物聯網的眼睛-再次崛起的契機
2021/01/25(一)
大家早,我是 LEO
.
■ 發展歷程
美國911恐怖攻擊,台灣安控產業發展的第一次轉折,當時美國對公共安全與國土防衛的需求攀升,直接或間接促進對安控產品的需求,為台灣安控產業黃金十年埋下伏筆,早期台廠的網路監控攝影機獨步全球,稱霸中國長江以南,直到大陸傾全力扶植自家廠商,紅鏈崛起,啟動流血價格戰,台廠節節敗退。
.
■ 中國崛起
在「雪亮計畫,天網計畫」支撐下,中國監視攝影機市場獲得政府龐大資金挹注,最主要目的在於部署綿密監控攝影機,中國的城市監控攝影機安裝數,估計是美國同類型監控的4.5倍,促成了中國安控產業的崛起,海康威視、大華技術….等公司快速成長,甚至成為全球第一大領導廠商,橫掃歐美市場。
.
■ 美中貿易戰
到了2018年,情況有變,美國對中國產品一舉調升至25%高額關稅,2018年美國通過國防授權法案修正條款,禁止美國政府購買中國製的監視器,將嚴重威脅美國安全,例如中國持股42%的海康威視,曾使用在美軍事基地甚至外交重地,都很難保證是否影像資料受到北京監控。
.
事實上,海康威視挾著政府支持與低廉的生產成本席捲全球,但隨著川普上台後各國對中國崛起的防備心增加,無論是 5G設備、無人機、監視器….等,凡涉及機敏資料有可能涉及中國軍方或北京政府在背後支持的產業,大多封殺或採保留的態度,至於拜登上台事涉國安短期也不會有太大改變。
.
■ 疫情發展
監視器產業發展到今日,除了畫質變清晰以外,AI人臉辨識、車牌辨識、溫度監控、行車紀錄器、甚至醫療胃鏡、居家看護、遠端監控…等用途越來越廣,甚至防疫監控,雖然民眾有不同的聲音,無論民眾對設置監視器持什麼態度,數量均持續上升,全球目前約有7.7億支監視器,2021年以前很可能會增加30%,超過10億支。
.
■ 資安認證成轉機
歐盟通過Cybersecurity Act-資訊安全系列法案於2019年6月27日生效,並將於2021年6月28日適用於整個歐盟,法案主要賦予ENISA(歐盟網路資訊安全局)永久性授權,並為ICT產品、服務和流程,建立歐洲網路安全認證框架。
.
全球有132國有隱私保護法案,台灣經濟部正在推動資安標章政策,美中貿易戰促成供應鏈重組,資安認證帶來新的附加價值,台灣的資安規範面面俱到,是台廠優勢,趁機擦亮MIT招牌,自然會吸引歐美客戶目光與訂單。
.
靠著資安招牌,台灣網路監視器產業已從紅色供應鏈,逐步走出陰霾,根據經濟部數據顯示,資安產業的產值成長率從106年以來,每年都超過10%,推估109年產值可達新台幣553.6億元,年成長率達12.2%。
.
■ Edge AI智慧影像辨識
資策會產業情報研究所在2020年10月《MIC FORUM Fall》論壇上表示,在智慧科技新興應用方面,有四大趨勢值得關注,包含「AR/MR」、「PC變局」、「資料中心」與「Edge AI智慧影像辨識」。
.
Edge AI智慧影像辨識-邊緣運算是一項新的契機,轉型成智慧監控工控產業,有機會讓台灣安控業重返榮耀,在5G+AI推波助瀾下,原本資料需上傳雲端才能進一步分析,且無法處理大量資料,但是導入AI後,未來前端攝影機已可進行分析。
.
■ 展望未來
近 2 年美國大動作封殺中國科技廠,其中包括禁止採買中國海康威視與大華的產品,讓國內安控業者走出產業崩壞期,陸續接獲日本、紐澳、歐洲等國家訂單,新的應用像自動倉儲、生產線自動化、汽車自動駕駛、無人商店、無人機......等,就是搶佔先機和突破的機會。
.
