關於 深度學習 出路 ，我們在網路上蒐集到這些相關的討論、資訊與評價

台南古都融合 AI 科技，發展交通智慧化

作者 TechNews | 發布日期 2021 年 06 月 24 日 10:00 |

人工智慧（AI）一直是近年的熱門科技詞彙，根據「2021 台灣 AI 趨勢報告」，台灣有 84% 的受訪企業導入 AI 技術，以提高組織效率及創造營收為主要目標，在製造、行銷與客服等領域中獲得深入地應用。

AI 深度學習效果事半功倍

綠捷能智控股份有限公司（HIPOWER）長期致力於AI影像偵測辨識演算法的開發，過去應用領域也多於車牌辨識、車輛追蹤相關。2020 年參與臺南市政府合作 AI 城市巡檢先導應用試驗計畫，在臺南市政府智慧發展中心及交通局的協助之下，以臺南市東區東門路與自由路口、中西區府前路與南門路口為試驗場域，試驗情境則是配合臺南市政府的基礎設施下，在未對現有攝影系統架構有任何調整的情況，利用路口現地攝影鏡頭搜集影像數據，最終所使用影像解析度為 640×480，採用 YOLO 類神經演算法進行物件深度學習，並加入深度物件定位追蹤演算法。

在試驗的計畫裡，YOLO 模型主要應用在多類別與多場景的物件辨識上，所以會設計較多的卷積層，而每一種會再進行多次的卷積運算，造成模型本身較大，考量這次計畫中所需辨識的物件類型與場景相對單純的情況下，過多的卷積層及運算對提升準確率沒有明顯地影響，並且會造成模型訓練效能不佳，因此利用剪枝技術減少卷積層數與運算次數，來提升模型的訓練效能。同時在影像數據上進行優化的前置處理，提升整體影像亮度達一致程度，降低亮度不均及部分雜訊的干擾，如此對後續物件辨識及定位追蹤準確率將有所幫助。因此在本案中僅利用約 5,000 張的物件圖快速片建立辨識模型及完成調校參數，成功開發出路口行人偵測、車種（機車、小型車、大型車）辨識、各向車流及其轉向偵測辨識的解決方案。經過最終的驗證測試，在不同天色的情況下，整體車流偵測辨識準確率可達 95%，車流轉向比分析及車種辨識準確率則有 90% 以上，而人流亦有 90% 以上的辨識準確率。

原有設備升級，效益最大化

此方案除可以有效減輕交通單位的人力負擔外，也能為交通智慧化提供充足有效的即時基礎數據，並且因為使用地方政府路口現有攝影系統，未來在複製擴散上也可以用相對較低成本的方式來進行，試驗單位不需要為了導入AI技術而將現有攝影機升級。未來將可以此解決方案為基礎，建構路口動態資訊即時回饋，協助路口及行人號誌燈秒數優化，以提升整體交通運行的順暢度。

在完成上述臺南市政府試驗計畫後，2021 年第一季也順利將此方案的核心技術衍生應用到隧道事件偵測系統 IIDs 及在道路壅堵偵測系統 QLD 中，用以偵測追蹤隧道逆行車輛、隧道路邊停等、壅堵車流(種)偵測及佔有率計算等情形。在新一代行動通訊日漸普及的情況下，未來將會有更多以 AI 影像辨識技術為基礎的衍生性應用產生，推進智慧化應用的演進。

由此可見，影像辨識技術所衍生的應用豐富性，對於地方政府推動城市智慧化的過程中，將能以最低成本的方式來發揮既有影像系統的最大效益。

公私協力成為 AI 應用夥伴

目前市場上 AI 影像辨識分析應用開發上，多半採用開放式模型來進行演算法的開發，而實務環境條件複雜多變，為能達到商品化對穩定性的要求，通常需要搭配自主開發的演算法，以強化模型偵測及辨識的能力，同時更需要實際場域建置的經驗、高品質數據的採樣及訓練參數組的建構，來對模型進行分析與調校，如此才能成為成熟且穩定的應用系統架構。

臺南是一個持續進化的科技古都，市府非常積極在導入創新科技應用，也因此保持開放態度在智慧化應用推動上，有系統地啟動在地方政府間相當少見的應用試驗計畫，在提供題目、條件限制及實際場域的情況下，邀請產業界進行解決方案開發與技術驗證，並希望業者能持續投入資源進行商品化，協助地方政府智慧化應用能夠水平擴散及垂直深化，這是一個成功案例，將對公部門與民間合作推動智慧化應用有正向的影響。

附圖：▲ 模型建立作業流程
▲ VDS 系統辨識畫面
▲ 以 AI 影像辨識為基礎的衍生應用
▲ 辨識分析結果畫面呈現

資料來源：https://technews.tw/2021/06/24/tainans-ancient-capital-integrates-ai-technology-to-develop-intelligent-transportation/?fbclid=IwAR1OJBuRIm3IbznQ-YcDuJo4r7xaKjlCyMpxS7oiiFP4Xogl7YXTMaAKRpM

