<div class="field field-name-field-news-column-category field-type-taxonomy-term-reference field-label-hidden"><div class="field-items"><div class="field-item even"><a href="/tags/%E6%96%B0%E8%81%9E">新聞</a></div></div></div><div class="field field-name-body field-type-text-with-summary field-label-hidden"><div class="field-items"><div class="field-item even"> <p><span style="color: rgb(0, 0, 255);">重點新聞(1120~1126)</span></p>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 矽品 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AI應用實例 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 參數最佳化 </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;"><strong>矽品導入兩大AI應用：AOI自動最佳化調光、靠軌跡辨識</strong></span></strong><strong><span style="font-size: 22px;"><strong>揪出違反門禁者</strong></span></strong></p>
<p dir="ltr">IC封測大廠矽品，近期在自家產線上的兩個場景中導入AI。一是在運用光學檢測設備（AOI）來檢查產品時，由於AOI光源在壽命期內還是會衰退，為了維持良好的檢測效果，就需要有經驗的工程師重新調整光源設定，每次調整時間約20～30分鐘。為此，工研院協助矽品導入了參數最佳化的技術，運用一套自動化且標準化的快速調光軟體來找合適的參數，減少錯誤嘗試的機會，能將整體調光時間縮短到1分鐘之內。</p>
<p dir="ltr"><img alt="" src="https://s4.itho.me/sites/default/files/images/%E8%9E%A2%E5%B9%95%E5%BF%AB%E7%85%A7%202020-11-24%20%E4%B8%8B%E5%8D%8812_22_10.png" style="width: 700px;" /></p>
<p dir="ltr">二則是在半導體產線的從業人員執行生產作業之前，需要先依規定去除靜電，才能通過三叉門進入廠區，否則可能會影響產品良率。為了防止少數人員會尾隨其他人直接通過門禁，矽品每天要花費8小時抽查20臺24小時錄製的監控影片，來揪出違規者，耗費許多人力與時間。針對這個痛點，工研院建立了物件偵測模型，先追蹤影片中穿越三叉門的人員，再以複合物件移動軌跡模型，自動分析從業人員在連續時間中的移動路徑，透過異常的軌跡來抓出違規者，POC測試時已經可以準確偵測出異常行為，未來若建置成即時偵測系統，更能直接告警來通報異常，進一步確保產品良率。</p>
<p dir="ltr"><img alt="" src="https://s4.itho.me/sites/default/files/images/%E8%9E%A2%E5%B9%95%E5%BF%AB%E7%85%A7%202020-11-24%20%E4%B8%8B%E5%8D%8812_20_36.png" style="width: 700px;" /></p>
<p dir="ltr">矽品智慧製造處處長徐翊指出，矽品是由作業端的人員提案，找出能提升品質、增加效率、降低成本、減少庫存的場景，再由中央統籌的單位來規劃AI導入的優先順序，並推動專案的執行，同時將各類AI導入作法標準化。矽品約從5年前就開始單點式的導入Rule-based的AI技術，近年來也更進階的導入ML、DL技術，由自家具有領域知識的專家先識別訓練資料的特性、進行資料清整，再與外部技術成熟的資料科學團隊合作，建立起AI模型，透過雙方的配合來加速AI落地。</p>
<div>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 和盈光電 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AI應用實例 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 瑕疵辨識 </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;"><strong>合盈光電PCB瑕疵檢測改用AI辨識，TNR準確率可達99.96%</strong></span></strong></p>
<p dir="ltr">光學元件設計製造廠合盈光電，每月生產約3～4萬套相機模組，但在設置的四個檢查站中，原先只有6位檢查員來人工目檢外觀瑕疵，由於目檢人員流動率高、不易找到新人，因而成為廠商生產作業中的一大痛點。為此，工研院針對相機模組中印刷電路板（PCB）的人工焊點，訓練出瑕疵辨識模型，來取代原先人工目檢的方法，目前已經可以達到漏檢率（FNR）0.25%、篩除率（TNR）99.96%的高準確率，不只能大幅降低查驗人員的檢測數量，更能提升檢測效率。</p>
