AI機器視覺是什麼？

機器視覺是人工智慧的一個分支，使機器和人一樣「看懂」圖像與物件後進行判斷與決策，常用在工業自動化與機器人領域如: 視覺瑕疵檢測、3D視覺定位、分類計數，甚至影像監控/辨識等應用，也是新興的AR + AI視覺系統技術核心。

技術原理與組成

從AOI這種Rule-based到深度學習技術（為機器學習的分支，透過模擬人腦的類神經網路，形成數學函數集並將資料代入做訓練與運算，能處理非結構化資料，使機器和人一樣進行判斷），通常包含以下5個環節。

影像輸入

包含工業相機、IP Cam拍攝或現成圖像資料等來源。除了像素規格，光源也至關重要，需考量亮度/光通量、色溫、色彩再現性等，確保影像符合實際需求與品質。

影像處理與特徵提取

影像處理或轉換如二值化、濾波、增強、降噪和縮放等操作，提高影像品質和可用性後，提取有用的特徵如: 邊緣、紋理、色彩，或文章裡的詞組，選擇最具代表性的特徵，以降低計算成本並提高識別性能。

AI建模與訓練

常由人工或AI技術進行標記與訓練，並建立AI模型，透過特徵來識別和分類模式。常用的模型包括支持向量機（SVM）、卷積神經網絡（CNN）和循環神經網絡（RNN）等。

物件識別與評估

訓練後的模型依照需求辨識圖像中的物體、人物、文字或模式等。如何評估模型性能？通常包含精確度（模型正確預測的樣本數除以總樣本數。然而，對於不平衡的數據集，精確度可能不是一個很好的指標）、混淆矩陣（一個矩陣表格，包括真正例、假正例、真反例和假反例的結果。）和信心值等各種指標。

決策和輸出

根據識別的資訊進行決策如: 辨識物件與方位後，控制機器手臂取放、OCR字元讀取、組裝/設備操作步驟SOP確認等應用。

機器視覺的應用與難題

從自動駕駛到廠區智慧巡檢，可用人眼做判斷與檢測/檢查的部分，就有機器視覺的應用機會，但仍面臨原始資料品質差與樣本數不足的挑戰，且無法直接將模型從某領域轉移到另一個領域使用，AI建模成本（訓練時間、能耗、人力與樣本數等）也至關重要，即便是簡單的機械式指針讀取與辨識，一般傳統AI可能需上百甚至上千張樣本進行訓練。

圖1. AI協助人員執行複雜的線路檢查

AI並不是要取代人類，而是幫助人類更高效、準確地運用資源甚至解放雙手等，以AR擴增實境 + AI的視覺系統來說，由於可搭載於穿戴式裝置，作業員組裝設備時，AI可對現實世界物件做辨識與判斷，並透過AR眼鏡，即時提供操作員組裝指引，或自動檢查線路是否正確連接等。

AR和AI的結合能夠以合宜成本，提高資源運用效率、良率和確保工安等優點與全新應用，這種技術的應用有望在未來持續擴大，提供更多創新的解決方案。