隨著轉單效應擴大,客戶積極詢問,軟硬體都為台灣製造,並且通過資安認證的產品,訂單需求強烈,台灣相關廠商已經開始摩拳擦掌,搶佔新的藍海,相關安控廠商龍頭晶睿(3454)、奇偶(3356)、彩富(5489)、陞泰(8072)、昇銳(3128)、慧友(5484)、天鉞電(5251)、杭特(3297)….可追蹤未來業績的變化。
.
想知道哪顆「眼睛」是明日之星,鎖定團隊頻道⤵
.
🌞 Line群組〈點網址〉
https://lihi1.com/jjjwf
🌞 Telegram 即時訊息
https://t.me/stock17168
影像辨識 生產線 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
產業拚AI化 從決策端找到人才管理、轉型切入點
10:222021/01/21 中時新聞網 EnglishCareer
在花蓮立霧溪河床種西瓜,河床如此寬廣,要如何估算產量?用人工智慧(AI)就能解決了。AI能夠有效增進工作的效率,近幾年企業在進行數位轉型時,常常把AI在工作情境的應用納入考慮,包括改善工作流程,或推出新的服務等,因而企業內部的工作者,就需要對「如何與AI共事」有一定了解,也產生了學習AI,培育AI人才的需求。
愈能抓到規律的工作愈適合AI
學習AI之前要了解如何看待AI,財團法人資訊工業策進會數位教育研究所主任張育誠認為,工作流程愈容易抓出邏輯的工作愈容易被AI取代,但也不用太過擔心,因為還是要有人負責訓練、設定AI,因此雖然舊的工作可能消失,也會有新形態的工作產生,端看職場工作者怎麼應變與學習。
張育誠分享,人工智慧的概念其實就是把原本由人進行判斷的事情,改由AI判斷,因此在各行各業的應用範圍相當廣,舉凡晶片晶圓的瑕疵判斷、衛生紙製造時品質的檢測、溪口河床種植西瓜產量的計算、無人收費停車場對車牌的辨識、人臉辨識門禁系統,即時翻譯機等都屬此類。
人工智慧能夠幫助提高工作效率,但不代表它不會犯錯,重要事項的最終判斷還是應該由人做決定。像醫院裡對病人病況的診斷,透過AI可以協助醫師初步了解病情,但最終的診斷,還是要由醫師決定。另外,較無例行流程、需要個案判斷的工作如律師等,則較不須擔心工作被AI取代。
再者,人工智慧要判斷、要學習都需要有其依據,因此作為AI判斷與學習依據的「大數據(BigData)」,以及能夠用來蒐集數據的「物聯網(IOT)」概念也常常被並列提到。
張育誠就曾協助花蓮的西瓜農,以空拍方式評估立霧溪溪床西瓜產量,但西瓜生長不會每個長一樣,有的倒右邊,有的倒左邊,加上溪床上還有許多的石頭,AI要怎麼透過空拍影像辨識西瓜數量?「這就要餵給AI大量的影像,讓它能找到規律學習,分辨哪些是西瓜,哪些是石頭。」
想要學習AI,應該如何下手呢?張育誠指出,對主導決策的管理階層來說,可就目前市面已提供的服務先行了解、體驗,再選擇有興趣的主題參加AI相關的研討會,根據不同專家學者的分享與討論,決定公司要不要出資購買相關設備以推動該項目。
而資訊部門等AI化執行單位則可以參加相關應用的工作坊或課程,提高相關技能的實戰力,將AI技術應用於工作流程優化,或是知道如何和外部的AI服務團隊合作。至於一般職員,則只要知道如何操作,以及會有怎樣的效果就好。
比如衛生紙的生產線可能要等到出漿後,紙漿乾燥了才能人工判斷品質;透過AI的檢測,可能在前期出漿、紙漿還沒乾時就能判讀品質,提高整體效率。產線作業員需要確保優化後產線的運作;而內部AI化執行單位或外部AI服務單位則要知道背後的邏輯,透過哪些數據可做可能的判斷、如何蒐集數據等。因此以AI技能的學習需求來說,以產業AI化的執行單位以及想從事AI服務工作的企業或人才需求最大。
產業AI化相關人才需求大
看中產業AI化的相關人才需求趨勢,財團法人科技生態發展公益基金會與台灣資料科學協會共同設立台灣人工智慧學校,以「做中學」的方式培育各行各業AI化所需的技術領袖人才,自2018年初至2019年10月,已培育來自1500家公司、超過5500位的AI專業工程師與經理人。
