成果展示

基於切割訊號的晶圓打磨發生崩裂

使命必達

隨著工業4.0的推動下，創新技術為工廠帶來了重大變革，晶圓廠專注於 APC 以改善製程控制，AEC 以提高設備效率，以及進一步降低晶圓製造成本的其他方法。 在晶圓切割過程中，晶圓廠必須分析機器生成的資料，以了解在晶圓後側壁崩裂（或稱為晶圓崩裂）發生之前是否存在一些跡像或共同點。如果是這樣，人們可以提前實施預防措施，盡可能避免這種情況發生。從技術上講，Spearman[1][2][3]、Pearson[4][5]、Kendall[6]等相關性分析通常用於分析晶圓切割參數之間的相關性。人們可以根據資料是否為線性以及是否連續，來判斷哪種方法適合進行資料相關性分析。這樣一來，就不能只看單一的切割參數變化，而是要檢查所有關鍵切割參數之間是否存在相關性，並觀察所有關鍵切割參數在發生晶圓崩裂時不同組合的不同變化。 晶圓廠仍有許多晶圓切割技術使用早期的切割機台（例如 DFD6560）。機台在切割過程中經常會判斷切割信號的變化，以便及時調整關鍵切割參數，以減少大面積晶圓崩裂的發生。通常，現場加工或應用簡單數據分析的負責人負責調整生產機器中的關鍵切割參數。然而，對於人們如何應對發生的特定情況並及時處理現場過程的嚴峻考驗已經出現，或者簡單的數據分析無法挖掘隱藏的主要影響因素。因此，本研究提出了一種檢測和預測晶圓切割過程中發生崩裂的方法，可以及時適當調整關鍵切割參數，以減少大面積崩裂的發生，顯著地提高晶圓切割良率，並減少製造成本的損耗。 半導體工廠在晶圓切割過程中遇到了很多問題，例如採集數據漏失、數據呈非線性分佈、相關隱藏參數遺失等諸多問題。本研究採用時間序列、隨機森林、重要性分析和相關性分析等方法對晶圓切割信號進行分析，篩選出關鍵切割參數。然後我們使用PCA和Barnes-Hut t-SNE對關鍵切割參數進行降維以進行晶圓崩裂預測。更重要的是有關資料處理方面，降維數據依照崩裂現象發生面積區分為崩裂現象10%以下、10~15%、15~20%以及20~30%四種，並且透過平均池化的方式來生成一筆新的資料，導入到數據驅動BLSTM (DD-BLSTM)模型中，用於訓練和預測晶圓崩裂。結果，本研究方法進行晶圓崩裂預測的準確度可以達到93.14%，及時調整切割關鍵參數，大幅降低晶圓崩裂的發生。因此本研究的貢獻是有效改善切割刀片的劣化程度，大幅減少晶圓製造的成本。

高精密追蹤定位平台

精氣神

目前產業界通常都是使用伺服馬達實現精密的定位需求，雖然伺服馬達的技術非常成熟有多數供應商可以提供多數場域應用，但是馬達對於亞微米級和奈米級的定位還是很難達成以及某些特定場域馬達的熱生成會影響產品品質且要額外考慮冷卻散熱問題。因此本團隊為達成高精密定位目的及減少熱生成問題，設計了氣電混合追蹤定位系統。 本團隊透過研究發現，目前高精密定位平台都是透過壓電致動器達成的，但是壓電致動器的行程量只有幾十微米至百微米，另外氣動伺服系統有氣缸洩漏問題且在追蹤定位精度上有一定的難度。且傳統PID控制可能使系統因震盪容易導致，磁耦式無桿氣壓缸發生脫磁狀況及壓電致動器因衝擊力而導致損壞的問題。比例方向控制閥本身會有零點漂移現象(死區問題)，會使閥在中位電壓時的控制較為困難。所以在產業界對於相關的應用少之又少，另外壓電致動器在爬升與下降的過程，其伸縮量不完全相同，誤差將近15-20％(遲滯效應)。因此本團隊將無洩漏的磁耦式無桿氣缸及壓電致動器結合行成雙伺服的架構並透過了一種基於代理的滑模控制演算法及比例閥死區補償策略結合嵌入式系統設計出了具有大行程且精度高的定位控制平台，透過此控制演算法可以使定位精度提升至奈米等級並且有公分級的工作行程。

