【早鳥倒數🔥AI醫學影像辨識一次掌握】
👉 https://bit.ly/2Whgkjl
不管你是具備工程技術，還是具備醫療知識💊
只要想進入醫療影像分析，卻不知如何開始💉
又或想接案醫療影像分析，卻不會以下這些技能嗎❓

📍於貼文留言: 「#AI醫學影像辨識」助教將私訊超優惠連結給你
若可以公開分享此篇貼文，會更棒棒喔🎉🎉

1⃣不會寫程式、不會Python✅基礎+進階一起打包!
2⃣會程式但沒有學過AI辨識 ✅基礎+進階一起打包!
3⃣有一點基礎但沒有很熟悉 ✅基礎+進階一起打包!
#學習的問題我一率建議TibaMe穩紮穩打

🧬基礎班
🔹NumPy / Pandas / Matplotlib：分析病歷資料
🔹OpenCV：胸腔影像去雜訊、銳利化、邊緣偵測等
🔹Keras深度學習建模：分析基礎影像
🔹CNN 模型：辨識手寫數字
🔹CNN 影像辨識 + 遷移學習優化：新冠肺炎X光分類
🔹實作：視網膜糖尿病病程分級

🧬進階班
🩹CNN 語意切割、萃取影像特徵
🔸辨識腦腫瘤組織影像
🔸視網膜糖尿病病程分級
🔸進行不同細胞之分類

🩹應用物件偵測 Yolo 模型
🔸標註物件範圍進行血球偵測

🩹創建 VGG 模型
🔸心電圖波型影像分類

🩹優化創建 EfficientNet 模型
🔸分類肺炎影像分析

🩹創建 ResNet 模型
🔸3D 胸腔醫學影像分類輔助診斷

一次擁有全部醫學影像成果作品
👑13種視覺化分析作品＿業界最紮實也最超值

你是否...
❓想了解影像分析整體架構與分析方法
❓想進入醫學影像分析卻不知道怎麼開始
❓想更精確地擷取影像特徵
❓想知道如何更進階提升模型準度

💘TibaMe幫你準備好了！
AI醫學影像分析實作直播學程全攻略
帶你活用Python程式語言，實作高達13種醫學影像成果
徹底滿足你的學習與實作慾望！

🔷 基礎班：6種資料視覺化分析作品
🔑 運用NumPy / Pandas / Matplotlib進行病歷資料分析
🔑 運用OpenCV進行胸腔影像去雜訊、銳利化、邊緣偵測、特徵萃取
🔑 利用Keras深度學習建模進行影像分析
🔑 創建CNN模型進行手寫數字辨識
🔑 CNN影像辨識 + 遷移學習優化新冠肺炎X光分類
🔑 優化經典 CNN 影像辨識進行糖尿病視網膜病變病灶嚴重度分級

🔷 進階班：7種資料視覺化分析作品
🔑 運用CNN 語意切割、萃取影像特徵進行辨識腦腫瘤組織影像
🔑 用CNN 語意切割，辨識影像進行糖尿病視網膜病變病灶嚴重度分級
🔑 以語意切割偵測影像進行細胞分類
🔑 應用物件偵測Yolo模型進行標註物件範圍進行血球偵測
🔑 創建VGG模型進行心電圖波型影像分類
🔑 以資料擴增優化創建EfficientNet 模型進行分類肺炎影像分析
🔑 創建ResNet模型3D胸腔醫學影像分類輔助診斷

早鳥階段最優惠！
👉 立即了解詳細學程內容：https://bit.ly/3eZ0Ycx

AI落地工業環境挑戰多，中鋼歸納3大AI導入經驗：足量訓練資料、選對技術、循序漸進為成功關鍵

中鋼採取由現場出題、專家解題的方法，從2017年開始較具規模的導入AI，今年在臺灣AI年會上，更分享了實作AI過程中遇到的挑戰，更以自家代表性的AI專案，歸納出3大實戰經驗來提供他者參考

文/翁芊儒 | 2020-11-19發表

中鋼綠能與系統整合研究發展處研究員許朝詠，以自己實作過的多個AI專案，來分享從選題、執行到落地的3大AI實戰經驗。

中鋼從2014年開始擁抱智慧製造，經歷了許多試驗後，才在2017年更有規模的落地AI應用，採取由現場出題、專家解題的方法，每年從上百個提案中篩選約20個可行性較高的方案，來導入應用場景。中鋼綠能與系統整合研究發展處研究員許朝詠，也在今年的臺灣AI年會上，以自己實作過的多個AI專案，從選題、執行到落地，歸納出3大AI實戰經驗，來提供其他企業借鏡參考。

