演算法，进行更复杂检测。

进一步落实於视觉检测应用时，包含在「仓储物流」场域使用工业相机撷取多面影像，再经过Deep learning模型辨识条码/形状大小不同物件分类，并导入不同仓储位置。宸耀也因应客户对於高可靠度、24/7运行要求，提供可大量部署、高性价比平台，搭配最新第十二代中阶GPU，以提升CPU/GPU算力倍增，用较少部电脑更快速、有效率介入物流系统。

导入於「物料分检/备料Pick & Place」应用时，则为了透过工业机器人针对一堆杂乱物件分类与夹取，须由6~8支工业相机从不同视角观察并输入影像，并使用强化学习（Reinforcement learning）不断训练，而自动产生机器人控制夹取类型和角度等策略；转移学习（transfer learning）重复利用现有模型，加速自有样本的训练。宸耀提供的平台则须具备多支相机输入介面、中高阶GPU、与机器人通讯介面卡。

但在针对以视觉检测较为复杂的面板或晶圆等产品的纹理/刮痕等瑕疵时，则建议采用卷积网路（CNN），适合检测品项多样且表面复杂的形状/瑕疵不规则产品。透过专业机器视觉厂商提供深度学习视觉检测软体，在同一环境里取像、标记、训练、推论，让使用者仅需少量瑕疵影像标记，即可在产线上检测出撕裂、污渍等瑕疵；平台再搭配单支或多支相机输入介面、单张或多张中/高阶GPU提高算力，并善用模型量化（quantization）与剪裁（pruning），支援提高训练与推论（inference）的速度、可整合I/O或运动控制卡24/7运行。

图2 : 宸耀科技从厂内严苛环境的角度来看，业者仍须要慎选适合的Edge AI平台，才能满足从低到高端应用需求，让使用者仅需少量影像标记，即可在产线上检测瑕疵，维持24/7高效运行，也降低部署时间与成本。

机器人结合光谱视觉系统 强化多色检测能力

日系工业机器人大厂Epson近年来也逐步与周边自家选配件，包括属於机器视觉的智能相机、PC视觉，以及六轴力觉感测器、教导器、输送带跟踪等产品，强调与别家品牌机器人最大差异化优势，在於软体、控制系统及专用功能，克服客户导入自动化的最大痛点。

其中Epson视觉功能不只为了Pack & Place定位，还能用於制程中辨识外观检测、长度及角度量测、缺料检视、输送带追踪、智能校正、扫瞄Barcode & OCR、轮廓追踪等功能，且都可沿用Epson机器人本体控制器、介面，让使用者不必重新学习编程。进而支援不同工业相机安装方式，可选择CV2架构，适用於PC/PLC控制GigE、USB相机；或是PV1架构，仅适用於PC控制GigE相机，且省去PoE布线不便。

在今年刚结束的台北国际自动化暨机器人大展期间，Epson也为了实现「Epson 25」企业愿景，现场规划多个工业机器人应用展示区，包括组装、搬运、视觉与力觉感测、IoT监控管理系统、简易软体操作等全方位智慧制造解决方案，更将自动化范围从搬运与组装的过程，扩展至零件生产和检测的应用。

除了发挥Epson工业机器人拥有高速度、高精度、低震动的优异性能，更结合了3D视觉感测器带来的双眼，赋予其解决多样生产需求的能力，同时能快速辨识3D空间、物料与色阶，顺利完成取放料的动作，也可透过视觉演算进行产品检测，提高产能良率。

今年还引进Epson全新光谱相机产品SV-700S，因为能增加曝光时间，测量多个波长且进光量较少，测量时间比RGB相机来得久。但色域表现更广，所能呈现的颜色也更多，射出成型机便能藉此，以少量的运算时间完成产品检测，有效提高产能。

机器人也可结合光谱视觉系统，用於须精准雷射辨识多种颜色场域、肉眼难以区分的色差，助产线完成产品色彩检验流程。且比其他第三方相机厂商更拥有高度整合的一致性优势，以便於机器人若手眼校正不协调而出错时究责；能以向导指示智能校准，省去繁杂的校准步?，新进工程师也不必重新学习复杂视觉知识和通讯程式控制，就能快速上手。

图3 : Epson推出的光谱相机新品SV-700S，将机械手臂与光谱视觉系统整合，令手臂可透过色阶辨识演算助产线提高产能。（source：Epson）

工研院建构微型工业相机+AIBOX 展现可重组多工AI视觉系统

经济部技术处也在今年举行的「2022 SEMICON Taiwan」，共展出33项创新技术！其中「微型3D叠构智能相机」模组，便是透过最适化电路模组划分演算法进行设计，以兼顾模组空间、功耗、效能；及其可弹性扩充，具备更换晶片能力的模组化架构，以满足不同AI系统模组应用需求。