四軸飛行器之橋樑檢測系統

CopterFLY

本作品實作出一套能自主飛行的四軸飛行器系統，運用深度學習、影像處理等技術，實現橋樑結構的自動化檢測。相較於傳統由人工進行檢測的方式，採用四軸飛行器檢測具有速度快、安全性高等優點，能節省大量時間和人力成本，更重要的是避免檢測人員的安全風險。我們的系統著重在四軸飛行器的全自主飛行能力，不僅能應用在橋樑檢測，在建築物檢測、電影拍攝、物流運輸等領域都能發揮效用。 在硬體上，我們使用NVIDIA Jetson NX作為機載計算單元，搭配Intel Realsense D435i深度攝影機作為感測輸入，並架構於一四軸飛行器機體上，形成完整的自主飛行平台。 在技術上，我們使用了VINS和Ego-Planner作為四軸飛行器自主飛行的基礎，以ROS作為各模組之間的通訊與控制框架。VINS會整合四軸飛行器上的感測器數據，進行姿態估計和定位，實現平穩飛行;Ego-Planner能根據目標位置自主規劃飛行路線。通過這兩個模組的協同運作，實現了四軸飛行器的全自主飛行。 在橋樑檢測方面，我們使用深度學習模型進行影像分析，自動偵測橋樑結構上的缺陷。透過四軸飛行器高效的自主飛行獲取影像，再將影像輸入模型進行即時檢測分析，就能實現橋樑的自動化檢測。相較於傳統由人工進行的檢測，能大幅提升檢測效率與安全性。

職業穿戴式主被動腰部輔助外骨骼

腰部外骨骼

本專題以提升勞工腰部負荷能力減少職業傷害為目的，旨在開發『職業用穿戴式主被動腰部輔助外骨骼』，其可作為腰部支撐及需高強度、長期負重搬運、移動作業的腰部助力輔助使用。該系統有別於傳統被動式及主動式的腰部輔助外骨骼，其同時具備主動助力與被動支撐功能，可以解決在不同職業場域使用時，需更換主動或被動式腰部外骨骼的問題，本專題所設計之職業用穿戴式主被動腰部輔助外骨骼可以根據人體動作意圖辨識系統判斷穿戴者的需求，在被動支撐與主動助力模式之間自動切換，實現穿戴同一套腰部輔助外骨骼即可在不同職業場域中自動變換適當助力模式，不必因不同的助力需求而需更換不同功能的腰部輔助外骨骼系統。本專題分析人體進行搬運作業時腰部的運動模式，並根據國內外有關穿戴式腰部輔助外骨骼的研究與應用現況，結合馬達與並聯彈性體(Parallel Elastic Actuation, PEA)為驅動裝置並搭配背部仿脊椎機構的設計，提出職業用穿戴式主被動腰部輔助外骨骼的設計方案，相較於以往外骨骼研究及產品，除了創新性外，也提高整體穿戴舒適度及活動自由度；外骨骼根據穿戴者的動作意圖，會自動切換不同的助力模式，同時，穿戴者可以透過詢問語音應對模組的方式或是查看穿戴式介面螢幕的方式，確認外骨骼目前的模式及電量，也可以藉由穿戴式介面的按鍵或者語音指令命令語音應對模組，切換外骨骼的工作及休眠模式。

