跳到主要內容
 
:::

技術論壇

主題:電腦視覺系統的建立要有哪些基本元素?

發文時間 2020/02/19 作者 linda.lin

瀏覽次數 2225 留言數量 14 按讚 0


電腦視覺類 視覺辨識採果機器人

說到電腦視覺系統大家應該會想到採果機器人,或是辨識植物花朵名稱的APP等等,

其實就是讓機器學習如何看、辨識等是覺化的理解

但是你真的知道從0到100的辨識系統該如何建立嗎?

有哪些必備的軟體需要學習?又或者一定要哪些硬體呢?

歡迎曾經學過電腦視覺辨識的大家來分享一下吧!


14則留言

發文時間 2020/02/19 作者 linda.lin

按讚 0


附上視覺辨識的示意圖

 


發文時間 2020/02/20 作者 omnixri

按讚 1


電腦視覺發展至今已有數十年,近年來隨著硬體計算能力提升,產品價格下降,相關函式庫開發成熟,所以入手門檻就相對降低不少。從下面這張圖就可知道一個基本電腦視覺系統組成要有攝像頭、計算用主機、作業系統、開發工具,另外可搭配輸出入控制、通訊傳輸介面及顯示介面,如果需要運用深度學習這類較耗計算能力的算法時還可加上一些硬體加速裝置。

參考資料來源:https://omnixri.blogspot.com/2018/10/maker.html

電腦視覺系統架構_OmniXRI

 


發文時間 2020/02/20 作者 omnixri

按讚 1


說到電腦視覺,以前要讀一堆數學加上學習各種程式寫作技巧才有機會實現,1990年開源電腦視覺函式庫OpenCV推出後就大大降低學習門檻,如今包含了各式各樣的應用,甚至也開始支援起深度學習這類的應用。

有興趣的朋友可以參考一下這份簡報,介紹了OpenCV的基本應用及開源深度學習工具OpenVINO。

參考資料來源:https://omnixri.blogspot.com/2019/12/20191225opencv.html

Image Processing_OmniXRI

 


發文時間 2020/02/26 作者 laisan86

按讚 1


版主這麼問, 這坑很大耶! 我自己這幾年就跟著MakerPro、LASS社團裡面幾位專門做機器視覺的大大一邊玩一邊學

假如說需要的軟體、硬體, 那其實得問你的目標是甚麼以及你計畫要做到甚麼程度, 比方講我之前用來訓練辨識水果影像的, 就是我們北科大電子所的nVIDIA DGX-1! 因為我剛好有帳號~~但一般大大們恐怕沒有辦法用, 要不然的話光華商場賣有提供GPU的筆電其實也不錯, 像我的筆電還沒GPU, 也是可以跑訓練, 只是天荒地老而已...

所以, 得看你是要否自己訓練你要的標的物影像, 假設沒有而你都是使用已經訓練好的模型去跑, Intel NCS2神經棒對大多數應用來說就很夠了!

至於軟體方面, 我是自己都用Python3加上Inetl OpenVINO工具組, 另外我也用Google的Colab跑過好幾個, 看你要玩甚麼囉!

 

假如像我來說, 我平時主要就用Windows 10筆電, 至於Linux平台下目前機器視覺的方案比較多, 所以Windows 10下可以裝一些虛擬機器像是VMWare那種的軟體, 跑Linux然後掛那些方案看看

那像我是有人會給我免費單板玩的, 那就單板的SD掛Ubuntu最快! 不過要小心RAM夠不夠大就是, 假如是我建議, 64 bits的ARM系列微處理機加上至少2GB RAM, 當應用端可能很OK吧!

作者 laisan86 發文時間 2020/02/26 按讚 0



發文時間 2020/02/27 作者 allen chen

按讚 0


雖然我沒有實際建立或是使用的經驗,不過還蠻常在網路上滑到相關的資訊,就有人說到其實2012年是電腦視覺的一大突破年,因為有了深度學習的出現以及相關應用。因此衍伸出人臉辨識、物件偵測、車輛追蹤和街景分析等等。

 


發文時間 2020/02/27 作者 junwei01

按讚 0


就我的認知,電腦視覺其實就是許多領域的結合,像是有AI、數學計算、模型辨識、圖像辨識等,當然還有重要的深度學習以及機器學習拉~如果説到軟硬體方面,就有MATLAB、Python、Intel OpenVINO等。

 


發文時間 2020/02/27 作者 zhoujieren8

按讚 0


哇噻!版主的這個問題也太廣了吧!

