延伸应用范围与准确率 人工智能让机器视觉更加强大

机器视觉就是用机器来代替人眼做测量和判断的系统，透过光学装置和非接触传感器获取目标对象的图像，从iPhone X与美颜APP的脸部识别功能、支付宝面部识别身份验证，以及工业机器人对物体准确抓取、 物流机器人障碍避让与自驾车环境感知等等都是运用了机器视觉技术。 据美国商业信息网站报导，全球机器视觉应用预计到2025年底，市场规模将超过192亿美元。

时至今日，机器视觉技术不仅成功应用于多个领域，应用范围还在逐步扩大，透过人工智能、深度学习，机器对于图形辨识的准确率已超过人类，未来该技术将可搜集大量讯息并自动处理，取代并延伸许多人类的工作， 本活动介绍机器视觉技术架构与应用最新动态，并剖析其与人工智能/深度学习结合的发展趋势。

机器视觉产业需求渐增

制造业从工业革命开始，期间经历几次重大变革，自动化一直是制造业追求的目标，降低人力、提高产能、改善质量、降低成本等都是发展的重点；机器视觉也是为了达成自动化的目标，工研院机械所研究员邱威尧(图1)表示，机器视觉相较于人眼 ，更适合重复性的工作，并可工作在不可见光的光源环境下，同时提高产能、强化质量。

图1 工研院机械所研究员邱威尧表示，机器视觉相较于人眼，更适合重复性的工作，能提高产能、强化质量。  

而随着工业4.0与智能制造的趋势，视觉引导机器人(Vision Guided Robotics, VGR)需求不断成长，邱威尧说明，全球机器视觉专用机应用越来越普遍，以半导体与电子业导入应用需求较高， 而在整体制造业应用比重也达21%。 尤其大中华地区缺工与工资上涨问题日益严重，在3C制造业，智能自动化取放与组装需求日增；另外，金属制品加工业，进料采整篓堆放式，须借助3D视觉进行自动上下料。

机器视觉通常应用在以下几个类型的工作上：

检测(Inspection)

利用机器视觉自动检验制程中产品的瑕疵，如印刷电路板上的线路是否短路、断路，半导体晶圆上之表面缺陷。

对象辨识(Object Recognition)

确认对象身分，如车牌辨识、条形码辨识、IC组件之光学字符识别，人脸辨识、指纹辨识与检测出问题对象的瑕疵分类。

量测(Gauging)

以机器视觉进行非接触的测量，例如工件之尺寸、夹角、真圆度及印刷电路板之线宽等。

机器导引与定位(Machine Guiding and Positioning)

利用机器视觉导引自动化机器之路径，例如引导焊接机器人之焊道，无人搬运车之行进轨迹。 或决定目标物位置，如SMT、PCB自动装配作业的定位。

而针对不同的应用需求，需要设计视觉定位系统，邱威尧指出，相关的项目包括：考虑与机台之搭配要件、考虑与控制系统之搭配要件、决定视觉系统之硬件选配、校正计算、视觉教导/操作/定位流程规划设计、 依对位精度考虑做辅助图像处理软件之选用、执行程序编辑与测试、精度需求验证等。 硬件系统则有：光学组件的镜组与光源，影像撷取如感测组件CCD、影像撷取卡等，运算平台如CPU。

而建立一个成功的视觉系统需要掌握几个重点，经过审慎完整考虑的光源布局，考虑倍率、空间、尺寸、失真等，并正确的选择镜组；考虑功能、规格、稳定性与耐用度，选择合适的摄影机；还须累积经验多尝试，思考问题的解决之道，并以提升精度 ，缩短处理时间为最终目标。

AI能处理高度不确定性工作

最近两年，人工智能(Artificial Intelligence, AI)因为软硬件技术的突破而更有实用价值，吸引产业高度关注，机器视觉也可以透过深度学习，大幅强化相关的功能。 台科大自动控制所副教授李敏凡(图2)说明，AI其实与人类的演化很接近，达尔文的演化论核心精神就是「物竞天择、优胜劣败」，近期的AI深度学习就是利用这样的原则在发展。

图2 台科大自动控制所副教授李敏凡说明，AI与其他技术最大的不同与优势之处，就是能够处理具备高度不确定性的工作。

AI与过去已经广为应用的技术最大的不同与优势之处，就是能够处理具备高度不确定性的工作，透过深度学习，可以让机器面对非默认的指令，并做出反应。 李敏凡解释，AI现阶段较为熟知的十大应用(图3)包括：自然语言生成、语音识别、虚拟助理、机器学习平台、AI优化的硬件、决策管理、深度学习平台、生物特征识别、机器人自动化、文本分析与自然语言处理。

图3 十大AI应用发展阶段与前景

数据源：Forbes(01/2017)

一般深度学习简单的说就是要搜集数据并且创建一个训练模型，将数据进行训练，第三个步骤就是针对训练结果加以评估，这些结果是不是用户需要的，如果不是就要调整模型重新再训练，如果没问题就可以进行正式的布署、实施。 李敏凡说，以扫地机器人为例，过去的机器不管使用几次结果都差不多；但是有AI的扫地机器人，越使用机器就会越聪明，并改善路径，过去扫不到的地方都可以扫得到。

AI专用芯片方兴未艾

机器视觉也广泛应用在车辆上，尤其是未来的自动驾驶系统，更少不了视觉系统协助判别环境信息，逢甲电子工程系副教授陈冠宏(图4)解释，根据统计每年全世界各地约有120万人死于交通事故，而这些交通事故有很大比例都出自于人为因素， 所以近年各大车厂非常有共识的发展先进驾驶辅助系统(ADAS)在内的自动驾驶技术，目标都是为了增进行车安全。

图4 逢甲电子工程系副教授陈冠宏解释，近期有越来越多厂商投入AI专用芯片的发展，以提升神经网络的运算效率。

车辆近年也逐渐导入以各式感测技术为基础的电子系统，协助侦测行车过程的环境信息，使用影像传感器的辨识系统，由于技术成熟很早就被导入车辆的驾驶辅助，未来加入AI技术以后，更能在行车时准确判断行驶时的行人、前方车辆、 对向来车或是路况变化等等，而这些辨识功能除了感测系统之外，还需要透过深度学习技术与运算平台协助。

过去几年，在AI的运算表现上，CPU的效能极差，GPU在图型辨识上较有效率，但近期有越来越多厂商投入AI专用芯片的发展，以提升神经网络的运算效率，陈冠宏表示，麻省理工学院(MIT) 的研究团队日前发表了一款专门执行深度学习的芯片「Eyeriss」，可直接在行动装置上执行如人脸辨识等算法，且不需透过链接网络来处理数据，该芯片就能直接完成演算。

Eyeriss芯片内建168个核心，专门用来部署神经网络，效能为一般行动GPU的10倍，也因其效能高，不需透过网络处理数据，就能在行动装置上直接执行人工智能算法。 其具有辨识人脸、语言的能力，可应用在智能型手机、穿戴式装置、机器人、自动驾驶车与其他物联网应用装置上。 也解决GPU在进行运算处理时，会吃掉大量电力的缺点。