倉儲自動化
大約自從2011年業界就一直在討論工業4.0，而在物流領域的討論，大約2016年前開始。根據《現代物料處理》雜誌 (Modern Materials Handling) 2019年的調查，超過一半的倉儲物流中心主管表示物流業幾乎都還是使用人工來處理。
過去這些年筆者接觸過一百座以上的倉儲，沒有一座是完全自動化的。當物流業嘗試採用諸如AI之類的新興科技時，經常會遇到看似簡單但共同的挑戰是，使用AI可以在何處產生最大的效益？任何的AI 計畫，首要聚焦營業成果和使用案例。雖然這點顯而易見，但往往客戶在第一步便難以理解。這一步至為關鍵，否則計畫可能會失敗。
機器視覺在倉儲自動化中是最容易實現和利用的AI項目，因為具備彈性，也是最快可以看到成果的科技。AI機器視覺在自動化旅程中處處可見(圖1)，可建構在任何既有的基礎設施和處理程式上，包含人工、自動化、以及自主化的。
AI機器視覺的運作
機器視覺是基於影像的分析方法，應用於倉儲之項目諸如檢測、流程控制、安全和機器人導引；讓機器擁有人類視覺，例如輸送帶、搬運機器人、或只是紀錄機器視覺所見之電腦。機器視覺有兩種不同類型：基於規則(Rules-based)處理、和基於AI的機器視覺。
基於規則處理的機器視覺
標準的機器視覺可偵測錯誤，但無法歸類究竟錯在何處，也無法在接收到資訊後指揮系統採取行動。基於規則之機器視覺包括閱讀文字、條碼、辨認充填液位，或讀取量測值。
基於AI人工智慧之機器視覺
AI機器視覺可辨識曾經見過之物，無需獨特的辨識器。AI機器視覺可就所見事物進行歸類，隨時間推移愈來愈聰明，並且可產生自動化工作流程採取行動，其運作過程可以分為五個階段說明：
1.收集圖像
如果用戶拍攝200張個人臉部照片，建立一個精準的臉部辨識模型並不會太困難。但如果場景換成照相機拍照時角度固定，拍照時間在晚上，照片畫質粗糙，例如ATM的照相機，系統會難以辨識。所以圖像收集事實上是AI機器視覺運作必要的第一步。
2.標記物件
這是人工程序，為了訓練AI系統，必須透過人為標記，告訴系統從何看起、要看什麼。
3.訓練
訓練是自動化的過程，在神經網路中進行。系統接受經過標記的照片，接著扭曲照片、延伸照片、翻轉照片、改變顏色、使其模糊，一張照片就變成了一萬張，系統使用愈多照片，就會變得愈聰明。
4.測試
接著系統就產生了一個模型，這個模型本質上就是一組演算法，看到新的影像進來時，可以溝通它看到了什麼，並且精確度是好的。
5.行動
模型產生之後，必須要能夠帶來行動方案。例如機器看到一個人站在不安全的位置，該做什麼？在這類情況下，必須要能自動採取作為。
AI機器視覺之倉儲應用
一座倉庫在基本功能上，如進貨、儲存、揀貨、打包、出貨進行得愈有效率，品質就愈有保證，愈能準時到貨，客戶也愈滿意，同時倉儲壓力就愈小，成本降低，員工也能順利完成工作。以下案例使用到基於規則和基於AI兩種機器視覺。
進貨與儲存
具備AI功能的機器視覺可自動建立並記錄入庫歷程。例如，配備機器視覺和信號燈的叉車，可以消除人工進貨和儲存過程的失誤。將倉儲管理所需之掃描和資料輸入自動化，讓叉車司機和進貨人員可以將速度和安全視為他們工作上第一要務(圖2)。
揀貨
包含用於組裝或執行訂單，配備機器視覺和AI功能的機器人可以正確揀取零件並將其裝箱或入袋。人工智慧讓使用者更進一步，藉由辨識最佳拾取點和放置方向，來加速包裝過程並最大化包裝量(圖3)。
包貨
具有AI功能的機器視覺可核對訂單以求確實，訂單揀貨後，人工智慧解決方案即會自動針對訂單內容和揀貨內容進行核實。這可以支援或取代品管工程師原本的工作，而倉庫因此可以重新配置人力。一旦訂單被核為揀貨不完全或不正確，便會被標記，而在出貨前重新包貨(圖4)。
出貨
機器視覺和人工智慧會繼續在貨物進入貨盤時就訂單逐一確認，所有放在貨盤上的包裝貨物都會根據識別碼、形狀、大小進行標記。確認貨盤上的貨物與訂單內容無誤，以及建立訂單履行的可追溯性，對於獲利有極大幫助。倉儲業在棧板化過程易發生人為錯誤，而多樣化訂單也難以從機器人的性價比中獲得真正益處。以凌華科技為例，其智慧棧板解決方案(Smart Pallet Solution)的案例，是一個利用AI機器視覺的半自動化棧板化一站式解決方案(圖5)。
安全與保障
機器視覺和人工智慧被用於確認是否員工可以入內，以及何時可以入內，且是否配戴合適的個人防護裝備，或是否進入了未經授權的區域。同樣的科技可被用於辨識地上的滑溜點、絆倒點和/或夾壓點(圖6)。
AI機器視覺解決方案的評估
欲確定機器視覺對於某項處理程序是否有用，須要確認一個簡單的問題，如果將此過程拍攝下來，能否看到、演繹、推論、閱讀到所有希望機器能看到、演繹、推論、閱讀的東西？如果答案是肯定的，那AI機器視覺就能做到。如果可以用雙眼看到，就可以訓練一個系統做同樣的事。
流程可以從Workshop，建立Roadmap和數位實驗先導計畫(Digital Experiment Pilot)，並不是每一個使用案例都需要AI機器視覺，以評估哪一個工作程序最能從AI機器視覺獲益，以及從何著手最有利。當實施AI視覺科技時，建議幾個注意事項。
首先，為了自動化投資能夠順利快速進行，而不是花費許多年，應先審視處理程序，以漸進方式進行。舉例，如果第一個AI計畫便是從進貨到出貨之產品全周期可追溯性研究，那專案的規模、投注的成本心力可能會讓業者躊躇不前。因此，不如分成幾個小計畫，先將某些人力程序自動化，使工作更快速流暢，例如棧板化、包貨、叉車搬貨，讓存貨更正確，並且應注意這些科技在企業內橫向擴充時彼此能夠搭配。
其次，不管是嵌入式、分散式或智慧型運算，邊緣運算讓人工智慧可即時產生、使用、運算和分發資料，關鍵時刻進行決策並採取行動。例如，一個為機器人品質檢視而設計之AI機器視覺系統，可能需要在輸送機將下一個產品送到其鏡頭下之前，於0.05秒之內檢視出產品是否有瑕疵，此處誤差幅度極小，需要即時性的資料移動。邊緣運算即是資料與人、與地、與機器相遇之處，讓這類即時的、實時的行動得以發生。
此外，AI機器視覺的開發和部署需要有很多環節，不是一家公司就能獨立完成的。它需要一個完整的生態系統，包含影像擷取、即時軟硬體平台提供商和系統整合商等。
(本文作者任職於凌華科技)