張育誠說,資策會的課程則是提供適性化的就業養成教育,根據學員的需求,在前期基礎領域的共同學習後,透過專案導向的課程,讓學員發展自己想走的領域。「我們現在儘量找企業合作,由企業提出想解決的問題,讓學生解題。」透過這樣的方式,讓學員銜接產業需求的差距縮到最短。
舉例來說,資策會2018年與以機票線上訂位系統為服務項目的先啟資訊合作,由學員在專案課中開發「機加酒訂票網站」。題目是先啟資訊出的,因此先啟資訊過程中也會派專案經理人了解進度,並在結訓時主動邀請全台各大旅遊業者辦理人才媒合會,為參與專案的17位學員媒合工作,正好補充各大旅行社缺乏的旅遊資訊人才。
另外,學習資料分析較常用到的Python程式語言,網路上就可找到許多自學管道可以學習,因此張育誠認為,想要學AI也可以自學。不過自學者因為較不了解業界實際的需求,學到一個階段就會覺得自己「功夫」夠了,但實際上可能和業界的需求還有一段差距,他也提醒自學者注意。
資料來源:https://www.chinatimes.com/realtimenews/20210121001919-260412?fbclid=IwAR0QQ5gnXECO4NOuBC64S-3KMlXc6-O7q3pR-ZPrDnZCXoAr9NUO84luhiQ&chdtv
影像辨識 生產線 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
AI機器人將如何顛覆製造業?
面對AI機器人帶來的破壞式創新,台灣製造業該怎麼把握機會,在自動化典範轉移的亂局中,占有一席之地?
Bastiane Huang
Feb 6 · 1
在先前Robotics 2.0系列文章中,我們討論了AI如何讓機器人做到過去做不到的靈巧工作,並能夠開始自主學習。第一篇文章介紹了AI如何開啟Robot2.0時代。第二篇文章則描述AI機器人在倉儲運輸業的應用,透過觀察這個新技術的第一個應用場景,來預測這一切將如何影響我們的生產力、就業狀況以及日常生活。
這篇文章我們將聚焦目前大量運用傳統機器手臂及自動化設備,同時占台灣產值最高(30%)的製造業。具有自主學習能力而且靈巧的AI機器人,將如何影響製造業流程及整體產業結構?供應鏈上的各廠商又該如何因應Robotics 2.0帶來的破壞性創新?
「未來已經到來,只是先被一部分人看見。」 — 作家威廉.吉布森
The future is already here — it’s just not very evenly distributed. — William Gibson
製造業自動化現況
根據國際機器人聯合會(IFR)發布的最近報告,全球工業機器手臂的出貨量在2018年創下新紀錄,來到38萬4,000台。其中中國仍是最大市場(占比35%),接著是日本,美國,台灣排名全球第六。
汽車以及電子製造業依然是工業手臂的最大應用市場(占比60%),遠遠領先其他包含金屬,塑膠及食品等產業。具體原因我們在第一篇文章也討論過,由於傳統機器人和電腦視覺的限制,目前除汽車業和電子業以外,倉儲、農業和其他產業幾乎都還沒開始使用機械手臂。而這樣的情形將會被AI機器人及深度學習等新技術所改變。看到這裡,你可能會想:自動化及工業機器手臂在製造業既然已經有幾十年的歷史,該自動化或可以被自動化的部分應該都已經自動化了,還有什麼創新的空間呢?
出乎意料地,就連自動化程度最高的汽車製造業,離所謂的全自動化關燈工廠(lights out factory)也還有很大一段距離。舉例來說,汽車組裝的部分大多依然是由人工來完成。這也是車廠最勞力密集的部分,平均一間汽車工廠裡有3分之2的員工都在裝配車間。就連一向追求革新與顛覆,主張追求最高自動化的特斯拉執行長馬斯克,都不得不公開承認,特斯拉生產線自動化的進度不如預期。
究竟為什麼自動化這麼困難?