AI加值智慧製造 鋼鐵傳產乘浪而起

芮嘉瑋／專欄 2021-01-28 02:45

2020年面對COVID-19(新冠肺炎)的襲擊，疫情籠罩之下各行各業幾乎空轉一年，投資購買設備及原料的腳步也都放緩，預期新的一年，隨著疫情穩定與經濟復甦，許多企業勢必加速添購設備和增加庫存料，鋼材需求可望隨著市場回升而轉強，且至少旺到第2季。

舉例來說，在汽車的構造上，有相當高的比例是使用鋼板，包括車門、引擎蓋、後車箱、底盤、車頂等，所以汽車業的好壞，間接影響了鋼材的需求。這2年汽車上游原材料反應了因電動車興起所展開的換車潮，從而鋼市好轉、鋼價高漲，幾乎各國都是如此。

隨著消費型態轉變，產品生命週期縮短，各行各業面臨客製化的挑戰，並在智慧工廠生產流程的訴求下，往往需要智慧機械、智慧製造設備以從事更複雜的生產工作，鋼鐵傳產業也不例外。然而，現有機器人或製造機台受限於原本功能單一又無法擴充的窘境，必須藉由人工智慧、物聯網、大數據等各種新興技術多元化功能的整合，以利製造業數位轉型升級，因應瞬息萬變的市場挑戰，凸顯「智慧製造」的概念是企業轉型升級的唯一出路。

何謂智慧製造？

經歷4次工業革命的演進，第4次工業革命被視為「工業4.0」，且因智慧製造是工業4.0的核心部件，在製造產業兩者幾乎可劃上等號，從而「工業4.0」常被稱為「智慧製造」。

在工業4.0的時代驅動下，現今製造業不斷與數種新興技術結合，從而工業4.0被定義為「製造技術中整合了網路安全(cybersecurity)、擴增實境(AR)、大數據、自主機器人(autonomous robots)、積層製造(additive manufacturing)、模擬(simulation)、系統整合(system integration)、雲端運算(cloud computing)和物聯網等技術使之具有自動化、聯網、數據交換以及智能工廠所需功能的系統平台」 。

因此，智慧製造實際上需要整合以上所述之各種關鍵領域技術的同步發展以建構出相應的產業生態體系，並在生產過程的每一個環節都能達到高度自動化、客製化與智慧化的先進製造模式，使生產環境具備自我感知、自我學習、自我決策、自我執行以及自我適應的能力，以適應快速變化的外部市場需求。

如何利用AI加持智慧製造

由於智慧製造包括連網(connection)、轉化(conversion)、虛擬(cyber)、認知(cognition)和自我配置(configure)等能力 ，其中利用機器學習、深度學習等AI技術使機器具備自我診斷並即時做出判斷的認知能力，就是AI之所以成為智慧製造核心技術之所在，它可以從大量原始數據中自動提取關鍵特徵及製造業中規律性的模式，進而學習過往曾經發生過的錯誤，以提前作預測及預警，藉此不僅可降低停機時間、提升製程效率，也可適時的根據產線作調整。

至於該如何利用AI加持智慧製造，讓我們看看國內鋼鐵龍頭中國鋼鐵股份有限公司(簡稱中鋼公司)，在其智慧生產技術中導入AI實現智慧製造的專利布局，提供製造業者掌握AI加值智慧製造，讓工廠轉型升級邁向智慧工廠。

中鋼發明一種透過人工智慧演算模組在生產製程中進行估測及控制的系統(TWI704019)，具體而言，係透過人工智慧演算模組所產生的估測鋼帶翹曲模型對鋼帶翹曲量進行估測，而該人工智慧演算模組係利用機器學習模組、深度學習模組或者使用一雲端伺服器模組評估該製程參數及該翹曲量。

該專利提供一種包含熱浸鍍鋅設備100、矯正機構130、感測模組150、人工智慧演算模組160以及最佳化演算模組165的熱浸鍍鋅鋼帶翹曲量估測系統。其中，該人工智慧演算模組160連接該感測模組150及該熱浸鍍鋅設備110，用以收集且評估該熱浸鍍鋅設備110中諸如產線速度、張力、鋼帶鋼種、鋼帶寬度、鋼帶厚度、鋼帶剛性等製程參數及翹曲量，進而可產生估測鋼帶翹曲模型，且該估測鋼帶翹曲模型包含一矯正干涉量，用以供矯正機構130矯正鋼帶。

經過大量數據的累積，該估測鋼帶翹曲模型還可以包含來自該最佳化演算模組165的製程參數最佳值，當類似或相同的製程參數(例如類似或相同鋼種)的鋼帶需要進行熱浸鍍鋅時，該估測鋼帶翹曲模型就會顯示諸如最佳張力、最佳產線速度、最佳矯正干涉量等製程參數最佳值，供操作者參考，從而獲得翹曲量最少且鍍鋅厚度一致的鍍鋅鋼帶。