<p dir="ltr">工研院開發的瑕疵辨識模型，是運用了自主研發的多重特徵影像檢測技術（Deeply-Fused Branchy Networks，DFBN），這個技術的深度學習網路架構，包含了有多個較小但結構完整的分支神經網路，結合了多層數神經網路與少層數神經網路能辨識不同類瑕疵的優勢，來對瑕疵影像進行協同決策，提供最佳化的分析結果，能更進一步提升瑕疵檢測的準確率。</p>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 永勝光學 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AI應用實例 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 印刷品校稿 </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;"><strong>永勝光學導入AI來取代人工校稿作業，縮短5倍作業時間更能適用多國語言</strong></span></strong></p>
<p>光學設備製造商永勝光學，同樣運用了工研院研發的多重特徵影像檢測技術（DFBN）來進行瑕疵檢測，但，應用場景是在說明書、包裝盒等印刷品文字及圖案的校稿檢測上。比如在設計端，需要將原稿與美工編輯後的圖檔進行比對，來檢查在美編過程或轉檔時是否產生錯誤，或是在產線端印刷完成後，也需確認印刷成品與原檔資訊一致。過去，由人工來檢核一件印刷品，需要花5分鐘的時間，為了加速檢測作業，永勝光學導入AI自動擷取特徵資訊來進行比對，能將校稿時間降至1分鐘以下，縮短5倍以上的檢測時間。</p>
<p>這項技術的另一個優勢，則是能適用於各國語言的檢測，比如英文、阿拉伯文、德文均適用，能防止語言文字不通，人工檢測疲勞而導致的疏漏問題。</p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/%E8%9E%A2%E5%B9%95%E5%BF%AB%E7%85%A7%202020-11-24%20%E4%B8%8B%E5%8D%8812_19_11.png" style="width: 700px;" /></p>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 曜凌光電 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AI應用實例 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 製程參數最佳化 </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;"><strong>曜凌光電透過2種AI模型，找出製程參數與產品品質的交互關聯來加速研發</strong></span></strong></p>
<p dir="ltr">製造業製造產品時，會需要設定大量製程參數，比如顯示器製造廠曜凌光電在蒸鍍製程與投料上，需要設定如燃燒溫度、功率、使用前預熱、靶材消耗等參數，這些參數的不同會影響產品品質。為了提升良率，曜凌光電希望找出一個能透過製程參數預測產品品質的模型，再藉由模型提供的關鍵參數，來進行最佳化的製程參數調校、分析大量製程參數的交互影響，或是在品質檢驗前就先預測產品品質，並在產品發生不良快速找出不良原因。</p>
<p dir="ltr">也因為過去的參數優化模型只能針對單一產品製程來分析，難以進行大規模的擴散，曜凌光電也希望建立一個泛用模型，來預測多種產品的製程品質，由於各產品製程受到各項變數的影響程度不同，透過剖析製程中各變數對結果值的影響程度，就能找出影響製程的關鍵參數，進而將參數最佳化，在實際應用場景中，甚至能用於新品的開發，來減少實驗次數、降低開發的時間與成本。</p>
<p dir="ltr">曜凌光電透過工研院的點子創新平臺AIdea提供製程資料，來徵求產品品質預測AI以及多樣態產品製程參數優化AI的解方，目前點子徵求競賽已經結束，也已經徵得好點子，將AI模型實際導入應用場景中。</p>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 元翎精密 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AI應用實例 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 疊料偵測 </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;"><strong>元翎精密在金屬製程中運用AI，來排除疊料異常減少設備故障</strong></span></strong></p>
<p dir="ltr">金屬製造業元翎精密也在製程中導入AI。這項AI應用在疊料的排除上，也就是在金屬圓片完成沖壓之後，會進入連續引伸（鍛造工序之一）的製程，但在沖壓製程中產生的毛邊，可能導致圓片疊料，若沒有及時發現就進入引伸段，可能會造成設備故障，屆時就需耗費1天的時間重新調整參數才能排除故障情形，更可能因此損壞模具。因此，元翎精密在金屬圓片進入引伸段之前，運用工研院的技術，在圓片移載料臺加裝了一個高度感測設備，透過量測圓片厚度來找疊料情形，一旦發現就停止機器運行，等到排除疊料狀況再繼續生產。</p>
<p dir="ltr"><img alt="" src="https://s4.itho.me/sites/default/files/images/%E8%9E%A2%E5%B9%95%E5%BF%AB%E7%85%A7%202020-11-24%20%E4%B8%8B%E5%8D%8812_25_28.png" style="width: 700px;" /></p>