許朝詠首先引述麥肯錫2019年發布的一份報吿指出，企業要在工業場景落地AI並不容易，超過7成的企業正在進行局部試點，其中29%企業已經試點超過2年，56%進行了1～2年，更有15%才剛起步。對中鋼來說，在導入AI過程中，也同樣面臨了「試點困境」，尤其在電腦視覺要落地煉鋼場域時，中鋼也面臨了4個AI應用挑戰。

其一，是工業環境不易控制，會造成取得影像的品質差異大，比如鋼鐵製造環境動輒在900度以上的高溫中，處理過程也可能噴水冷卻，導致難以取得清楚的影像；又或是在同樣位置拍攝的影像，也可能因光源不同，導致影像呈現不同的效果。

其二，現場實際環境會限制AI應用的計算能力，比如部分場所的空間有限，無法擺下GPU伺服器、或高計算能力的設備，甚至連網路線都無法部建，「在這樣的環境下，我們的模型就必須要能兼容邊緣運算，才能實際應用。」許朝詠說。

其三，被偵測物體的尺寸不一，也會影響深度學習的模型訓練成果。許朝詠以識別鋼品身分的AI序號辨識為例，就算是相同的鋼品，影像拍攝的尺寸不同，會造成鋼品上印製序號大小的差異，進而影響序號辨識模型的表現。

最後，則是深度學習模型的調整彈性差。同樣以序號辨識模型為例，許朝詠表示，有時會遇到視覺效果相同的數字（比如像是同一個數字1），在不同序列中卻無法辨識，「為什麼有時候，1可以辨識出來，有時候卻不行？」許朝詠表示，要解決這個問題，通常需要重新訓練模型，但會消耗許多時間。因此，中鋼目標要提出適合工業應用的物件偵測技術，來更輕易且廣泛的應用到各個製程。

3大AI導入經驗之一：充足訓練資料是AI成功落地的一大關鍵

許朝詠也透過多個中鋼導入AI的案例，來分享導入經驗。比如說，前述提到的AI序號辨識應用，是指在將鋼片卷曲製作成一卷卷的鋼卷後，會在鋼卷的金屬表面或是側面，噴印上鋼鐵的生產序號，藉此來辨識每一卷鋼鐵的身份。但是，這些序號的噴印位置，可能帶來不同的辨識挑戰，比如噴印在鋼卷表面，就可能因金屬反光影響序號辨識的精準度，若是噴印在鋼卷側面，層層堆疊的鋼片又可能導致字體變形，均會影響AI判讀。

「我們提供技術，但有些問題不是技術能解決的，就要跟現場人員溝通，請他們協助解決問題。」許朝詠指出，AI落地需要與第一線人員溝通協作。

不過，就算與現場人員合作，序號的辨識率仍無法達到100%，尤其是鋼卷側面序號的辨識率，僅達到9成5，「序號要完全正確才能用，9成5其實很低。」許朝詠表示，為了克服這項挑戰，中鋼在產線上的多個位置都設有攝影機，同時將這些攝影機判讀的資訊互通，透過多點的資訊對接，來判斷出鋼卷序號。

「不要把問題放在同一個地方，比如利用多點攝影機、多資訊的串流，去補足AI模型上的不足，就能讓整個系統的準確率達到100%。」他說。

另一個例子，則是高爐原料粒徑分析的AI應用。一般來說，高爐是用來將原料溶解為鐵水，而原料在送入高爐時，若粒徑大小分佈較平均，就能提升高爐的燃燒效率，中鋼甚至推算，高爐燃燒效率每提高1%，每年可以減少上億的燃料經費，因此，中鋼用AI來辨識每顆原料的粒徑大小，即時計算出進到高爐的物料大小與分佈狀況，再根據計算結果來調整物料分佈，進而提升燃燒效率。

許朝詠表示，上述兩個案例的共通點，在於資料的取得非常容易，不管是序號或是原料的影像資料，都在產線上不斷產生，「影像取得沒問題，資料也乾淨，較有機會訓練出良好的深度學習模型，也有機會快速達到成效。」相對來說，瑕疵辨識這類AI應用的影像資料搜集，就比較困難。

「要判斷一個案子能不能做，可以先看能不能蒐集到足量的資料。」這就是許朝詠歸納的第一大AI導入經驗。

3大AI導入經驗之二：不是最新技術也能打造最切合場景需求的應用
許朝詠也接續說明了無人天車的AI應用。天車是一種重型的起重裝置，用來吊送貨品、放置到指定位置，而中鋼就是將原先需要人為操控的天車，透過AI達到無人化，「這也是我認為中鋼應用AI最成功的案例。」

要達成無人天車，主要是把人眼看到的操作資訊，透過電腦視覺轉換為控制的指令，再交由天車自動執行，也就是將操作人員看見的鋼卷位置、放置位置及操作方法，都轉換為天車指揮系統可以判讀的資訊，再透過運動控制達到自動化。