有點難回答,不過我超推Jack大大所整理的資料

之前在台北有參加過大大分享的課程,覺得很受用

好像就是這一場的內容:https://omnixri.blogspot.com/search/label/OpenVINO

是有關機器手臂配合3D感測視覺系統的介紹!

 

感謝分享,裡面解決了我在實作上遇到的一些問題!

作者 kyriehong 發文時間 2020/03/20 按讚 0



發文時間 2020/03/01 作者 bioasura

按讚 0


說到電腦視覺系統大家應該會想到採果機器人,或是辨識植物花朵名稱的APP等等,

其實就是讓機器學習如何看、辨識等是覺化的理解

 

要做電腦視覺首先其實要懂一些影像基本的組成跟記錄方式, 過去會需要有許多的檔案格式讀取函示庫,

現在的時代似乎不用這些工具了, 比較有效的方法可以用OpenCV,裡面有許多已經寫好的影像檔案格式匯入函式指令.

當影像檔案匯入記憶體以後, 要懂得是RGBA影像內各個點紀錄的概念,

不同的程式語言或函式讀取完的每個點存在記憶體的顏色順序不一定相同(RGBA, BGRA... 不同函式最原始發展時候可能格式不一定相同, 

但是通常就是會回到電腦記憶體格式可以依照順序存取的每個點的狀態),

所以其實這時候就可以把所有點的某一個顏色記憶體取出來, 例如RGBA這樣的方式儲存一個點的時候, 可以就單獨讀取R(紅色顏色) 在每個點的多紅的程度,

通常R(0-255),G(0-255),B(0-255), A(0-255), 分別就是紅,綠,藍,透明度的每一個點所記錄的數值,

到這裡其實用簡單的矩陣存取的方式, 不管哪個程式語言, 只要能處理到這樣, 就可以算是完整的讀出一張影像了,

後面可以將這樣的影像資料在丟到OpenCV的各個不同的影像處理函式, 

例如各種不同的濾鏡, 就可以進行傳統的影像處理, 例如變成灰階, 或是去除雜訊的節點, 

以及找出顏色差異相鄰的點, 進行找出可能是物件邊緣區域的偵測演算法等濾鏡,

而這些濾鏡其實跟哪種語言並沒有關係,

 

只要OpenCV有提供, 去github上面找, 就會有機會找到不同程式語言轉換成呼叫OpenCV相對應API的程式開發套件,

這樣其實重點可能會回到你對那一個程式語言比較熟悉, 然後有沒有人替你寫好可以直接用那個程式語言寫好的程式呼叫開發函式,

舉例來說, NodeJS有OpenCV4NodeJS, 看起來會寫NodeJS就可以呼叫OpenCV, 其實也只是別人寫好了一個函式套件, 

讓你可以用NodeJS呼叫OpenCV4NodeJS之後, 再呼叫了OpenCV底層真正的影像處理函式.

而影像處理函式過去其實是許多的研究論文對於影像訊號分析的研究成果, 

現在OpenCV已經把常用的論文所發展好的數學矩陣的操作方式寫好變成了一套函式庫,

所以其實不用完全懂原始的影像處理的概念也可以透過OpenCV呼叫某一個指令, 

就相當於透過了某一篇論文的方法操作了一張原始儲存在記憶體裡面的影像,

 

了解了上面的概念以後, 其實我們就可以用許多OpenCV的濾鏡指令, 分別的針對同一張圖片透過幾次的濾鏡的操作, 就有機會得到一些有趣的應用.

目前比較方便的作法是使用Python去呼叫OpenCV的函式, 相對的可以透過Python其他矩陣轉換的指令, 

以及圖表輸出的工具, 會比較容易觀察在處理前的原圖與處理過後的每個指令的輸出結果所產生的變化,

以上這些過程我們一般可以稱為影像處理, 一張圖在大部份的時候會需要先進行部份的影像處理以後, 會比較容易進行後面的分析跟比較 (找出相關可用的特徵),

 

過去OpenCV 3.x發展的版本大部分圍繞在濾鏡的操作, 而在OpenCV 4.x之後, 加入了類神經網路的分析套件, 可以比較方便的進行影像資料的預測與操作, 

其實過去OpenCV 4.x之前, 大部分的人會將自行的將影像資料透過SVM, 或是自己找一個類神經網路的套件, 將影像資料自行加上類別的標示, 之後透過機器學習的方式,

開始進行資料訓練, 以及後續預測的演算法, 而前面描述的影像資料濾鏡的操作過程, 就是有效的幫助在進行影像資料進行標記之前, 可進行一些資料的雜訊處理或特徵抽取的有效方式.