<p dir="ltr"><img alt="" src="https://s4.itho.me/sites/default/files/images/%E8%9E%A2%E5%B9%95%E5%BF%AB%E7%85%A7%202020-11-24%20%E4%B8%8B%E5%8D%8812_25_10.png" style="width: 700px;" /></p>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 開源CNN架構 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> HarDNet </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 邊緣運算 </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;"><strong>國產開源CNN架構HarDNet部署邊緣運算裝置，獲全球</strong></span></strong><strong><span style="font-size: 22px;"><strong>影像辨識評比前五強</strong></span></strong></p>
<p dir="ltr">去年開源CNN架構HarDNet的清大林永隆教授團隊，今年將HarDNet實際部署在算力較低的邊緣運算裝置上，並參加全球低運算電腦視覺競賽（Low-Power Computer Vision Challenge，LPCV）來驗證HarDNet的表現。</p>
<p dir="ltr">其中在FPGA類別的評比中，由於評分標準取決於模型精準度與速度，團隊運用HarDNet68及HarDNet39分別訓練了兩個影像分類模型，來針對ImageNet的1,000種物件類別進行辨識，HarDNet68因網路層數更多，辨識率相對較高、達到86.9%，但辨識速度較慢，HarDNet39則相反，儘管辨識速度能快上三倍，但辨識率降至73.5%。經過評比後，得獎的為HarDNet68的模型，獲得LPCV全球第二名的佳績。（<a href="https://www.ithome.com.tw/news/141194" target="_blank">詳全文</a>）</p>
<p dir="ltr"><img alt="" src="https://s4.itho.me/sites/default/files/images/PXL_20201118_030043236%20(1).jpg" /></p>
<blockquote><p dir="ltr">左邊為HarDNet68模型的辨識成果，右邊為HarDNet39的辨識成果。後方更搭載了FPGA晶片來實際進行演算。</p>
</blockquote>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Google AI </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 樹冠實驗室 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 樹木分佈地圖 </span></strong></span></strong></p>
<p><strong><span style="font-size: 22px;"><strong>Google成立樹冠實驗室，將航空照片結合AI來規劃樹蔭</strong></span></strong></p>
<p>過去當城市要規畫植栽時，通常必須曠日費時地進行田野調查，或者只能仰賴過時的紀錄、不完整的研究資料等。但Google成立的<a href="https://blog.google/products/earth/helping-cities-seed-new-trees-with-tree-canopy-lab/" target="_blank">樹冠實驗室（Tree Canopy Lab）</a>，先利用飛機拍攝的航拍照片，並輔以Google AI與Google Earth Engine的資料分析能力，找出城市中的樹木分布與其密度，再以近紅外線（near-infrared）照片來偵測人眼看不到的顏色與細節，並比較不同的角度來建立高度圖；接著，還利用專門偵測樹木的AI自動掃描這些照片，找出樹木的位置，建立一個能夠展現樹木覆蓋區域（樹冠）的地圖。如此一來，就能進一步辨識出具高植樹潛力的住宅區，或是找出因樹冠覆蓋率太低而可能曝露在高溫下的人行道，來規劃植樹區域。（<a href="https://www.ithome.com.tw/news/141224" target="_blank">詳全文</a>）</p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/%E8%9E%A2%E5%B9%95%E5%BF%AB%E7%85%A7%202020-11-24%20%E4%B8%8A%E5%8D%8811_25_37.png" style="width: 700px;" /></p>
<p><strong><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AI趨勢近期新聞 </span></strong></span></strong></p>
<p><strong>1、Apple釋出專為Mac最佳化的TensorFlow版本</strong></p>
<p dir="ltr"><strong>2、結合快閃記憶體與FPGA，三星與賽靈思合推運算固態硬碟</strong></p>
</div>
<p>圖片來源／中科管理局、Google</p>
<p>攝影／翁芊儒</p>
<p>責任編輯／翁芊儒</p>
<p>資料來源：iThome整理，2020年11月</p>
</div></div></div>