自動化至今無法跨越的技術限制
現今的自動化生產線普遍為大量生產設計,因此能有效降低成本,但也因此缺乏彈性。面對消費者越來越短的產品生命週期,越來越多的少量多樣客製化生產需求,人類往往比機器人更能夠因應新的產品線,也不需要花費很多時間去重新編寫程式或更改製造工序。
1. 靈巧度與複雜度
儘管科技在快速進步,人類還是比機器人靈巧許多。在訪談電子代工廠商的過程中發現,儘管組裝產品(assembly)已經高度自動化,但備料(kitting)的程序還是必須由人來完成。
備料在製造及倉儲業都很普遍,是提高生產效率的重要步驟。指的是把組裝產品需要的各個零散部件集合起來,打包並放置在工具包(kit)的過程。之後機器人再從工具包中拿取各個零件並進行組裝作業,這時候因為各個零件都在一個固定的位置和角度,自動化編程相對容易。相反地,備料時必須從雜亂無序的零件盒中辨識並拿取零件,零件的位置角度不一,甚至可能重疊或纏繞在一起,這對現有的機器視覺及機器人技術都是一項挑戰。
2. 視覺與非視覺性的回饋
另外一方面,很多複雜的裝配作業需要靠作業員的經驗或「感覺」。不論是安裝汽車座椅或是將零件放入工具包裡,這些看似簡單的動作,事實上都需要作業員或機器人接收,並根據各種視覺甚至觸覺訊號,來調整動作的角度及力道。
這些精細的微調使得傳統的自動化編程幾乎派不上用場,因為每次撿取或放置物品都不完全相同,需要像人一樣有從多次的嘗試當中,自主學習歸納的能力,而這正是機器學習,特別是深度及強化學習,能夠帶給機器人的最大改變。
Robotics 2.0:AI可以讓工廠機器人做到哪些事?
AI帶給機器手臂最大的改變就是:以往機械手臂只能重複執行工程師編寫程序,雖然精準度及速度都很高,但卻無法應對任何環境或製程改變。但是現在因為AI,機器可以自主學習更複雜的任務。具體來說,AI機器人較傳統機械手臂在3大方面有重大突破:
1. 視覺(Vision System)
就算是最高階的3D工業相機,仍然無法像人眼一樣,既可以精準判斷深度距離,又可以辨識透明的包裝、反射表面、或是可變形物體。這也是為什麼很難找到一款相機,既可以提供準確的深度,又能夠辨識大多數的包裝及物品,然而,這樣的情形很快就會被AI改變。
機器視覺在過去幾年取得了巨大的進展,幾間來自於矽谷及波士頓的新創,包括OSARO和Covariant,利用深度學習(deep learning),語意分割(semantic segmentation),及場景理解(scene understanding)提高了低階相機的深度及影像辨識,讓製造商不需要使用昂貴的相機,也能得到足夠準確的影像訊息,成功辨識透明或反射物體包裝。
2. 可擴充性(Scalability)
深度學習不需像傳統機器視覺一樣,需要事先建構每一個物品的3D模型。只需要輸入圖片,經過訓練,人工神經網路就能自動辨識影像中物體。甚至能使用非監督或自監督學習,降低人工標籤數據或特徵的需要,讓機器更近接近人一樣的學習,免去人為干預,讓機器人面對新的零件再也不需要工程師重新編寫程序。隨著機台運作,收集到的數據越來越多,機器學習模型的準確度也會進一步提升。
目前一般生產線通常有震動台、送料器、輸送帶等週邊設備,確保機器人能夠正確拿取需要的部件。如果機器學習再進一步發展,讓機器手臂更加智能,或許有一天這些比機械手臂更昂貴四五倍以上的週邊設備將不再被需要。
另一方面,由於深度學習模型一般儲存在雲端,這也讓機器人能夠互相學習,共享知識。舉例來說,若有一台機器手臂經過一個晚上的嘗試,學會如何組合兩個零件,便能夠很輕易地將這個新的模型更新到雲端,並分享給其他同樣也連結到雲端的機器手臂。這不但省去了其他機器的學習時間,也確保了品質的一致性。
3. 智能放置(Intelligent Placement)
一些對我們來說一點也不困難的指令:請小心輕放,或把物品排列整齊,對機器手臂而言卻是巨大的技術挑戰。
如何定義「小心輕放」?是在物體碰觸到桌面的瞬間停止施力?還是在移動到距離桌面6公分處放手讓物體自然落下?或是越靠近桌面就越降低速度?這些不同的定義又會怎麼樣影響物品放置的速度和精確度?
