Page 95 - Vol.27
P. 95
圖 20、波士頓動力各種不受地形限制的機器人
圖 19、新光保全推出的保全機器人 SeQ1，
已搭載簡易視覺系統可拍照
但影像辨識的深度學習則是令人期
待的，當我們把每日巡檢累積下來
的影像拿來訓練我們的巡檢機器
人，透過深度學習讓它學會何為
管路配置、安全標示、環境配置等
圖 21，我們就可以將其應用在新廠
區、建廠時，透過它檢測差異以達
成施工目標，大幅減少安檢與試俥
的負擔，同時因為減少修改的重工
進而減少工期。這種想法並非天方
夜譚，台大資訊、資工系有許多教
授已經做到機器學習的系統架構並
實 際 應 用， 例 如 判 斷 Youtube 影
圖 21、視覺辨識可偵測化學閥箱異常，綠框為正常判定為過曝造成，黃框為
片內容如簡述出影片內人物的行為
有異常但不嚴重（螺絲鬆脫），紅框表示異常（掛牌變化、雜物）。
圖 22。相信在人工智慧潮流的潮流
下，這項技術的精確及普及將更為
快速。
技術討論平台
在特定的領域上總會碰到整個組織
都棘手的難解問題，這時候如果有
個求助的平台，透過跨系統、甚
至跨領域的協助下，用不同的觀
點也許就可以找到解法。這在矽谷
與 NASA 都有一些著名的案例，
Innocentive 科學問題線上交流平台
圖 23 顯示有 30% 在 NASA 這類專
業組織也認為棘手的問題，透過群
眾外包的方式找到解答。這些解題
者有很高比例未接觸過該領域，但
通常越難解的問題被所謂門外漢破 圖 22、台大孫民教授於本公司演講案例：在深度學習後，可辨識出行為並回
解的機會越高，因為它可以跳脫該 應，如回答該影片是一位滑雪者在跳水。
300mm FABS FACILITY JOURNAL SEPTEMBER 2017 95