此针对微缩化硬体需求，结合3D叠构型SOM与具AI边缘运算功能的工业相机模组，并提供客制化硬体及散热外壳机构设计，将高解析度视觉影像系统导入工业检测应用。内部采用联发科MTK Genio 500 AI边缘运算晶片为核心而降低成本，且可达到0.75TOPS/W算力，应付需求较高的应用程式，以支援深度学习、类神经网路，用於异质资料边缘运算、电脑视觉应用、工业检测等情境。

同时针对工厂通讯规格设计介面，整合打通德国iDS等不同品牌工业相机Driver与AI 架构（framework），得以配合客户需求，提供如MobileNet、AlexNet、ResNet等，已通过验证的最适化AI演算法来设计AI模型、训练、推论与部署、导入系统，可在工业检测与消费型AIoT应用，找出物件瑕疵、缺件、短路、偏移等问题，方便工研院後续协助维运、升级服务。

现场也展示该模组整合了工研院自制「AIBOX」边缘运算器，采取「可重组多工AI视觉嵌入示异质系统」架构，强调可兼容现今市面上标准USB及IP Camera，得以多路分别执行不同AI模型，可有效节省外部记忆体50%。进而整合时下的深度学习演算法，采用模组化设计、简易直觉式UI，使之能一键新增客制化AI演算法模型，为嵌入式设备升级。有效解决过去业者若导入AI应用，每增一项应用就须添购GPU平台搭配一部设备+相机，如今则可藉此达到多工需求，又能节省开发时间与成本。

图4 : 经济部技术处打造「微型3D叠构智能相机」模组＋「AIBOX」边缘运算器，展示可重组多工AI视觉嵌入示异质系统」架构。（摄影：陈念舜）

系统整合实现人工智慧 软硬体工具为自动化加值

值得一提的是，为了让现今机器人更适应多元场域，必须与环境互动、人机协同作业，所以必须具备更高阶的感知功能。在台湾也有如系统整合商所罗门公司（SOLOMON），推出「Solomon AI Inside」概念成果，其有别於一般用来分析、预测保养的大数据AI，而是属於图像式AI，可无缝连结机器人、视觉和AI软体逻辑判断；现也纳入多家不同机器人品牌的程式语言，一旦用软成功建立流程，就不必再编写繁复的程式。

所罗门强调，经由整合自家深度学习（Deep Learning）的类神经网路AI检测软体Solvision，导入到国内外各家检测设备及系统整合商的解决方案，能让使用者利用仅需市售AI软体约10%~30%数量的标注影像样本，即可训练高辨识模型的优势，轻松解决过往难以高效检出瑕疵的痛点。

得以最短时间降低员工误判、漏检所造成的影响，以便管理者执行决策，亦能有效提升生产力。进而训练机器人持续学习、升级进化，不必靠操作人员手持教导盒紧跟着指点、下令，或针对各种乱堆工件，重新制作夹治具生产，即可自主辨识及执行??件等动作指令。

结语

展??现今工厂对於新型态智慧制造的需求，在ESG的永续浪潮下，已有越来越多企业期盼能藉由智慧转型调整工厂产线的制造模式，以达成永续经营的目标。因此当建置工厂软硬体设备及整合系统时，皆期盼能以相对缩短的安装流程、在少量投资的前提下，完成优化生产线。

包括Epson的制造创新模式，便是将工业机器人技术与系统服务整合後，以一站式方案为工厂导入灵活且稳定的生产线，建立高效的生产系统实现短链制造目标，并减少对环境的冲击。同时更透过自动化来缓解劳动力短缺困境，让工厂享有高品质的成品，也有效降低人事成本。

系统整合商所罗门则分析过去10馀年来，与各家业者合作导入机器人系统整合的经验，发现机器人其实很难取代人力高弹性的优势。反之，若能藉AI从建立流程标准化开始，量化员工效率并设法让员工减少犯错，就有机会加以改善，避免影响作业效率，甚至冲击接单状况与制造成本。

尤其是在现今制造业正面临基层熟练技术人力短缺，或无力与半导体产业争夺高阶人才的困局，克服技能落差、经验传承等问题。业者倘若能藉此深化AI技术，并完善虚实整合应用，将能大幅提高维运团队效率，能让员工操作更安全、有效率，且成果接近零瑕疵，从而提升企业灵活性，加快回收自动化投资报酬。

**刊头图（source:assets.bosch.com）