机器视觉与机器手臂是工厂自动化领域中两大代表性技术，经过长年发展，应用已臻成熟，近年来智慧化浪潮袭全球制造业，工业物联网与AI被快速导入至生产系统中，机器视觉与机器手臂成为制造智慧化的先期应用。

#机器视觉#

机器视觉是目前制造智慧化发展最快的领域。

机器视觉在制造业的应用包括量测、辨识、定位、检查，这4大项目中又以检查的应用最高，也就是AOI(Automated Optical Inspection；自动化学检测)。检测是产线中确保产品品质的重要环节，过去以人工视检为主，由于在产线中，人眼还是最具智慧判断能力，因此即便现在自动化程度已高，多数传统制造业的产线还是以视检为检测主流。

不过人眼终究有其极限，除了正确率与效率会因长时间作业而递减外，速度较快、小体积产品与细小瑕疵的检测，人眼都无能为力，此外视检也会因作业人员对良品的定义不同，导致出货产品品质标准不一，因此现在高度自动化产线中，视检已然被AOI取代。

AOI所使用的机器视觉架构包括光源、镜头与视觉处理软体，透过镜头快速拾取物件影像，再由后端的视觉处理软体判断物件品质。机器视觉发展已久，无论是影像感测器或通讯标准都已成熟，在高度自动化系统中，应用也相当普及，不过就如前文所叙，在智慧化趋势下，机器视觉已开始改变。

机器视觉AI化系统商须掌握软硬两端技术‍

近年来机器视觉的最大演进是结合AI。过去AOI与自动化系统深度结合，其架构完全嵌合在高速、大量的制造系统中，而为了配合高速生产，架构中的所有软硬体条件都因应单一产品调整至最佳化，由于产品种类少，并不要求弹性。不过近年来受消费性市场影响，制造业少量多样生产的比例开始提升，弹性成为智慧制造系统的设计重点，在此情况中，AI适时崛起，让机器视觉开始进化。

AI提升了机器视觉的弹性与效率，除了维持机器视觉的高速判别外，透过深度学习演算法，AOI设备可自主学习对产品的检测标准，并快速复制到其他产线，让整厂制造系统的良品标准一致，同时简化了设备上线使用时的设定难度。

设定难度的简化加上高弹性应用特色，让厂商将机器视觉的设置触角延伸到产线的更前端。一般检测都是在产线的最末端，而到此环节的瑕疵品处理，不是淘汰丢弃就是送回前端改善，无论哪一种方式都会耗费大量资源。

现在有制造商将机器视觉设置在产线中各环节，一旦发现瑕疵，就立即通知该站工作人员改善，如此就可避免后续工作站继续加工已有瑕疵的产品，造成时间与物料资源的浪费。

虽然机器视觉与AI的结合可带来极佳成效，不过要实际导入，仍需克服重重困难。现在AI的主流演算法是机器学习，在多数应用中则再深入使用机器学习(Machine Learning)的分支–深度学习(Deep Learning)，不管是机器学习或深度学习，要上线使用前，都必须先建立训练模型(Training)，让数据先再训练模型中跑过，再将结果下载到终端使用，而现在实际导入会遇到两大问题，一是训练模式与现场设备的匹配问题，二是导入应用后发现与训练模式的成效有落差。

制造现场的状况复杂，训练端所完成的模式必须要与现场端的设备匹配，AI才能发挥预期效能，不过这点目前看来有其困难，多数智慧制造的POC(Proof of Concept；概念性验证)受阻的原因也在此。另一个问题则是训练模式的效能未能如预期发生在现场设备上，会造成此状况的原因在于系统厂商对AI软硬体软硬体的掌握度不足。

AI视觉加上机器手臂制造系统弹性更佳‍

机器视觉除了作为AOI检测外，与机器手臂整合，让系统有眼(机器视觉)、有手(机器手臂)、有脑(AI)，将可大幅提升产线弹性，目前多数系统厂商也朝此方向走。与机器视觉整合的大多是关节型机器手臂，透过建置于作业区域与手臂上的工业相机，判断出物件位置，再引导手臂调整角度与路径完成动作。

这类型整合视觉与手臂的系统，大多用在对高弹性有需求的产线系统中，不过在导入前的设定较为复杂，而且运作时必须运算摄影机所传回的影像数据，动作难与现行机器手臂相比，在速度提升前，在现场应用仍受局限。

观察智慧制造的发展现况，视觉检测目前是应用最快的一环，这与AI在其他领域的发展一致，影像识别占了现在AI所有应用的70%以上。主因在于AI视觉检测可立即在制造系统上看出成效，相较于现在常见的另一智慧制造趋势–设备预诊，其效益浮现则须一段时间，因此制造业者对前者的导入意愿相对较高，至于机器视觉与机器手臂的整合，虽然运算速度与现场应用仍有提升空间，但现已有多数厂商投入，施努卡觉得上述问题将可陆续解决，未来发展值得期待。