再者，由於一般的鋼捲產品需要經過諸如煉鋼、熱軋和冷軋等許多生產階段，為了讓產品的機械性質符合預定的規範，過去往往依賴人為經驗調整生產階段的製程參數，然而，人為經驗難以即時反應生產線狀況，中鋼就此發明一種適用於一軋延系統之製程參數的調控方法(TWI708128)，當執行完一部分的生產階段以後，可以即時地計算下一個生產階段的製程參數，其中之製程參數的調控方法包括根據歷史資料建立一機器學習模型，後續並將測試資料輸入至機器學習模型以預測目前產品的機械性質等步驟。

在該專利之軋延系統的運作流程示意圖中，在步驟220，可根據這些歷史資料來建立一個機器學習模型221，此機器學習模型221是要根據生產參數來預測產品諸如拉伸強度、降伏強度和伸長率等的機械性質，換言之在訓練階段中生產參數是作為機器學習模型221的輸入，機械性質則作為機器學習模型221的輸出。機器學習模型221可以是卷積神經網路、支持向量機、決策樹或任意合適的模型。

在步驟230，對目前在線上的產品執行部分的生產階段。在步驟240中，將測試資料輸入至機器學習模型221以預測目前產品的機械性質，並判斷所預測的機械性質是否符合一規範。在步驟250中，依照預設生產參數進行下一個生產階段。

如果步驟240的結果為否，則執行一搜尋演算法以取得最佳的生產參數，並據此實施下一個生產階段(步驟260)。其中，執行搜尋演算法以取得調控後參數的步驟包括：設定一利益函數；將尚未完成生產階段的可調控參數與線上資料合併後輸入至機器學習模型以取得預測機械性質，並根據利益函數計算出預測機械性質的誤差值；以及取得最小誤差值所對應的可調控參數以作為調控後參數。

此外，中鋼亦發明一種設備監診方法(I398629)，係在設備故障監診分析流程的邏輯下導入類神經網路(neural network)之人工智慧，以便在決策分析時有效解決故障類型分類方面問題。

給台灣製造業的建議與展望導入AI技術、配合感測器收集各類數據以及大數據分析進行諸如產線異常診斷或品質監控，以維持機器正常運作無虞是智慧工廠有效運作的基礎。然而，智慧製造除了藉由智慧機械建構智慧生產線、透過雲端和物聯網分析資料、AI自主監測診斷調整產線產能之外，虛實整合系統(或稱網路實體系統，Cyber-physical systems)也是構成工業4.0創建智慧製造所需的功能之一，整合物理模型、感測器資料和歷史數據，在虛擬空間即時模擬呈現生產狀態，透過遠程監視或跟踪與工廠現有的資訊管理系統緊密整合，建立完整資訊生態系統才能透過AI即時彙整資訊進行決策。

未來製造業仍將是全球產業不可或缺的一環，隨著工業4.0的蓬勃發展，台灣製造業在邁向智慧製造過程中，所有智慧化的步驟都需要運用AI來執行分析、診斷、預測或決策等工作，欣見國內鋼鐵龍頭已率先落實AI加值智慧製造，然而若能整合虛擬(Cyber)，強化與工業物聯網之整合，更可提升透過AI提高組織運作效率及效能的目的。

過去製造業藉由大量生產與低價競爭已非決勝關鍵，如何協助國內產業在後疫情時代轉型升級，是當前的重要議題。持續強化在地製造業與資訊業領域的技術整合優勢，透過機器學習、類神經網路或深度學習等AI技術的導入，並與使用者/消費者連結形成完整的製造服務體系，將可望從傳統製造體系中依賴人為經驗、人力需求及規格一致的常態，轉換為自動化、客製化、智慧化和靈活彈性化的智慧製造。本文以鋼鐵龍頭之典範轉移為例，以期台灣所有製造產業均應具備智慧製造的軟硬實力，才能持續在全球製造體系中發光發熱。

附圖：鋼帶翹曲量估測及控制系統結構示意圖。芮嘉瑋
台灣專利號I708128之軋延系統的運作流程示意圖。芮嘉瑋

資料來源：https://www.digitimes.com.tw/tech/dt/n/shwnws.asp?cnlid=1&cat=140&id=0000602586_r1c6gnef7wl2247ink60m

📣想進軍工程師的看過來!!!『產業新尖兵青年全額補助』
🈵AI智慧製造應用與機器深度學習培訓班
立馬了解更多👉https://bit.ly/2VVUuSo

🉑免經驗❌免學歷❌免程式語言基礎❌免💲還有獎勵💰

⚠️2021最新強打❗️❗️❗️

🈶享有工研院勞保
🈶青年全額補助=FREE
🈶出席率達標有8000元獎勵金
🈶專業師資陣容
🈶結訓搭配就業媒合會=立即找工作

✔️未來出路建議㊗️🈵🈵

✅智慧製造工程師
✅生產技術工程師
✅機器深度學習工程師
✅自動載具研發工程師
✅載具製程工程師

立馬了解更多👉https://bit.ly/2VVUuSo

--------------------------------
♥️歡迎加入LINE好友！隨手掌握最新資訊：
http://line.me/ti/p/%40cco1893w