無人天車使用的技術，包括能透過座標辨識來裝卸鋼卷的機器視覺系統，以及能透過RFID讀取鋼卷身份，再準確偵測鋼卷的中心位置來吊起鋼卷的智慧型吊夾，而整體鋼卷的吊運排程與吊運路徑最佳化，則是由天車指揮系統來規劃，中鋼同時也建置用來傳輸車籍資料、整合裝卸車資料的雲端倉儲管理系統。達到天車操作全自動化之後，中鋼也設置了主動式安全防護機制，透過深度學習來偵測天車下方是否有人行走，並在行駛過程中自動辨識障礙物與閃避。

建置了無人天車帶來的一大效益，就是能在出貨的前一晚，由機器自動理貨，將要出廠的貨物就近放置到出貨的位置，「天車不會休息，人會休息，在不需出貨的時間先理貨，就能加速出貨的效率。」許朝詠說。

中鋼的無人天車也早在2018年就投入運作，至今已經完成超過數十萬顆鋼卷的吊運。不只自建自用，中鋼也將這套無人天車系統外銷到中國鋼廠，2019年就已經銷售了12套系統，今年武漢肺炎疫情期間，更是遠距協助客戶調機、將系統落地。

不過，這個貼近鋼鐵業需求的無人天車，實際上並無用到深度學習技術，「深度學習雖然是好工具，但不一定是最佳工具，也不是唯一的工具。」許朝詠表示，由於天車在裝卸鋼卷時，需要非常精準的定位，誤差超過5公分就可能吊不起鋼卷，但深度學習在位置偵測的精準度上並無優勢，加上判斷速度較慢，「傳統影像處理有些技術，應用上會比深度學習來的更好。」

換句話說，不是用最新、最強的技術就好，不同應用場景有其最合適使用的技術，這就是許朝詠歸納的第二大AI導入經驗。

3大AI導入經驗之三：從自動化、人機協作到智慧化循序漸進落地AI
最後，許朝詠也提出一項正在建置的AI應用，也就是出貨前的鋼卷智能檢核，雖然目前僅有初步成果，但這項應用實際影響了傳統檢核作業流程的轉變。

許朝詠解釋，鋼鐵在包裝、裝載完成之後，還需要檢核包裝外觀，以避免客戶收貨後發現包裝瑕疵，因而對品質產生疑慮。為了檢核來自23個倉庫的貨品，中鋼設置了4個主要的檢核站，共計17個車道、每個車道配置4名檢核人員，車輛在倉庫裝載貨品後會先前往檢核站，由人工檢查外觀是否破損，並核對貨品身份與數量，完成檢核才能出廠。

但傳統的人力檢核方式，不僅人力成本較高，大量出貨時載貨司機也常需排隊等待，更佔用了約兩個倉庫的空間來檢核。對此，中鋼試圖透過AI智能檢核的方式，將傳統的檢核中心改以一個雲端檢核中心來取代，在每個倉庫出貨前，直接將鋼卷影像上傳雲端，由檢核人員從雲端照片來判斷是否有瑕疵，若無即可放行車輛出廠，不只能加快檢核效率，檢核人員也能更輕鬆完成任務。

而這些檢核照片的篩選，則是先拍攝車輛進入檢核站的影像，經過運算後，自動擷取鋼卷正面、側面品質最佳的影像，透過自動檢放系統來提供檢核人員檢驗，經實測後，完成8張鋼卷照片的檢驗大約只要8秒。

許朝詠表示，將檢核流程雲端化只是第一步，中鋼下一步要利用檢放系統，在檢核人員雲端判讀照片狀況的同時，蒐集異常照片的資料，再利用深度學習的技術來訓練瑕疵辨識模型，進一步將檢核流程自動化且智慧化，來取代人工作業。

「邁向智慧化的過程，很多人會想要一步到位，但很困難，如果能用AI先實現局部的自動化，透過人機協作來提升作業效率，並同步搜集資料，就會對智慧製造的實現有很大的幫助。」許朝詠認為，AI落地並非一蹴可幾，需要一步步優化原先的作業流程，蒐集足夠的資料，才能實現智慧化的目標，這也是他提出的第三大AI導入經驗。

附圖：應用場景的序號本身可能有模糊、手寫字、油漆過淡等問題。
透過資訊的串接，來克服AI序號辨識可能不夠精準的問題。
透過即時原料粒徑大小分析來調整物料分佈，進而提升高爐燃燒效率。
人工檢核過程。
透過檢放系統來檢驗熱軋鋼卷的包裝外觀。

資料來源：https://www.ithome.com.tw/news/141163?fbclid=IwAR3UUiJ0rpr7aUf8d2FmGZaZp3_e4E-9esf6ZOD1iiA20Id4ZYo1-hK7iwc