 

 


發文時間 2020/03/02 作者 shuechang886

按讚 0


在還不認識視覺辨識系統之前,我就看過用excel去做AI影像辨識的文章,在這裡(https://buzzorange.com/techorange/2018/08/13/excel-ai/),不過說實在的現在技術越來越發達,只要透過OpenVINO這個大家常常使用的開源電腦視覺推論及神經網路工具包,電腦視覺辨識就可以上手,並且進行一系列的開發與測試,真的超級方便!

 


發文時間 2020/03/02 作者 hannibal34

按讚 0


python可以應用在許多領域上面,

從機器人研發、TensorFlow、人工智慧平台、網頁開發以及多媒體處理

以上這些都可以透過學習python來進一步利用

然而python也是建立電腦視覺系統強大的使用工具

你可以結合python、Arduino與OpenCV來整合以製作出視覺辨識的應用與物件!

 


發文時間 2020/03/03 作者 ypei91510

按讚 0


以上各位大大分享的觀點和想法都讓小的非常受用,但是其實我覺得想要建立視覺辨識系統,首先需要先想清楚你的目的以及使用的場域和對象等等,才能從中更有效的挑選學習的資訊。

 


發文時間 2020/03/04 作者 bioasura

按讚 0


當影像資料取得以後, 同時會了OpenCV部分重要的概念以後(先不要求全部都會, 可以針對某一些問題常用的部分練習), 例如erosion dilation (https://ithelp.ithome.com.tw/articles/10205488), 或者是彩色轉灰階, 或是最簡單的histogram的繪製方式, 然後了解如何將灰階轉換成二元影像的一些概念

後面其實可以直接練習用OpenVINO來做一些影像識別跟影片動態物件偵測的練習. (感覺這樣會比較有效率, 真正要做事情的話), OpenVINO的資料可以在github上面取得(教學文件與練習用的資料), https://github.com/opencv/dldt, 這裡面有程式碼, 有教學文件(pdf), 有練習用的影片資料(video), intel本身對於OpenVINO最新的版本的資料也全部都在裡面, 是持續更新的.

 

https://software.intel.com/en-us/openvino-toolkit

這一個是openvino的官方網站, 感覺透過openvino的架構來學習影像部分的應用, 會相對的比較簡單的可以知道目前有哪些已經訓練好的各種影像人工智慧模型可以使用, openvino是一個開發架構, 可以配合open model zoo來做大量更種不同影像或攝影機即時資料的練習.

 

https://github.com/opencv/open_model_zoo

這個網站的資料搭配openvino , 可以省下非常多自己找訓練資料模型的時間

 


發文時間 2020/03/20 作者 kyriehong

按讚 0


之前在資策會的智慧系統整合人才養成班時曾經上過一個月有關樹莓派OpenCV影像辨識的課程,當時練習的是以攝像鏡頭辨識靜態車牌,其實辨識率已經滿不錯的,但還是對背後的原理很感興趣,謝謝上面各位大大的資訊分享!

 


發文時間 2020/03/20 作者 laisan86

按讚 0


其實說起來實際開發倒也沒挺難啦~像這個就是我們LASS社團大大們去收集的彩色辣椒照片,然後用labelImg這類軟體自己一個個去標示,再透過Yolo V3訓練以後,就成了能在Windows 10 PC上執行的彩色辣椒影像辨識程式 ==> https://www.youtube.com/watch?v=bEMSMA1HgZg

比較麻煩是訓練的時候,剛好我是有我們台北科大電子所的nVIDIA DGX-1帳號可以用,所以訓練起來還好,不然要是有興趣的大大們可以找台有GPU的自己訓練起來看看

 