智慧型自動化切魚機

切得好又切得巧

在養殖漁業中，無論是從飼養魚苗、收成漁獲再到銷售過程，每一步都至關重要，尤其對於單價高且利潤可觀的魚種，其養殖效益更加顯著，據統計，臺灣養殖漁業每年的總生產量約三十萬公噸，其產值高達近三百億新臺幣。然而養殖過程容易受到未知因素影響，像是寒害等問題導致魚隻大量死亡，讓業者損失高達數千萬元。在慘重的損失下，若再無法有效控管銷售過程，將使收益更加艱困。在漁市中，分切工作主要依賴傳統的人工方式，這種繁瑣且耗時的工作增加生產成本，也限制魚產品的供應量和品質。為了解決這些問題，本作品主要研發重點為結合深度學習演算法、深度攝影機及自動化機器，設計出智慧型自動化切魚機，提出「切得好又切得巧」，協助解決業者的痛點，並增加業者效益為目標。利用人工智慧、深度學習、影像處理、演算法等方法，結合至自動化設備中，將切魚流程自動完成，能大幅降低人力成本、提升人員安全及讓魚片規格一致。所提方法可用於業者分切魚片的整個過程，先使用深度學習來辨識出魚頭和魚尾並將位置儲存起來，將魚隻資訊代入切魚演算法來準確推算魚片厚度線段位置，以降低人工判斷厚度線段時的不準確與提高判斷速度。最後代入自動切魚機進行自動分切魚片，不須經由人工操作輪切機，不但可減少消耗人力資源，亦可提高人員安全性。

視覺式定位建圖伺服的自駕堆高機

廉價勞工

為了因應安全重物搬運與自動上架對位的智慧倉儲物流或智慧無人工廠需求及適用於複雜多變的室內環境或無法建置大量地標軌跡基礎設施的無塵環境，並採用價格低廉的「彩色深度(RGB-D)相機」取代昂貴的「三維光達(3D-LiDAR)感測器」，本作品將開發「視覺式定位建圖伺服的自駕堆高機」，核心硬體包含「單轉向輪堆高機平台」、三顆「彩色深度相機」及「工業級運算平台」，核心軟體包含「定位估測」、「環境建圖」、「導航規劃」、「視覺伺服」及「人機介面」五大功能。在「環境建圖」和「定位估測」方面，我們利用「彩色深度相機」獲取場景的彩色深度資訊來進行地圖構建與估計堆高機的位姿，並取代傳統的前後平視之「多視角視覺式定位建圖技術」，如圖1(a)所示，提出不易受干擾的「天花板邊界關鍵幀」來改進「多視角視覺式定位建圖技術」的深度估測、定位建圖、尺度估計及迴環檢測四個步驟的精準度、可靠度及即時性，尤其是在旋轉速度過快、低紋理背景環境或周遭有動態物體干擾的狀況下，如圖1(b)所示。「導航規劃」則進行目前位置與目標導航點間的路徑規劃及避障防撞，「視覺伺服」則是透過相機的彩色資訊辨識地標，將堆高機精準導航至貨架前方並叉取棧板，以實現精準、可靠且即時的安全重物搬運與自動上架對位功能，最後再透過「人機介面」監控和控制堆高機的狀態與運作。

