一. 人工搬運風險高

酒桶、原料容器通常重量大、體積高，長時間搬運容易造成：

• 勞工職災風險
• 作業疲勞導致失誤
• 勞安成本與管理壓力增加

二. 人工作業一致性不足

釀酒非常仰賴「穩定的製程條件」，但人工操作容易產生：

• 投料位置與時間誤差
• 轉桶節奏不一致
• 品質波動，影響風味穩定度

三. 擴產受限於人力

當訂單增加時，許多酒廠面臨：

• 找不到合適人力
• 人員訓練時間長
• 產能無法快速放大

這些問題，正是 釀酒自動手臂系統 最能發揮價值的地方。

一、系統整體架構說明

GP-180 系統主要由以下三大模組構成：

GP-180 機械手臂本體

• 負責灑料動作與位置移動
• 依據控制訊號執行對應扇區灑料

紅外線溫度感測模組（Infrared Thermal Sensor）

• 即時量測產品表面溫度
• 輸出溫度矩陣資料（Thermal Map）

控制與演算法運算模組（Industrial PC + I/O 模組）

• 即時讀取紅外線資料
• 執行溫度分析與區域判斷演算法
• 控制灑料訊號輸出（DO）與回饋訊號接收（DI）

此架構屬於感測—分析—決策—執行（Sense → Analyze → Decide → Act）的典型智慧控制系統。

二、紅外線溫度分析與區域演算法

1. 區域分割演算法（Sector-based Algorithm）

系統將監測畫面劃分為 12 個環狀扇區 + 1 個中心區（共 13 區），每一區域皆對應實際灑料位置。

此區域化設計具備以下優點：

• 將連續影像資料轉換為可量化區域
• 適合即時運算，減少運算負擔
• 與機械手臂灑料位置一一對應，控制直觀

2. 即時最高溫判斷邏輯

每一張紅外線影像中，系統會：

• 搜尋整個有效區域內的最高溫點
• 計算該點所屬的扇區
• 作為「目前最需灑料的候選區域」

此流程屬於即時影像特徵擷取（Feature Extraction）的應用。

三、智慧灑料決策演算法（非固定規則）

1. 溫度門檻判斷（Threshold-based Decision）

為避免過度灑料，系統設有溫度門檻機制：

• 低於 47°C：不進行灑料
• 僅當溫度超過門檻，才觸發後續決策流程

這是基於製程實務設定的條件式決策演算法。

2. 填料期間資料收集（Temporal Data Aggregation）

在每一次灑料完成後，系統不會立即進行下一次動作，而是進入：

• 8 秒填料等待期
• 此期間內持續蒐集紅外線資料
• 記錄該時間窗內「最高溫值與對應區域」

這種做法屬於時間序列資料整合（Temporal Analysis），能避免瞬間雜訊造成誤判。

3. 動態選區與避免重複演算法

系統具備以下智慧判斷邏輯：

• 同一區域 最多連續灑料 2 次
• 若第 3 次仍判斷為同一區，系統將：
• 自動改選「累計灑料次數最少」的區域
• 避免局部過度集中，提升整體均勻性

此屬於動態權重平衡與簡易決策最佳化（Heuristic Optimization）。

四、手動 / 自動模式智慧辨識機制

實務現場常需要：

• 手動操作機械手臂
• 再切回自動模式

系統設計了訊號來源辨識邏輯：

• 僅當系統主動送出灑料指令時，才接受回傳訊號
• 若為人工手動操作所產生的回饋，系統會自動忽略
• 避免狀態錯亂或誤觸發

這屬於工業控制中常見的狀態機（State Machine）設計概念。

五、是否屬於演算法與機械學習？

演算法（Algorithm）層級

本系統確實具備完整演算法架構，包含：

• 區域切割演算法
• 溫度特徵擷取
• 時間窗資料整合
• 條件式決策與動態選區邏輯

機械學習（Machine Learning）定義說明

雖未採用深度學習或神經網路模型，但系統具備：

• 依歷史灑料次數調整決策
• 依即時與累積資料動態調整行為

屬於「規則型智慧決策（Rule-based Learning）」與「經驗回饋式調整」。

在工業自動化實務中，這類架構被廣泛視為工業級智慧演算法與輕量化機械學習應用。