至於將物品「排列整齊」就更困難了,先不論每個人對整齊的定義都有所不同,為了能將物品精準地放置在想要的位置及角度,我們首先必須要先從正確的位置拿取物品:機械手臂依然不如人手靈巧,且目前一般機器手臂大多使用吸盤或是夾子,要做到人類關節及手指的靈活度,還有一大段距離。
其次我們要能即時判斷夾取物體的角度位置及形狀大小,以下圖的杯子為例,需要知道杯口朝上或朝下,要側放或直放,也要知道放置的地方有沒有其他物品或障礙物,才能判斷將杯子放在哪裡才能最節省空間。 我們因為從出生開始就在學習各種取放物品的任務,這些複雜的作業幾乎不加思索就可以完成,但機器並沒有這樣的經驗,必須重新學習。
經由AI,機器手臂可以更精準地判斷深度,還可以透過訓練,學習判斷及做到杯子朝上,朝下等不同狀態。也可以利用對象建模(Object Modeling),或是體素化(Voxelization),來預測及重建3D物體,讓機器可以更準確掌握實際物品的大小和形狀,進一步將物品放到該放的位置。
AI機器人將如何顛覆製造業?
現在我們知道AI可以讓機器做到許多以往做不到的事,但這對製造業現行的產業結構又會有什麼影響?誰能夠把握住新科技典範轉移技術帶來的機會?哪些公司又會面臨前所未有的挑戰?
AI機器人帶來的破壞式創新(Disruptive Innovation)
破壞式創新由哈佛商學院教授克雷頓‧克里斯汀生(Clayton Christensen)在其著作《創新的兩難》(Innovator’s Dilemma)當中提出。理論的中心思想是:
產業中的既有業者一般會為了服務現有客戶(通常也是利潤最高的客群),而選擇專注於「持續式創新」,改善現有的產品及服務。此時,一些資源較少的小公司把握機會,瞄準被忽略的市場需求,而取得進入市場的立足點。
破壞式創新又分為以下兩種:
(1)低階市場創新
一般大家較為熟悉的是「低階市場創新」,數位照相技術就是一例。早期的數位相機不僅解析度不佳,而且還有快門延遲很長的問題,但隨著數位照相品質及解析度逐漸進步,數位相機逐漸從低階市場晉升為主流。諷刺的是,柯達雖然研發出數位相機,但卻因為無法放棄當時該公司占據全球3分之2的底片市場,而最終被新技術淘汰。這正是所謂的「創新的兩難」,既有業者雖然看到新科技的威脅,但卻因為現有公司結構,策略等種種原因無法及時因應。
(2)新市場創新
「新市場創新」則是指新進公司瞄準既有公司尚未服務到的「新市場」進行創新。例如,電話剛推出的時候只能被用來做短距離的本地溝通,因此電報產業當時的領先者Western Union拒絕購買發明家貝爾的專利,因為該公司最賺錢的是長途電報市場,當時甚至不認為短途溝通會是一個市場,更不用說預見後來人人都用電話溝通的情景了。
而AI機器人帶來的,正是「新市場的破壞式創新」!
