智慧製造

結束

FPGA Edge AI – AOI 瑕疵檢測

自動光學檢查（簡稱AOI），為高速高精度光學影像檢測系統，運用機器視覺做為檢測標準技術，可改良傳統上以人力使用光學儀器進行檢測的缺點，應用層面包括從高科技產業之研發、製造品管，以至國防、民生、醫療、環保、電力…等領域。工研院電光所投入軟性電子顯示器之研發多年，在試量產過程中，希望藉由AOI 技術提升生產品質。本次邀請各界資料科學家共襄盛舉，針對所提供的 AOI 影像資料，來判讀瑕疵的分類，藉以提升透過數據科學來加強 AOI 判讀之效能。FPGA (Field Programmable Gate Array) 可透過重新組態結構，隨工作負載和演算法的進化將應用效能最大化。此議題將以 Xilinx® 的 Alveo™ U50LV FPGA 資料中心加速卡做為 model inference 平台。邀請全體會員一起來挑戰您對 FPGA 資料中心加速卡 (Xilinx® Alveo™ U50LV) 的模型優化能力，除了測試模型的正確率之外，亦需考量模型的 inference 速度。您需要上傳訓練並編譯好的模型至 AIdea，平台會將模型載入至 FPGA 加速卡執行 inference ，並依據 inference 速度及 model accuracy 計算得分。議題進行流程本議題進行流程簡述如下：報名議題、下載訓練集資料準備開發環境訓練 float modelQuantizationCompilation將 compile 後的模型（檔名必須命名為 deploy.xmodel）打包成不含目錄的 ZIP 檔，並上傳至 AIdea 執行 inference 及算分。詳細說明請參考 Tutorial 以及 Sample Code，Windows 使用者可以參考 Vitis AI Environment Setup for Windows 來設置您的開發環境。若您參賽過程中有遇到任何問題，歡迎您在討論區上發問討論，或是可以寄信至 support@e-elements.com.tw。在 Edge AI 蓬勃發展的未來，除了熟悉 AI 演算法之外，也要能針對各式 AI 加速裝置如 FPGA 加速卡等開發最佳化模型，現在就來挑戰吧！會員上傳的模型只用於本議題參賽評估使用，不會應用於其他目的，敬請參賽者放心。 

2021-08-26T16:00:00+00:00 ~ 2021-11-17T15:59:59+00:00
結束

Edge AI 競賽 – AOI 瑕疵檢測

自動光學檢查（簡稱AOI）[1]，為高速高精度光學影像檢測系統，運用機器視覺做為檢測標準技術，可改良傳統上以人力使用光學儀器進行檢測的缺點，應用層面包括從高科技產業之研發、製造品管，以至國防、民生、醫療、環保、電力…等領域。工研院電光所投入軟性電子顯示器之研發多年，在試量產過程中，希望藉由AOI 技術提升生產品質。本次邀請各界資料科學家共襄盛舉，針對所提供的 AOI 影像資料，來判讀瑕疵的分類，藉以提升透過數據科學來加強 AOI 判讀之效能。 Reference[1] https://zh.wikipedia.org/wiki/自動光學檢查 競賽模式此議題主要是要測試您對嵌入式開發平台 (NVIDIA Jetson Nano) 的能力，除了測試模型的正確率之外，亦需考量模型的載入速度，以及 inference 的速度。您需要上傳訓練好的模型至 AIdea，平台會將模型載入至 Jetson Nano 後，做 inference 及算分。參賽流程如下：在 AIdea 網站上報名議題。下載訓練集資料，並訓練模型。將模型打包成 zip 檔後，上傳至 AIdea 做 inference 及算分。在平台上限制程式的記憶體使用 (3GB)，也限制最長的執行時間 (20分鐘)，若超過限制，將會視為失敗。在 Edge AI 蓬勃發展的未來，除了熟悉 AI 演算法之外，也要能針對 edge device 來做模型最佳化，現在就來挑戰吧！詳細說明請參考下載檔案中的說明文件，也歡迎在討論區上發問討論！議題說明文件會員上傳的程式、模型只用於本議題參賽評估使用，不會應用於其他目的，請參賽者放心。 