學習專注度分析系統

學而時習之

根據微軟 2015 年的調查，現代人專注於一項任務的時間從 2000 年的 12 秒 降至 2015 年的 8 秒。隨著專注力衰退，人們難以長時間保持專注，特別是學習的時候，容易受各種因素干擾出現分心行為，例如疲勞或玩手機，造成大量學習時間浪費，導致學習效果不如預期。由於學習成效往往與專注程度有密切的關係，因此分析專注表現成為衡量學習品質的重要指標，若能了解哪些分心行為影響學習專注表現，即可制定有效的改善策略，從而提升學習的品質。 傳統學習專注分析仰賴人工的方式進行，無法詳細記錄影響專注度行為的種類與持續時間，導致學習者對於自身的行為缺乏全面性認知，難以找到專注力下降原因，無法有效制定改善策略。有鑑於此，本作品運用機器學習方法取代人工 分析，開發一款學習專注度分析應用程式，可透過手機前鏡頭擷取學習畫面，辨識臉部特徵與電子產品物件，進行多種學習分心行為辨識，以自動化分析學習專注度，並提供數據化評分與圖表，具體呈現學習者專注表現狀況，協助學習者針對性地制定改善策略，提升學習成效。 目前市面上與學習專注度相關的 APP 皆採用非機器學習方法，僅基於使用者在學習期間是否切換或離開 APP 來評估專注度，但此方法無法辨識其他常見學習分心行為，例如東張西望或打瞌睡等，具有較高侷限性。相較之下，本作品 採用機器學習方法，針對使用者的行為特徵分析學習專注度，生成數據化統計報 告，不僅具有創新性，在分析上也更加全面與準確，生成的報告也更具參考價值。本系統的目的如下： 提供學習者一個便利的手機應用程式，結合深度學習與影像處理，自動化分析與紀錄學習專注表現，並生成數據化的評分與圖表供學習者參考。 在學習者出現分心行為時提供警示，提醒學習者保持專注。 提供學習任務管理功能，讓學習者可安排與追蹤學習計畫。 提供週報表與歷次學習任務查詢功能，讓學習者知道自己專注表現的變化。

魚隻成長曲線測量系統

嘟嘟好就好

本作品主要研究的重點是如何以簡單、快速且有效率的方式掌握飼養池中的情況，並協助業者最大化收益。本作品將影像辨識技術與人工智慧演算法融合傳統水產養殖的相關知識，透過從精準測量魚隻成長曲線、計算最佳飼料投放量等流程設計一套智慧化魚隻成長曲線測量系統，以「嘟嘟好就好」為名，旨在能有效掌握餵食量與魚隻生長過程之關係。 本作品針對水產養殖業者的痛點，進而設計智慧化魚隻成長曲線測量系統以解決相關問題，希望透過水下定時攝影對魚隻的生長環境進行監控，以將人力資源效益最大化。由於飼料成本約占養殖總成本六成以上，為了協助業者減少飼養成本與維持水質狀況，本作品將藉由人工智慧、影像辨識等技術來觀察魚群進食的情況，計算出不同魚種最佳的餵食量，並利用電腦視覺技術來測量魚隻的體長，將餵食量與測量出的魚長資訊加以整合利用。 針對傳統水產養殖業的痛點與需求，本系統使用智慧農漁業的概念與技術，根據魚隻的成長初期到可販售的大小，依照各養殖池的魚隻呈現完整的週期紀錄並將所有資料數據化，提供業者一個簡單易操作的畫面以及魚隻生長曲線。 本作品利用深度學習以及影像處理的技術，對拍攝影像進行前處理避免失真或是雜訊影響判斷結果，在檢測出影像中完整魚隻的影像之後，再進一步使用我們的魚體長度計算演算法針對完整影像進行體長計算。業者可依據系統檢測出的生長情況來調整飼養方式，此外透過分析餵食量可計算最佳的飼料量，協助業者減少飼料的成本。