目前汽車及電子製造業占工業機器手臂出貨量的60%,這也導致市場領先者發那科(FANUC)、ABB、KUKA、安川(YASKAWA)專注於「持續式創新」:做他們最擅長,客戶也最需要的,進一步提高速度及精度。這也使得其他諸如倉儲業、食品製造業,或製造業中的「備料程序」成為被忽略新市場。這些客戶並不需要這麼高速度,高精度的作業,但需要機器手臂更靈活,更能彈性自主學習辨識及處理不同的零件或是工作。
新創AI機器人公司看到這樣未被滿足的需求,開始將人工智慧應用在機器人上,使得機器手臂可以被用在備料,包裝,倉儲等新市場。他們使用較低階的相機搭配機器學習模型,讓以往只能由人工作業的備料,貨物分撿等程序自動化,讓機器手臂可以被運用在更多不同的地方,甚至整個產業。
有趣的是,這些新創公司一般不自行生產機器手臂,而是專注於開發機器學習模型、機器視學及控制軟體,在硬體方面則選擇跟既有機器手臂廠商合作。因此,你可能會想,就算這些機器手臂公司不追求AI創新,他們也不會被時代淘汰,因為自動化還是需要硬體的供應。
但是,這樣想忽略了幾件事:
首先,有些機器手臂公司已經先嗅到了商機,並開始一邊與這些新創公司合作,一邊建立自己的AI團隊。這些公司因為率先採取行動,可以更快地在這些以往服務不到的新市場中建立客群,進一步領先競爭對手。
其次,隨著AI應用的普及,產業鏈中的最大價值,會逐漸由硬體轉向軟體及數據。 這點,我們已經可以從無人車的發展趨勢中看出。一但無人車可以做到高度自主,大部分的價值都會在掌握無人車機器學習模型及自駕數據的特斯拉,或Google等公司的手裡。這也是為什麼車廠人人自危,不是積極併購就是跟矽谷的軟體AI新創公司合作。相比起來,機器手臂及製造商對AI技術的接受速度似乎還不及汽車製造商。
AI機器人帶來的挑戰與機會
AI及機器人的結合帶來許多的可能性,但是這些改變絕非一蹴可幾。機器手臂公司縱使開始投資AI,也依然會面臨當初柯達所面臨的「創新者的兩難」。
要如何重新打造組織及發展策略,才能夠讓轉型的負面影響降到最低,也考驗各個公司管理階層的判斷與決心。
另一方面,開發全新市場也絕非簡單的事,新創公司仍需要和製造廠商密切合作,開發更貼合客戶需求的解決方案。 製造業的流程甚至比倉儲更複雜多樣,新創公司雖然了解AI及機器人技術,但卻不一定了解製造流程。這也給台灣製造廠商一個搶得先機成長轉型的最佳機會。
如果台灣廠商能夠率先和這些新創公司合作,不僅能透過流程自動化提升生產效率及品質,還能做到以往較難做到的少量多樣客製需求,擺脫大量製造,削價競爭的紅海策略。更可以成為新一代AI機器人的試驗場,和國際新創合作開發針對電子或半導體製造業的專屬解決方案,進而銷售到其他國家。
日前,曾任職於Google與百度的吳恩達(Andrew Ng)受邀來台演講中也指出,台灣應該善用自己在半導體與製造業的既有優勢,發展人工智慧,成為除了矽谷、北京之外的下一個AI Hub。 相較於其他像是零售或是消費性網路領域這些現在發展相對成熟的AI應用,台灣在製造產業中發展人工智慧,不但更具有了解應用案例、掌握數據等優勢,也有機會能夠藉由AI機器人等新技術,達到產業轉型的目的。
附圖:KIT工具包 — source: kitting-assembly.ca
深度學習物件辨識範例,由左至右分別為Mask-RCNN, Object Modeling, Grasp Point Prediction。OSARO
傳統及AI機器人創新策略比較 — source: Bastiane Huang
製造業自動化產業鏈- source: Bastiane Huang
資料來源:https://medium.com/marketingdatascience/ai%E6%A9%9F%E5%99%A8%E4%BA%BA%E5%B0%87%E5%A6%82%E4%BD%95%E9%A1%9B%E8%A6%86%E8%A3%BD%E9%80%A0%E6%A5%AD-ee2dbc3db7e4
影像辨識 生產線 在 [教學影片] 生產線AOI 瑕疵檢測及醫療影像檢測實作經驗分享 的推薦與評價
![影片讀取中](/images/youtube.png)
講師:李明達老師比較InceptionV3, Efficient Det, YOLOv4, Mask R-CNN, U-Net 等演算法。LEADERG AI ZOO 人工智慧軟體: ... ... <看更多>
影像辨識 生產線 在 透過深度學習影像辨識,即時判斷生產線插件品質(缺件 的推薦與評價
立達軟體科技於「智慧製造與監控辨識展覽會」展出「 生產線 專用人工智能相機OP AI Camera」解決方案:透過深度學習 影像辨識 ,即時判斷 生產線 插件品質( ... ... <看更多>