（圖來源：Shutterstock）

全球制造業吹起一股工業4.0 的轉型風潮，制造商在生產設備裝上各類感測器，搜集產品與設備運作的狀況，同時透過工業物聯網串聯各個設備的資訊。數據經過處理和分析后不但能運用于工廠管理，亦能有效提升生產良率。

由此看來，自動化或資訊化是工廠數位轉型的重要基礎，也就是說，對于人工作業比重較高的工廠來說，如果要實現工業4.0 轉型目標，勢必得從改造產線做起，引進機械自動化設備取代人力，才有辦法搜集生產線上的資料。

然而，改造產線談何容易，企業不只要投資大量時間、金錢與人力，還有可能影響既定生產排程，由于改造產線困難較大，推出人體骨干分析技術，協助制造業者解決這個難題，透過攝影機搜集產線員工的作業行為，再進行AI 運算分析，確認員工作業流程是否符合標準，提高產品良率，讓制造業者不必大規模改造產線，也能提高生產品質，持續往工業4.0 轉型之路邁進。

一、AI怎么實現運算分析

1. 數據收集和處理

數據收集的過程是，在安裝拍照攝像設備之后，從動態的場景與復雜的背景中判斷是否存在識別的對象，并分離出對象。采集到照片。因此測試需要從至少這兩方面來考慮。

a) 采集的素材
圖片的像素、大小、清晰度、色彩、復雜度、噪聲等，會直接影響到計算機識別的結果。

舉個例子來說，下方的三個圖，對于肉眼和計算機學習去區分的難度是明顯不一樣的。識別的難度A一定小于B和C。

圖A

圖B

圖C

b) 采集的器材
圖片一般是用攝像頭拍攝獲得的，那么不同品牌和參數的攝像頭，拍攝出來的照片像素、清晰度、色彩，甚至是層次都會有差異。

2. 數據理解和特征提取

數據理解的目的在于，獲取到原始數據之后，分析數據的有效性，并且將數據里有用的， 并且將有典型特征的抽取出來。比如我們拍攝的各種照片，需要從中識別出是包含一朵花的，還是包含一個人的，是一輛自行車還是一輛小汽車。這個唯一的解決方案是，讓機器拿到足夠多的樣本進行訓練，訓練的越多，模型將越準確。

二、AI 充當員工的聰明助手，找出真正有問題的產品

目前日本第二大鋼鐵廠JFE 利用一個解決方案來確認員工是否確實遵守SOP，進行產線升級。

當工廠在產線上安裝攝影機，經由人體骨干分析技術，分析作業員在制程的行為上是否有按照SOP 進行，并透過AI 即時偵錯，提醒工廠領班產線上因人為疏失而導致良率下降的問題，并解決目前只能事后抽驗，但卻不一定能檢查出瑕疵品的困擾。

在制程的每一階段，作業員都需要站立或蹲在不同的區域，如果產線員工遺漏或不遵守SOP 要求， 攝影機就會告訴中控系統，再由系統通知領班，避免讓此產品進入下一階段。

對于鋼材的生產，最重視產品品質，假如作業員沒有確實遵守標準作業流程（SOP），就有可能影響產品良率甚至產線上的工作安全，而鋼材的應用通常都與大型建設或及交通設施有關，若品質不良，后果十分嚴重。

通過影像分析技術，可以真正攔截到品質有瑕疵的產品，節省事后大動作召回或維修的成本。

三、從人臉辨識走向行為分析，AI 用“看”找出潛藏工安危機

人體骨干影像分析技術，除了可以識別人體行為姿勢外，也能做到工廠人員的偵測。

舉例來說，結合骨干分析的智慧攝影機，能有效在作業員過于接近大型機具和執行危險行為時，即時通報系統并警示操作人員，讓現在人員能在危險發生前，提早做好危機處理，有效降低工作環境的出事機率。不只工廠的工安管理，在工廠的管理面上，也可以透過結合骨干分析技術來優化管理流程，例如人體骨干影像分析技術可以作為員工上產線出勤的依據，只要透過鏡頭中的辨識技術，就可以輕松做到產線上人員之控管，節省多余人力配置。

其實，除了制造業以外，包括公共運輸、零售等各個產業，都能以人體骨干分析技術為核心，根據使用者的需求去定義行為模型，透過AI 影像辨識的幫助下，有效的解決企業營運難題推出更具創新的服務，進而跟上全球這股智慧轉型的浪潮。

本文由電子發燒友綜合報道，內容參考自CSDN、科技新報，轉載請注明以上來源。