2021-05-18T16:00:00+00:00 ~ 2021-08-18T15:59:59+00:00
結束

2021-自動光學瑕疵檢測

    由於科技產業發展迅速，精密量測需求也隨之大增，尤其針對品質控管的技術更加受到重視。使用自動化光學檢測（Automated Optical Inspection, AOI）技術進行品質改善的應用範圍非常廣泛，近年來又結合AI在影像的突出表現，使得AOI發展如虎添翼。    本議題以軟性電子顯示器為檢測目標，希望透過數據科學判讀瑕疵分類，以增進AOI的效益。    如需使用於用於論文研究用途:中文版 citation：AIdea人工智慧共創平台。2021-自動光學檢測。資料來源  https://aidea-web.tw/topic/252eb73e-78d0-4024-8937-40ed20187fd8​?lang=zh英文版 citation：AIdea Artificial Intelligence Collaboration Platform.2021-AOI Defect Classification. Retrieved from  https://aidea-web.tw/topic/252eb73e-78d0-4024-8937-40ed20187fd8

2020-12-21T16:00:00+00:00 ~ 2021-04-28T15:59:59+00:00
結束

生產智慧排程規劃決賽

本議題供「生產智慧排程規劃」決賽使用，第一階段成績優秀之參賽者，受邀參加。 傳統的生產排程以人工使用EXCEL表作業，因工序中可能需額外處理或臨時的工時異動，因此常造成原定排程不準，無論規劃或調整都缺乏效率和彈性。導入AI技術建立智慧排程可以有效面對即時的影響因素變動，讓生產可以快速調整，提高準確度。 本議題提供訂單資訊、物件清表(BOM)、出勤表、生產日曆等資訊，希望在特定期間與有限資源下，找出最佳的排程規劃，讓工作站/資源銜接等待時間愈短愈好，以符合目標交期且產能利用率最高為最優排程結果。 獎項獲獎條件：決賽成績之前三名，並於 11/2 前繳交書面報告者。 第一名 hicloud 15 萬點優惠點數 + 50,000 元獎金(含稅)第二名 hicloud 10 萬點優惠點數 + 30,000 元獎金(含稅)第三名 hicloud 5 萬點優惠點數 + 20,000 元獎金(含稅)佳作 hicloud 5 萬點優惠點數 (數名，視最終結果決定) hicloud 點數由中華電信提供 備註1：hicloud 優惠點數可折抵服務費用，折抵完後自動開始依牌價7折計費 備註2：中華電信保有資格審核、優惠內容修改與中止權利 點數試算範例請參考：https://aidea-web.tw/computing 報告內容包含硬體規格、軟體規格、資料前處理、模型選擇、參數調校等。

2020-10-22T00:00:00+00:00 ~ 2020-10-25T15:59:59+00:00
結束

光學板材生產排程

本議題為光學板材生產排程最佳化問題，當產線需要生產若干批不同寬度之板材時，不同排程方式如：生產順序、停機與否，會產生不等程度之廢料，本議題之目的為規劃出可產生最少廢料之最佳排程，以提高生產效益。獎項獲獎條件：成績優於 baseline (總廢料小於 800 公噸) 之前三名，並於 2020/11/04 (Wed) 23:59:59 (UTC+8:00) 前繳交書面報告者。第一名 hicloud 15 萬點優惠點數 + 50,000 元獎金(含稅)第二名 hicloud 10 萬點優惠點數 + 30,000 元獎金(含稅)第三名 hicloud 5 萬點優惠點數 + 20,000 元獎金(含稅)佳作 hicloud 5 萬點優惠點數 (數名，視最終結果決定)hicloud 點數由中華電信提供備註1：hicloud 優惠點數可折抵服務費用，折抵完後自動開始依牌價7折計費備註2：中華電信保有資格審核、優惠內容修改與中止權利點數試算範例請參考：https://aidea-web.tw/computing報告內容包含硬體規格、軟體規格、資料前處理、模型選擇、參數調校等，格式請參考 「光學板材生產排程 - 報告格式.docx」。