最新發表
疫情使企業「數位轉型」迫在眉睫,但員工身心靈都已裝備到位了嗎?
2021年全球疫情因疫苗問世漸趨和緩;台灣也正從新一波疫情高峰中逐步獲得控制,但仍不鬆懈。「數位轉型」即是企業追求長遠生存,逆勢求生的唯一手段。不只是數位工具的導入,其員工數位能力的提升及心態健康程度,更是決定企業能否在這場「防疫持久戰」致勝的關鍵! 企業的「數位轉型」不只包含了「數位化」—將實體的資訊轉成為電子化,儲存於電腦或是雲端中,加速作業效率。更重要是藉由「數位化」基礎,在營運流程、顧客體驗及商業模式等策略中,結合數位工具,提升工作效率並賦予全新的價值,增加市場競爭力。所以,擁有數位腦袋和開放態度的人才,就顯得格外重要!但對於資源不是非常多的企業(可能員工數僅百人以下),不太可能立即擴大招覽相關人才。那麼,就從既有人才上,去轉型、賦能優化吧! 如何幫助員工快速升級,符合企業「數位轉型」戰略目標? 需針對不同部門、不同專業類別的員工,制定相應的學習計畫。從具有架構化的學習開始:以員工學習體驗為導向,滿足員工碎片化學習需求,著重提升學習效率與成果,內容即時因應企業變革成與轉型訴求,在企業有限資源下達到最佳學習成果! 所以,相應教材與學習系統就須同時兼備『快速產製教材』及『穩定學習品質』兩大特性。而「AI智能影音」平台即能達到上述需求,使企業人力培訓上縮短員工訓練時程,加速應用所學,為企業在艱困時,深蹲打好基礎。 「AI智能影音」平台運用大數據、AI自然語言處理、電腦視覺技術等技術,能自動將文字匹配靜態圖與動態影音,並使平台內的影音模型藉由反覆訓練,合成出符合觀眾閱聽行為且具有品質的影音內容。平台最大優勢為,使用者只要將一段文字匯入平台,5分鐘內產出約1分到1分半的影片,不需要額外找素材,其影片的內容就是自百萬商用授權素材庫(包含靜態圖像、動態影音、背景音樂)。大幅縮短原先產製教學影片的時程,中小型企業也能因應市場變化,動態調整教學內容!不增加培訓人員與受訓人員工作負擔。 「數位轉型」是企業須即刻on上日期的專案,數位工具使用與員工賦能就是第一步。全球市場瞬息萬變,難保未來不再有意外。企業應自日常扎根,在非常時期宛如期中考般,考核過去在數位轉型上的投資,方向是否正確?是否風暴中向前挺進?收割推動轉型的豐碩果實,為企業營收再創新高峰! 點擊 看更多企業案
數位轉型時代人才職能的再進化
近年來全球資訊產業趨勢變化快速,雲端運算、物聯網、資料科學、人工智慧和5G行動通訊等尖端技術日新月異的發展應用,帶動了數位經濟的興起,並同時重塑了全球經濟結構。根據世界經濟論壇(WEF)的預測,2022年全球GDP將有六成來自數位經濟,可見數位經濟的發展對全球經濟未來趨勢影響之重大,而其影響自然也將及於人力資源市場。 產業面臨這一波數位轉型,正如當初個人電腦、網際網路的普及一樣,將會完全翻轉全球經濟、以及企業現有的商業模式。過往數位科技人才大多為資通訊及高科技產業所需求,隨著產業積極導入數位工具及人工智慧應用、企圖尋求下一波創新成長動能,各行各業展開數位科技人才爭奪,根據國家發展委員會對於臺灣未來十年人力市場之預估,數位人才將呈現大規模人力缺口。 AI取代工作 還是創造機會 科技帶來翻天覆地的影響,新興領域之人才需求不斷攀升,嶄新的商業模式、跨領域的整合應用也層出不窮。迎接新科技帶來新工作機會的同時,人才技能必須時常更新,以掌握未來世界的人力需求及工作樣態的變化。 根據臺灣經濟研究院研究報告指出,隨著人工智慧、物聯網、大數據、資訊安全等技術發展,將會為我國帶來新的人力需求;反之,設備操作、倉儲物流、行政庶務等事務性及高重複性工作,則可能因新科技而受到衝擊。然而,人類的工作真的會被AI和機器人取代嗎?國際研究暨顧問機構Gartner指出,2020年,雖然有180萬個職位被AI取代,不過同時AI也將創造230萬個工作機會,帶動整體工作機會正成長。未來的人力資源趨勢將是人工智慧結合人腦的工作型態,隨著自動化科技的引進顛覆人類在工作上所扮演角色,勞動者必須具備新的技術和能力,以因應這一波數位趨勢。 人才職能重塑 已是世代常態 各種新興科技正在重塑我們的世界,我們是否都準備好了呢?現今企業普遍面臨相當大之人才挑戰,人才競爭態勢只會越來越激烈,數位科技浪潮下,在可預見的未來,機器人或人工智慧一定會對企業人力運用造成影響,企業數位轉型已經是勢在必行的壓力,就公司而言,企業所需的人才技能隨著公司經營策略的調整均在不斷轉變中,人才需要積極主動、擁抱改變,人才所具備的技能如不隨著大環境的變動,將面臨無法與時俱進的風險、最終可能被市場淘汰。 