AI落地工业环境挑战多，中钢归纳3大AI导入经验：足量训练资料、选对技术、循序渐进为成功关键

中钢从2014年开始拥抱智慧制造，经历了许多试验后，才在2017年更有规模的落地AI应用，采取由现场出题、专家解题的方法，每年从上百个提案中筛选约20个可行性较高的方案，来导入应用场景。中钢绿能与系统整合研究发展处研究员许朝咏，也在今年的台湾AI年会上，以自己实作过的多个AI专案，从选题、执行到落地，归纳出3大AI实战经验，来提供其他企业借镜参考。

许朝咏首先引述麦肯锡2019年发布的一份报吿指出，企业要在工业场景落地AI并不容易，超过7成的企业正在进行局部试点，其中29%企业已经试点超过2年，56%进行了1～2年，更有15%才刚起步。对中钢来说，在导入AI过程中，也同样面临了“试点困境”，尤其在电脑视觉要落地炼钢场域时，中钢也面临了4个AI应用挑战。

其一，是工业环境不易控制，会造成取得影像的品质差异大，比如钢铁制造环境动辄在900度以上的高温中，处理过程也可能喷水冷却，导致难以取得清楚的影像；又或是在同样位置拍摄的影像，也可能因光源不同，导致影像呈现不同的效果。

其二，现场实际环境会限制AI应用的计算能力，比如部分场所的空间有限，无法摆下GPU服务器、或高计算能力的设备，甚至连网络线都无法部建，“在这样的环境下，我们的模型就必须要能兼容边缘运算，才能实际应用。”许朝咏说。

其三，被侦测物体的尺寸不一，也会影响深度学习的模型训练成果。许朝咏以识别钢品身份的AI序号辨识为例，就算是相同的钢品，影像拍摄的尺寸不同，会造成钢品上印制序号大小的差异，进而影响序号辨识模型的表现。

最后，则是深度学习模型的调整弹性差。同样以序号辨识模型为例，许朝咏表示，有时会遇到视觉效果相同的数字（比如像是同一个数字1），在不同序列中却无法辨识，“为什么有时候，1可以辨识出来，有时候却不行？”许朝咏表示，要解决这个问题，通常需要重新训练模型，但会消耗许多时间。因此，中钢目标要提出适合工业应用的物件侦测技术，来更轻易且广泛的应用到各个制程。

3大AI导入经验之一：充足训练资料是AI成功落地的一大关键

许朝咏也透过多个中钢导入AI的案例，来分享导入经验。比如说，前述提到的AI序号辨识应用，是指在将钢片卷曲制作成一卷卷的钢卷后，会在钢卷的金属表面或是侧面，喷印上钢铁的生产序号，借此来辨识每一卷钢铁的身份。但是，这些序号的喷印位置，可能带来不同的辨识挑战，比如喷印在钢卷表面，就可能因金属反光影响序号辨识的精准度，若是喷印在钢卷侧面，层层堆叠的钢片又可能导致字体变形，均会影响AI判读。

应用场景的序号本身可能有模糊、手写字、油漆过淡等问题。

“我们提供技术，但有些问题不是技术能解决的，就要跟现场人员沟通，请他们协助解决问题。”许朝咏指出，AI落地需要与第一线人员沟通协作。

不过，就算与现场人员合作，序号的辨识率仍无法达到100%，尤其是钢卷侧面序号的辨识率，仅达到9成5，“序号要完全正确才能用，9成5其实很低。”许朝咏表示，为了克服这项挑战，中钢在产线上的多个位置都设有摄影机，同时将这些摄影机判读的资讯互通，透过多点的资讯对接，来判断出钢卷序号。

“不要把问题放在同一个地方，比如利用多点摄影机、多资讯的串流，去补足AI模型上的不足，就能让整个系统的准确率达到100%。”他说。

透过资讯的串接，来克服AI序号辨识可能不够精准的问题。

另一个例子，则是高炉原料粒径分析的AI应用。一般来说，高炉是用来将原料溶解为铁水，而原料在送入高炉时，若粒径大小分布较平均，就能提升高炉的燃烧效率，中钢甚至推算，高炉燃烧效率每提高1%，每年可以减少上亿的燃料经费，因此，中钢用AI来辨识每颗原料的粒径大小，即时计算出进到高炉的物料大小与分布状况，再根据计算结果来调整物料分布，进而提升燃烧效率。

透过即时原料粒径大小分析来调整物料分布，进而提升高炉燃烧效率。

许朝咏表示，上述两个案例的共通点，在于资料的取得非常容易，不管是序号或是原料的影像资料，都在产线上不断产生，“影像取得没问题，资料也干净，较有机会训练出良好的深度学习模型，也有机会快速达到成效。”相对来说，瑕疵辨识这类AI应用的影像资料搜集，就比较困难。

“要判断一个案子能不能做，可以先看能不能搜集到足量的资料。”这就是许朝咏归纳的第一大AI导入经验。

3大AI导入经验之二：不是最新技术也能打造最切合场景需求的应用

许朝咏也接续说明了无人天车的AI应用。天车是一种重型的起重装置，用来吊送货品、放置到指定位置，而中钢就是将原先需要人为操控的天车，透过AI达到无人化，“这也是我认为中钢应用AI最成功的案例。”

要达成无人天车，主要是把人眼看到的操作资讯，透过电脑视觉转换为控制的指令，再交由天车自动执行，也就是将操作人员看见的钢卷位置、放置位置及操作方法，都转换为天车指挥系统可以判读的资讯，再透过运动控制达到自动化。

无人天车使用的技术，包括能透过座标辨识来装卸钢卷的机器视觉系统，以及能透过RFID读取钢卷身份，再准确侦测钢卷的中心位置来吊起钢卷的智能吊夹，而整体钢卷的吊运排程与吊运路径最佳化，则是由天车指挥系统来规划，中钢同时也建置用来传输车籍资料、整合装卸车资料的云端仓储管理系统。达到天车操作全自动化之后，中钢也设置了主动式安全防护机制，透过深度学习来侦测天车下方是否有人行走，并在行驶过程中自动辨识障碍物与闪避。

建置了无人天车带来的一大效益，就是能在出货的前一晚，由机器自动理货，将要出厂的货物就近放置到出货的位置，“天车不会休息，人会休息，在不需出货的时间先理货，就能加速出货的效率。”许朝咏说。

中钢的无人天车也早在2018年就投入运作，至今已经完成超过数十万颗钢卷的吊运。不只自建自用，中钢也将这套无人天车系统外销到中国钢厂，2019年就已经销售了12套系统，今年武汉肺炎疫情期间，更是远距协助客户调机、将系统落地。

不过，这个贴近钢铁业需求的无人天车，实际上并无用到深度学习技术，“深度学习虽然是好工具，但不一定是最佳工具，也不是唯一的工具。”许朝咏表示，由于天车在装卸钢卷时，需要非常精准的定位，误差超过5公分就可能吊不起钢卷，但深度学习在位置侦测的精准度上并无优势，加上判断速度较慢，“传统影像处理有些技术，应用上会比深度学习来的更好。”

换句话说，不是用最新、最强的技术就好，不同应用场景有其最合适使用的技术，这就是许朝咏归纳的第二大AI导入经验。

3大AI导入经验之三：从自动化、人机协作到智慧化循序渐进落地AI

最后，许朝咏也提出一项正在建置的AI应用，也就是出货前的钢卷智能检核，虽然目前仅有初步成果，但这项应用实际影响了传统检核作业流程的转变。