2020-08-24T16:00:00+00:00 ~ 2020-11-04T15:59:59+00:00
結束

多樣態光電製程品質預測

本議題資料來源為某光電公司，目標為同時預測多種產品的製程品質，針對每一組製程參數，需要預測 4 個不同類型目標的結果值。影響製程的變數包含溫度、壓力、材料、機台參數等，不同產品的製程，各種變數影響的強弱程度有所不同。藉由機器學習為製程中使用的參數建立模型，以此預測結果值。不同的產品有不同的結果標準值以及上、下限，一個預測精準的模型，可以幫助了解製程中各變數的重要性，對結果值的影響程度，有助於製程的分析及最佳化，可提升產品品質並節省成本。獎項獲獎條件：在 Private Leaderboard 低於 baseline (Weighted MAE 第一名 hicloud 15 萬點優惠點數 + 50,000 元獎金(含稅)第二名 hicloud 10 萬點優惠點數 + 30,000 元獎金(含稅)第三名 hicloud 5 萬點優惠點數 + 20,000 元獎金(含稅)佳作 hicloud 5 萬點優惠點數 (數名，視最終結果決定)hicloud 點數由中華電信提供備註1：hicloud 優惠點數可折抵服務費用，折抵完後自動開始依牌價7折計費備註2：中華電信保有資格審核、優惠內容修改與中止權利點數試算範例請參考：https://aidea-web.tw/computing 報告內容包含硬體規格、軟體規格、資料前處理、模型選擇、參數調校等，格式請參考 「多樣態光電製程品質預測 - 報告格式.docx」。

2020-08-11T16:00:00+00:00 ~ 2020-09-23T15:59:59+00:00
結束

生產智慧排程規劃

傳統的生產排程以人工使用EXCEL表作業，因工序中可能需額外處理或臨時的工時異動，因此常造成原定排程不準，無論規劃或調整都缺乏效率和彈性。導入AI技術建立智慧排程可以有效面對即時的影響因素變動，讓生產可以快速調整，提高準確度。本議題提供訂單資訊、物件清表(BOM)、出勤表、生產日曆等資訊，希望在特定期間與有限資源下，找出最佳的排程規劃，讓工作站/資源銜接等待時間愈短愈好，以符合目標交期且產能利用率最高為最優排程結果。獎項獲獎條件：在第一階段得分超過 baseline (> 0.75) 之前十名，得受邀參加第二階段決賽，以決賽成績為排名依據。決賽成績之前三名，並於 11/2 前繳交書面報告者。第一名 hicloud 15 萬點優惠點數 + 50,000 元獎金(含稅)第二名 hicloud 10 萬點優惠點數 + 30,000 元獎金(含稅)第三名 hicloud 5 萬點優惠點數 + 20,000 元獎金(含稅)佳作 hicloud 5 萬點優惠點數 (數名，視最終結果決定)hicloud 點數由中華電信提供備註1：hicloud 優惠點數可折抵服務費用，折抵完後自動開始依牌價7折計費備註2：中華電信保有資格審核、優惠內容修改與中止權利點數試算範例請參考：https://aidea-web.tw/computing 報告內容包含硬體規格、軟體規格、資料前處理、模型選擇、參數調校等。

2020-08-05T16:00:00+00:00 ~ 2020-10-21T15:59:00+00:00
結束

光電製程品質預測

此議題為製程品質預測問題，即使用機器學習的方式，為製程中所使用的參數建立模型，並以此模型預測結果值。資料是來自於某光電公司的製程，透過分析資料能精準地掌握製程，除了可以提升產品品質之外，亦能幫助企業節省成本。由於此製程是多道手續，同時經過不同的機台設備，因此在分析以及最佳化上有一定的難度。影響製程的因素有很多，像是機台參數、材料（主要材料、輔助材料）的量與比例、溫度、壓力、時間等。這些因素會直接或間接影響產品的結果，不同的產品有不同的結果標準值以及上、下限。一個預測精準的模型，可以幫助了解這些因素的重要性，以及數值如何影響結果，對於製程的分析及最佳化有直接的幫助。在本議題中，針對每一組製程參數，需要預測 2 個目標的結果值。獎項獲獎條件：在 Private Leaderboard 低於 baseline (MAE 第一名 hicloud 15 萬點優惠點數 + 50,000 元獎金(含稅)第二名 hicloud 10 萬點優惠點數 + 30,000 元獎金(含稅)第三名 hicloud 5 萬點優惠點數 + 20,000 元獎金(含稅)佳作 hicloud 5 萬點優惠點數 (數名，視最終結果決定)hicloud 點數由中華電信提供備註1：hicloud 優惠點數可折抵服務費用，折抵完後自動開始依牌價7折計費備註2：中華電信保有資格審核、優惠內容修改與中止權利點數試算範例請參考：https://aidea-web.tw/computing 報告內容包含硬體規格、軟體規格、資料前處理、模型選擇、參數調校等。