過去用一把刷子行走職場、或是十年磨一劍的年代已經過去,單一技能很容易被潮流取代、唯有具備數位科技、跨領域專長的人才方能在瞬息萬變的職場上勝出。世界經濟論壇的報告指出,全球所有受雇員工有半數以上(54%)需要在未來三年內接受大幅度的技能重塑與提升訓練。而數位科技人才常需隨趨勢發展而更新專業能力,根據之前Gartner的一份調查,職場員工平均每三年需更新一次職務內容與數位科技專業能力。 職能再進化 先找出自己的型 在這波數位技能革命中,企業必須打造新的人才職能規格、於公司內部創造並鼓勵員工持續學習的環境和文化,同時協助員工捨棄舊技能與發展工作所需新技能。由於企業很難找到各方面條件都符合的現成人選,招募到合適的人才所需之時間已經越來越長。有越來越多的企業支持從既有的員工進行在職培訓,並轉型為數位科技人才,不僅有效降低企業招募時間與經費成本,也可以避免招募到的員工不適任無法久留的風險。越來越多的企業正在提高技能重塑的投資,在企業發展數位轉型的同時,偕同組織內的人才一起精進、重塑員工技能,及早做好職能轉型的全面準備。 然而,職能轉型並非一件容易的事情,根據108年經濟部人工智慧產業人才需求調查發現,並非所有現職員工都能成功轉型人工智慧人才,最被企業看好且轉型成功率高的人才通常已具備相當基礎(有型)、在這個基礎上進行職能轉型較容易成功;例如工程類職務(如:系統工程師、後端軟體工程師) 本身即具有程式撰寫、系統開發能力,較容易轉型為機器學習工程師及AI應用工程師等AI新興職務。而資料類職務(如:資料庫工程師、統計分析師)已具有資料庫或數據分析等基礎,亦容易轉型為資料工程師或資料分析師。而一般常見的產品經理、專案經理及行銷企劃專員等職務,已具備專案管理、產品管理、行銷推廣、跨部門溝通…等軟實力,若能再強化AI相關基礎知識,也容易轉型為AI專案經理或AI產品經理。 生命不息 學習不止 迅速和持續變化的工作性質正在改變學習與工作間的關係,當我們一直被機器追趕著學習新技能,如何能夠有效應對新世代的變遷、在數位經濟的潮流中成為未來產業所亟需的人才?在數位時代的潮流之下,新世代的人才需要透過不同管道不斷精進自我,才能持續增加自己的附加價值,而不被時代所淘汰。未來的人才唯有在終生學習、科技協作、軟技能和環境應變等四個面向深化努力,方能應對快速變遷、日新月異的產業趨勢。 在終生學習方面,除了持續學習的腳步外,在學習的方向上,也要注意學習內容與工作之融合度,以期能符合實際工作的職能需求,此外考量個人能力及人格特質做個性化的學習,也對強化自身附加價值,以及未來職涯的發展有所助益;在科技協作方面,隨著AI與自動化的興起,新的工作型態對人機協作的需求也越來越高,在人類主導的情況下,由機器提供輔助進行工作,將會成為產業從人工朝向智慧化發展過程中過渡的第一步,因此在科技協作的學習投入,將能有效幫助人才面對AI化與自動化的挑戰;軟技能是人類勝出機器的關鍵,包括溝通、思考和創意等在現今這個科技時代愈趨重要,未來人才需要培養機器所無法取代的能力,以增進自身在職場的不可取代性;在環境應變方面,由於近年來產業趨勢的變遷快速,新技術的推陳出新使得人才在適應環境變化上的需求大幅提升,未來的人才也需要像電腦持續定期更新,隨時檢視自己的技能、擁有持續重塑自己以靈活應變的能力,才能在時代的潮流中維持競爭力! 財團法人資訊工業策進會∕數位教育研究所∕數位轉型訓練中心 陳麗萍 組長
AI創作音樂有可能成為一種新趨勢嗎?
音樂是全世界共通的語言,大家都同樣使用12個音符,但卻能創造出各種風格的音樂。目前主打透過AI生成音樂的服務越來越多,在國外還有透過 AI 即時生成電子樂的音樂串流服務,這樣的音樂創作方式有可能會成為趨勢嗎?
到了5G時代,那麼邊緣運算會有何不同嗎?
我們都知道物聯網的概念開啟了科技應用的新視野,當越來越多元件走向微型化、智慧化,數據海嘯也隨之而來,如何讓這些裝置以最有效率的方式運作,互通有無,並發揮大數據的優勢,成了當務之急。邊緣運算便是實現運算資源佈局最佳化的關鍵途徑,不過現在有了5G的出現,對於邊緣運算會有什麼影響呢?
最近在AI資料分析常使用到的"增強分析"是什麼意思?
「增強分析」(augmented analytics)被預測為今年十大戰略趨勢,它對一般企業來說意味著什麼?對數據科學家來說影響又有多大?希望可以了解一下

