學習歷程

高精度 AI 檢測基礎與工業數據標準實務

本次實習讓我獲得了從半導體高精度檢測（Die Bond/Wire Bond）到籠車偵測的雙重 AI 應用實戰經驗。

工規標準理解：透過實際進入無塵室產線，我深刻理解了半導體製造業對微小瑕疵檢測的行業標準與極高精度要求。

數據品質掌握：掌握了使用 LabelImg (邊界框) 和 isat (實例分割) 等工具的實務技巧，累積了對高解析度工業影像數據進行標註的經驗，具備了對 AI 數據品質的決定性認知。

LabelImg 應用：專用於物件偵測 (Object Detection) 任務，僅需矩形框標註。對於只需要知道「物體在哪裡」的任務（如籠車預警），其標註速度和效率是首選。

isat (實例分割) 應用：專用於實例分割 (Instance Segmentation) 任務，透過像素級的多邊形遮罩精確描繪物件輪廓。這對於必須知道「物體/瑕疵的精確形狀是什麼」的像素級品管任務（如半導體微小瑕疵檢測）至關重要，確保數據集建構時能在品質與成本間取得平衡，為後續專案奠定了堅實基礎。

邊緣運算平台部署與資源優化實務

我學習了在資源相對受限的 NVIDIA Jetson AGX Orin Edge Server (Linux 系統) 下進行 AI 應用程式部署的實務技巧。

Linux 環境下的工業級健壯性：

系統環境管理
學習如何在工業級 Edge Server 上精確管理 Linux 系統環境、權限與服務。特別是透過 Conda/venv 虛擬環境，學會了隔離專案依賴的重要性，確保 AI 應用程式能在複雜且多變的工業環境中，避免潛在的套件衝突，實現高效穩定運行的最低要求。
Conda 虛擬環境管理實務
學習動機：
解決專案間的依賴衝突
領悟問題：
我領悟到使用者開發 Python 專案時，最常遇見的問題就是不同專案可能會有不同的 Python 版本以及不同的 Package 需要安裝。這在工業級 Edge Server 上若管理不當，極易造成系統運行衝突。
確定價值：
學習 Conda 的最大價值，就是掌握了為每一個不同需求的專案建立一個獨立適合的虛擬環境，避免彼此的開發環境受到影響，這確保了 AI 應用程式能在複雜的工業環境中實現高效穩定運行的最低要求

深度學習裝置配置的「前置優化」：

深入理解 PyTorch 框架中關於 NVIDIA CUDA (GPU) 裝置設定的細節。這項知識是後續所有加速優化的前置條件，確保模型張量能夠正確地被載入到目標 GPU 裝置，為將計算負載轉移到硬體加速單元打下了堅實基礎。

AI 視覺決策與工業控制

YOLO (You Only Look Once) 框架原理與運作機制學習

選擇核心演算法：我理解 YOLO 物件偵測技術能夠讓電腦快速地識別出一張圖片中的物體和它們的位置。由於其名稱「You Only Look Once」代表電腦只需要看一眼圖片，就能完成物件的影像辨識和定位，我確認其高效率的特性最符合邊緣運算平台對即時性的要求。
掌握運作原理：為了理解模型能夠達成高速偵測的原因，我深入學習了 YOLO 基於深度學習技術的核心方法網格劃分與局部預測，YOLO 的運作是將圖片分成很多小格子（網格），然後分析每個格子中可能存在的物體和它們的位置。這項技術避免了傳統多步驟的繁瑣流程，是 YOLO 實現速度與精確度優勢的關鍵。

應用價值認知：我領悟到 YOLO 最大的優勢在於它能夠在很短的時間內完成對圖片中物體的識別和定位，這使得它在需要實時反應的場景中（如自動駕駛、工業自動化和監控系統）具有很高的應用價值。

思維轉換：
將主觀安全轉化為量化邏輯。我最大的學習，是理解如何將模糊的「進入危險區域」概念，轉換成可被程式精確判斷的量化 NG 判定標準。我透過實作電子圍籬 (ROI) 演算法，並建立 (籠車警戒區交集面積/籠車總面積 > 3%) 的邏輯，學習了將 AI 的輸出橋接到工業決策邏輯的關鍵技能。

關鍵能力：
具備工業控制閉環整合的概念。透過學習 Modbus/TCP 協定與 ADAM I/O 模組的串接邏輯，我理解了工業通訊的標準化語言如何確保 Edge Server 的軟體指令能夠可靠且即時地傳遞給電控硬體。這項經驗使我具備了從智慧判斷到物理干預的工業安全閉環控制的完整概念。

從學習到實作：職場適應與效率管理

本次實習最大的非技術性學習，是將學術理論的思維，轉變為工業實務中追求效率與穩健性的工程師思維。這段歷程提升了我的職場適應能力和時間管理意識。

環境與標準的適應：實際進入半導體製造的無塵室產線，我深刻理解了工業界對環境潔淨度、微小瑕疵檢測的行業標準與極高精度要求。我適應了這套嚴格的規範，並將這種對「高標準」的認知，應用到後續對專案進行高精度數據標記的工作中。
技術學習：面對專案中所需的全新技術，如 Linux 系統操作、Conda/venv 虛擬環境配置，以及 YOLO 框架基礎知識，我學習並獲得將知識投入實戰的能力。我領悟到在業界，持續學習與應用是比單純掌握現有知識更重要的能力。
務實性思維：體會到工業界 AI 追求的不是學術上最高的指標，而是系統的健壯性和穩定性。例如透過虛擬環境隔離專案依賴，就是為了確保 AI 應用程式能在複雜工業環境中避免套件衝突，實現高效穩定運行的最低要求。

​學習歷程