傳產轉型案例：如何讓 AI 落地不再是難事？看 MetAI 如何幫助企業降低 70% 的 AI 專案開發時程
數位孿生與合成資料助攻企業，讓智慧製造應用快速落地
MetAI 以獨有的數位孿生與合成資料服務，成功突破大多數 AI 專案的資料瓶頸，讓資料不再是企業數位轉型的絆腳石！
本傳產轉型案例為金屬製品製造客戶、立足於台灣數十年；是經濟部長年以來表揚的績優之中小企業，專門生產鋼管與金屬棒材。
由於在市場深耕多年，客戶除了來自台灣本土以外，更有多間國際間知名機械大廠，產品的需求穩定成長。但是隨著需求的增加、產線人工滿載，訂單遠大於產能的問題始終無法獲得解決。
為了突破此問題，客戶開始探詢數位轉型方案，希望從產品線上最耗費人力的產品品質管理（Quality Control, QC）的流程著手，能夠實現產線效率的提升。
沒有資料就不談數位轉型
客戶在兩年多前，就持續探詢市場上的各種瑕疵檢測解決方案；接觸式的傳感器可能造成產品的損傷，因此非接觸式的視覺系統便成了最理想的方案。
然而在嘗試過各種視覺解決方案，卻因各種難點而被迫放棄：
- 傳統 AOI 無法滿足客戶對品質管理的要求
- AI 的 vision-based 方案固然強大，仍需充足的資料驅動
- 客戶難以騰出多餘人力專司採集瑕疵樣本資料
- 因品質管理標準，並非所有樣本都能取得
- 各類型樣本資料產生的頻率不一
數位轉型一個最大的困難就是資料問題。許多企業無法擁有足夠數量且高品質的資料來訓練和支援 AI 模型。另外，收集和標註資料需要大量的人力和時間，對於一些企業來說，這可能是不可承受的成本。因此，如何解決資料問題是使用 AI 技術的企業面臨的主要挑戰。
MetAI - 讓資料不再是數位轉型的絆腳石
客戶大部分的難點在於「資料不足」或「資料品質不佳」，然而鮮少有系統商能夠提供解決資料議題的有效手段。而要突破資料數位轉型的困境，MetAI 獨有的「合成資料」技術是最符合現況的解決方案。因此在二次會議後，客戶便選擇了 MetAI 所提供的解決方案。
合成資料是以電腦模擬或演算法產生出且含有註釋資訊的合成資料，用來取代真實環境資料。也就是說，是在數位環境中建立合成資料，並非在現實環境中收集或測量的資料。
在這 5 個月的時間裡，MetAI 協助客戶做了以下幾件事：
- 設計瑕疵檢測系統之光學結構
- 建立數位孿生、生成合成資料
- 訓練瑕疵檢測 AI 模型
1. 設計瑕疵檢測系統之光學結構
客戶目前仍採用人力進行金屬棒材產品的瑕疵辨識，依賴人工但效率低，若使用自動光學辨識 AOI 進行字元辨識，因不鏽鋼管表面為圓弧曲面，打光容易造成反射而使瑕疵不易看清，更因為灰塵、指紋…等等因素，以至於上述情形被錯認為瑕疵，不論以人工或者自動光學檢測的辨識皆較為困難。
MetAI 以專業的機器視覺產業經驗設計光學結構，以增強棒材上的視覺特徵。經過訓練的 AI 視覺模型，能夠非常準確地識別棒材上的各類瑕疵類型。
2. 建立數位孿生、生成合成資料
解鎖 AI 應用：讓沒有足夠資料的企業也能導入 AI 技術！
少量資料難以保證 AI 模型的通用性，我們評估客戶需要花費 14 個月才能獲得足夠的資料。但是，我們提供了一種市場上獨有的解決方案：使用數位孿生和合成資料，快速產生大量的訓練資料，使 AI 應用得以快速落地。
原本評估為 14 個月的專案期間，通過了此解決方案的引入，令資料蒐集的時間成本大幅節省將近 70%。
產生無數量限制的 3D 資料
MetAI 的合成資料解決方案基於自主開發的 3D 合成資料工具。這個工具方便管理並且易於擴展，可以生成無限數量的隨機資料。
使用 3D 與物理模擬產生合成資料有以下優點：
- 真實性：根據真實環境和物理規律，模擬出最貼近真實的數據，讓 AI 模型能更好理解物體的形狀、紋理集物理特徵。
- 可控性：在 3D 和物理模型中，開發者可以精準掌握模型的訓練過程和資料的物理特徵。
- 可信性：基於真實的物理環境和物理規則，其可信性更高。
- 擴充性：自由且方便擴充其資料的種類和數量，以獲得更全面且豐富的資料集。
通過對真實金屬棒材樣本資料的分析，MetAI 提取了樣本和各種類別瑕疵的視覺特徵，建立了一個帶有瑕疵的隨機金屬棒材樣本產生器，能夠無限生成完全不重複的 3D 金屬棒材隨機樣本。
接著，MetAI 建立了光學結構的數位孿生，此數位孿生有與真實目標相近的物理條件，如：空間關係、環境光源…等等，因此能夠產生與真實光學結構相近的取樣資料。
最後透過模擬引擎 NVIDIA Omniverse 的光線追蹤渲染技術，MetAI 產生出成上千張貼近真實樣本的圖片資料；客戶與數位轉型的最大痛點「資料不足」也因此順利被解決。
節省數百小時的資料標註人力，百倍以上的資料標註速度
MetAI 的 3D 合成資料工具在產生龐大的 AI 訓練資料之餘，也同時將資料標籤的流程自動化。以本案例的情形，需要針對兩種不同的視覺模型進行訓練資料的標籤：
- 語意分割（Semantic Segmentation）
- 物件偵測（Object Detection）
其中語意分割的標籤任務需要對每一個像素進行標籤、最花費時間。在此產業案例中，純人工的標註平均為 7 分鐘/ 1 張，ML 輔助標註為 3 分鐘/ 1 張。使用合成資料自動化產生標籤的效率則為 0.01 分鐘 / 一張，效率相較於人工與 ML 輔助，分別提升了 200 與 400 倍之多。
3. 訓練瑕疵檢測 AI 模型：更可靠的視覺方案
MetAI 在短短 4.5 個月內成功協助製造業者產生資料、訓練出符合製造業者對品質管理的要求的 AI 電腦視覺技術。
得益于 MetAI 獨特的合成資料技術，AI 模型的成效顯著的提升，檢測金屬瑕疵的指標（平均絕對百分比誤差）提升了 28% 以上。
MetAI 節省 70% 的資料蒐集成本，卻有更可靠的模型，AI 應用落地不再是難事！
這篇傳產數位轉型案例的客戶，曾嘗試過各種方案來解決人力瑕疵檢測問題，但苦於資料不足的問題而無法順利進行轉型。
MetAI 的數位孿生與合成資料服務，能有效克服資料不足的難題，幫助企業降低 70% 的資料蒐集成本、加速 AI 應用落地。
這篇傳產轉型案例說明，數位轉型並非想像中的困難，只需要適當的解決方案。如果您也正苦於缺少資料而無法順利進行數位轉型，歡迎與我們聯繫！
-
MetAI | 宇見智能科技有限公司 | www.met-ai.net
讓我們輕易遇見 AI．輕鬆預見智慧製造