熱門發表
如果提供影像辨識的訓練資料不足,AI電腦視覺技術是不是就派不上用場了?
目前深度學習很火,從醫療、零售、倉儲、工業到監控等,好像各種影像辨識都能用到,但往往在一個地方卡關,那就是沒有足夠大量且有代表性的資料提供"訓練",有沒有可能用少量資料來達成好的辨識效果呢?
【解題建議】利用OpenPose來解決骨架(姿態、行為)分析
此次出題有很多項目和姿態(行為)分析有關(如下所示),而其根本就是要先找出人的骨架,再加上時間序列來分析骨架各特徵點的位移,進而判定使用者的動作(類型)。 【華碼數位】 體適能動作與姿勢辨識:以影像分析運動者姿態。 【宸訊科技】 利用動態影像辨識技術完成對農民於田間作業之行為分類與分析並能結合AI技術、配合專家互動,持續調整分類學習精準度:從串流影像中分析農業作業姿態(行為) 。 【集思動力】 iSEM多裂肌脊椎運動AI體況分析應用:透過影像、視頻分析人體動作姿態是否滿足特定位置、角度。 【百一電子】 AI電腦視覺辨識男生/女生的情緒與動作事件 :透過視頻分析十六種動作行為。 【良品嚴選】 客戶輪廓分析與服務人員及時輔助系統:從視頻分析客戶在店面行為以提供智能零售。 【良品嚴選】 線上連結線下新零售之AI分析:從視頻中分析行銷手段是否改變消費者行為。 【艾爾塔科技】 線下零售數據消費者行為洞察與全通路數據整合:透過人流資訊分析及預測消費者行為。 【卡訊電子】 智慧教室語音與影像偵測數據AI分析:建立語音、影像辨識老師、學生行為以增進學習效益。 而在開源技術中以CMU的OpenPose最為知名,包含有身體、頭(臉部)、手等部位,有興趣的朋友可以參考一下 https://github.com/CMU-Perceptual-Computing-Lab/openpose
數據「學」無止盡!機器學習、深度學習、統計學究竟差在哪?
數據當道的現今,多少人、事、物受惠於這些龐大的數據分析和學習,但你知道機器學習、深度學習、統計學的差異是什麼嗎?
CES展上發佈的蚊子偵測器怎麼辨別這種微小差異的?
以色列新創業者Bzigo在CES展出一款室內蚊子或小型飛蟲偵測器,宣稱能夠偵測距離8公尺內的蚊子、追蹤蚊子飛行的軌跡,但蚊子很小隻且飛行速度不慢,實際可以偵測到的成效不知道如何,怎麼辨別蚊子或小型飛蟲和其他東西的差異?  
Time is money!如何讓製程最佳化、讓生產更簡單?
從網路時代到物聯網興起,工業 4.0 強調自動化與生產線聯網功能,而新一代的智慧工廠發展,則更仰賴邊際運算、AI 和數據分析。然而,究竟要如何讓製程最佳化,使得生產速度提升呢?

主題分類