AI幫農

快樂小夥伴

作品簡介: 蘭花是高經濟花卉生產作物，為全球花卉市場最重要的盆花項目。對於全球蘭花市場需求日漸增大的情況下，蘭花的產量卻不見增多，其中因素包含蘭花的難照顧及人力成本，因此我們選擇蘭花作為研究對象。作為台灣主要出口的蘭花之一「南洋白花蝴蝶蘭」，是我們這次研究的花卉，本系統也可以延伸到其他品種的植物。 本專案的成果結合創新概念，「AI蘭花幫手」應用追光系統，透過光敏電阻偵測光源，再者通過Arduino控制步進馬達，讓植物托盤具有向光性，提供蘭花最佳光照度，減少用電補光的方式，降低電能浪費的問題。同時藉由溼度感測器檢測土壤水分多寡，將偵測的數值回傳至Arduino，如果偵測到水份不足，LED燈將會亮起，提醒使用者要澆水，再計算是否符合良好種植環境的標準，營造最適合蘭花的生長環境，「AI病理辨識系統」透過webcam拍攝蘭花實時狀態，回傳至CNN神經網路辨識蘭花狀態是否正常，及時給予使用者施肥、施予農藥的相關建議，並提供照顧建議，讓使用者即使沒有農業專業也可以很順利地照顧植物，收成也能達到最佳狀態。 「AI蘭花幫手」的使用對象與環境為，對於種植有興趣卻沒有相關植物背景的民眾，或是生產高經濟價值之商家皆可利用本系統協助照顧植物的生長狀態。

農作物病蟲害分類與預測之智能車

AiFarm

本作品開發一個智能車能用於農作現場直接分類與預測農作物病蟲害情況，並決定是否採取相應策略，以實現一個自治的農業網宇實體系統。 在智能車核心 FPGA 晶片系統中，包含兩個動態可重組的二值神經網路(Binarized Neural Networks, BNN) 硬體模組，其可以依據需求組態至FPGA 中辨識目標作物和判斷其病蟲害等級。 再者，智能車中還包含多模態(Multimodal)的 AI模型，其結合多層感知器 (Multilayer perceptron, MLP) 、卷積神經網路 (Convolutional neural network, CNN) 和門控循環單元 (Gate Recurrent Unit, GRU) 技術，可以依據接收到的感測器資料與目標作物影像進行病蟲害等級預測，用以提早進行病害防制並確保農作物能健康地生長。 應用於農作物病蟲害分類與預測的智能車是具有潛力的市場，因為它可以透過科技的輔助提高農業生產的效率和效益，並且減少勞動力成本和環境污染。 本作品所使用的裝置行動性高且相對於聘請農業專家更具經濟效益、即時性的優勢。整體而言，這個作品結合多種技術和FPGA平台，將人工智能、硬體虛擬化和嵌入式系統結合，用於解決農業領域的病蟲害問題。

職業穿戴式主被動腰部輔助外骨骼

腰部外骨骼

本專題以提升勞工腰部負荷能力減少職業傷害為目的，旨在開發『職業用穿戴式主被動腰部輔助外骨骼』，其可作為腰部支撐及需高強度、長期負重搬運、移動作業的腰部助力輔助使用。該系統有別於傳統被動式及主動式的腰部輔助外骨骼，其同時具備主動助力與被動支撐功能，可以解決在不同職業場域使用時，需更換主動或被動式腰部外骨骼的問題，本專題所設計之職業用穿戴式主被動腰部輔助外骨骼可以根據人體動作意圖辨識系統判斷穿戴者的需求，在被動支撐與主動助力模式之間自動切換，實現穿戴同一套腰部輔助外骨骼即可在不同職業場域中自動變換適當助力模式，不必因不同的助力需求而需更換不同功能的腰部輔助外骨骼系統。本專題分析人體進行搬運作業時腰部的運動模式，並根據國內外有關穿戴式腰部輔助外骨骼的研究與應用現況，結合馬達與並聯彈性體(Parallel Elastic Actuation, PEA)為驅動裝置並搭配背部仿脊椎機構的設計，提出職業用穿戴式主被動腰部輔助外骨骼的設計方案，相較於以往外骨骼研究及產品，除了創新性外，也提高整體穿戴舒適度及活動自由度；外骨骼根據穿戴者的動作意圖，會自動切換不同的助力模式，同時，穿戴者可以透過詢問語音應對模組的方式或是查看穿戴式介面螢幕的方式，確認外骨骼目前的模式及電量，也可以藉由穿戴式介面的按鍵或者語音指令命令語音應對模組，切換外骨骼的工作及休眠模式。