2020-06-11T16:00:00+00:00 ~ 2020-07-15T15:59:59+00:00
學界限定
結束

第2線化學反應趨勢預測

本議題由中國石油化學工業開發股份有限公司（中石化）提供，中石化以生產石化中間產品、工程塑料、合成樹脂及化學纖維原料等衍生產品為核心事業。此議題之資料為產品生產紀錄，此產品是透過化學觸媒反應產生。紀錄包含操作參數（A1~A7）與產品轉化率預測（B1~B12），主要產品為 B4，副產品為 B5、B7。操作人員藉由已知操作參數，判斷未來產品轉化率變化，並適時調整操作參數使主要產品 B4 保持於最佳狀態，藉此可減少原物料使用量及提升主要產品 B4 之產能。化學觸媒反應每週一至週五，每日會進行一次反應全分析化驗，參考當天產品轉化率數據進行操作參數調整，於隔天再觀察產品轉化率數據，以保持較佳的 B4 轉化率性能表現。本議題希望藉由時間的趨勢來預測產品轉化率，主要包括 B4、B5、B7 等之轉化率預測，藉以提早進行操作參數（A1~A7）調整，以維持產品轉化率於水準之上。獎項第一名 hicloud 10 萬點優惠點數第二名 hicloud 5 萬點優惠點數第三名 hicloud 5 萬點優惠點數佳作 hicloud 5 萬點優惠點數 (數名，視最終結果決定)本獎項由中華電信提供備註1：hicloud 優惠點數可折抵服務費用，折抵完後自動開始依牌價7折計費備註2：中華電信保有資格審核、優惠內容修改與中止權利點數試算範例請參考：https://aidea-web.tw/computing

2019-06-11T16:00:00+00:00 ~ 2019-09-30T15:59:59+00:00
學界限定
結束

排煙脫硫警示預測

燃煤與工業生產過程會導致二氧化硫(SO2)的生成，其煙氣中所排放的的硫氧化物濃度，需要符合環保單位所規範之排放濃度規定以降低空氣的污染。因此，透過脫硫設備穩定有效率的處理過程，不僅能降低硫氧化物的排放濃度，同時可減少空氣污染防制成本並對環境保護有很大助益。由於排煙脫硫設備(Flue-Gas Desulfurization,簡稱：FGD)所需的運轉物料投入皆有成本人與力上的考量與控制。本次競賽提供之排煙脫硫系統設備運轉相關偵測數據，包括二十五項設備偵測變數之記錄。希望藉由設備的運行過程數據與脫硫結果之間關係進行瞭解並建立一套預測模型，作為成本與環保二者間運作的參考。

2018-07-31T16:00:00+00:00 ~ 2018-11-15T15:59:59+00:00
結束

AOI 瑕疵分類

自動光學檢查（簡稱AOI）[1]，為高速高精度光學影像檢測系統，運用機器視覺做為檢測標準技術，可改良傳統上以人力使用光學儀器進行檢測的缺點，應用層面包括從高科技產業之研發、製造品管，以至國防、民生、醫療、環保、電力…等領域。工研院電光所投入軟性電子顯示器之研發多年，在試量產過程中，希望藉由AOI 技術提升生產品質。本次邀請各界資料科學家共襄盛舉，針對所提供的 AOI 影像資料，來判讀瑕疵的分類，藉以提升透過數據科學來加強 AOI 判讀之效能。本議題為開放式議題，提供持續性長期解題，並設有里程碑獎勵，Baseline為前階段的最佳成績，PrivateLeaderboard將不定期更新。Reference[1] https://zh.wikipedia.org/wiki/自動光學檢查

2018-05-23T16:00:00+00:00 ~ 2020-11-04T15:59:59+00:00
學界限定
結束

設備維護預測

設備維護預測是以設備狀態為依據的維護，在設備運轉時，對設備進行狀態監測和故障診斷紀錄，藉以判定設備所處的狀態並預測設備狀態的未來趨勢。依據設備的狀態發展趨勢和可能的故障模式，預先制定維護計劃，包括維護的時間、內容、方式和必需的技術和物資支援，以有效維持設備的產能。本次邀請各界資料科學家共同參與活動，針對提供的設備測量資料，來預測特定設備在未來發生問題的機率，藉以提升透過數據科學來探索的設備維護預測掌握程度。

2018-02-01T16:00:00+00:00 ~ 2018-08-02T15:59:59+00:00
議題 產業議題 學校專題 中科智慧製造 亞洲．矽谷 評鑑專區 練習場
關於 關於平台 工研院團隊 雲端運算資源 隱私權聲明 FAQ System Status
聯絡

任何意見或問題請聯絡
admin.AIdea@itri.org.tw

繁體中文 English

版權所有 © 2017–2025 工業技術研究院（人工智慧共創平台 v1.6.0）