機械工業網 - 機械工業雜誌 - 機械產業的入口網站

:::

歷史雜誌

依專輯名稱關鍵字搜尋或依年份搜尋，年份輸入範例202406

作者:林孟璇、陳裕文、蔡承翰、羅丞曜以卷積神經網路及資料擴增方式訓練識別低應力響應物件形貌人工智慧模型之方法

隨著人工智慧技術躍進，觸覺感測已成為智慧系統於複雜環境中進行互動與感知的關鍵技術。然而，
低成本平面陣列感測器普遍面臨空間解析度受限以及物體重量與幾何形狀特徵高度耦合等挑戰，導致辨
識精準度難以提升。本研究提出一種觸覺辨識運算框架，採用16 × 16 軟性薄膜壓力感測陣列，依序透過
數據收集、特徵解耦、擴增建模及智慧辨識之系統化流程進行分析，並透過壓力總和標準化消除絕對重
量干擾，強制模型優先提取幾何特徵。在模型評估方面，提案方法開發一套整合空間位移、幾何旋轉、
插值縮放與隨機高斯雜訊之十倍資料擴增流程。此外，本方法亦針對33 種常用機器學習演算法與最佳化
之輕量化卷積神經網路建立完整測試。實驗結果顯示，相較於傳統模型在一般測試中之差強人意表現，
所提出之輕量化卷積神經網路架構於資料擴增後，在新舊測試集中均達成100% 辨識準確率。本方法透過
數位訊號處理與深層表徵學習實證，可補償低解析度訊號之限制，為智慧觸覺辨識應用建立一套標準高
效建模流程。

作者:林豈臣、蔡淳宇、潘楷明、黃少谷瑕疵資料生成與檢測模型建置技術

本技術針對現有工件表面檢測方法存在人工誤差高與自動化光學檢測（Automation Optical Inspection, AOI）系統彈性不足等問題，提出一套結合生成式AI與虛實整合平台的瑕疵資料生成與檢測模型建置技術。系統整合機械手臂與影像擷取模組，透過收集正常與異常表面影像，經標註與預處理後作為生成模型訓練資料，運用擴散模型與生成對抗網路技術擴充數據，並結合虛擬環境中光源與相機位置隨機生成機制，模擬實際光照與視角條件，建立多樣化標註資料。檢測模型採卷積神經網路進行訓練與驗證，經由不同樣品測試，結果顯示系統具備高準確率、良好推論效能及部署彈性。本系統不僅提供智慧製造場域自我擴充與高度可用的檢測方案，亦具備應用於其他多變製程的潛力。