【產(chǎn)通社，1月27日訊】鴻海精密工業(yè)股份有限公司（HON HAI PRECISION IND. CO., LTD.；TWSE股票代碼：2317）官網(wǎng)消息，其推出的非監(jiān)督式學(xué)習(xí)（Unsupervised Learning）人工智能（AI）算法FOXCONN NxVAE，運(yùn)用正面表列的模型訓(xùn)練方式，只以產(chǎn)品容易取得的正樣本進(jìn)行光學(xué)檢測(cè)演算，解決產(chǎn)線中瑕疵樣本取得的問(wèn)題，適用于良率高的成熟產(chǎn)品線，可增加AI模型的整體容錯(cuò)能力，此技術(shù)已實(shí)際導(dǎo)入集團(tuán)部分產(chǎn)品外觀檢測(cè)生產(chǎn)線，成功降低50%以上的產(chǎn)線檢測(cè)人力。

鴻海半導(dǎo)體事業(yè)群AI團(tuán)隊(duì)歷時(shí)8個(gè)多月的研發(fā)，從架設(shè)AOI光學(xué)檢測(cè)設(shè)備，到產(chǎn)線采集產(chǎn)品外觀影像，期間因COVID-19疫情影響，團(tuán)隊(duì)無(wú)法親臨產(chǎn)線，改由遠(yuǎn)程工作模式，進(jìn)行影像數(shù)據(jù)處理與AI算法的開(kāi)發(fā)與調(diào)適，最終研發(fā)出非監(jiān)督式學(xué)習(xí)AI算法FOXCONN NxVAE，并已實(shí)際應(yīng)用在鴻海科技集團(tuán)中國(guó)大陸園區(qū)內(nèi)的電子產(chǎn)品外觀檢測(cè)產(chǎn)在線。

鴻海半導(dǎo)體事業(yè)群芯片與系統(tǒng)方案事業(yè)處副總經(jīng)理劉錦勛博士說(shuō):，“鴻�？萍技瘓F(tuán)生產(chǎn)線質(zhì)量良率早已超過(guò)99%，累積的工業(yè)數(shù)據(jù)龐大，除了持續(xù)進(jìn)行質(zhì)量改善外，也讓AI得以發(fā)揮，幫助產(chǎn)業(yè)發(fā)展。此次AI團(tuán)隊(duì)研發(fā)非監(jiān)督式學(xué)習(xí)算法，不僅降低產(chǎn)線新產(chǎn)品導(dǎo)入的陣痛期，也是業(yè)界人工智能發(fā)展的重要里程碑�！�


產(chǎn)品特點(diǎn)


FOXCONN NxVAE已可全檢產(chǎn)品外觀常見(jiàn)的13類(lèi)瑕疵，并達(dá)到0漏檢的客戶要求，降低50%以上的產(chǎn)線檢測(cè)人力，除提升整體工作效率外，也代表鴻海往智能工廠的目標(biāo)也更向前邁進(jìn)一大步。 傳統(tǒng)機(jī)器視覺(jué)（Computer Vision）檢測(cè)，大多以標(biāo)準(zhǔn)樣本（Golden Sample）為基準(zhǔn)與待測(cè)樣本進(jìn)行差異比對(duì)，當(dāng)產(chǎn)線是在客制化的環(huán)境下進(jìn)行檢測(cè)時(shí)，準(zhǔn)確度會(huì)因光源變化、待測(cè)樣本定位差或產(chǎn)品本身紋路不規(guī)則等不定、不同因素造成了比對(duì)失敗，產(chǎn)生較高的過(guò)殺率，甚至因此加設(shè)人力進(jìn)行過(guò)殺樣本的二次檢測(cè)，造成人力支出浪費(fèi)。

FOXCONN NxVAE算法采集不同日期的數(shù)據(jù)進(jìn)行AI模型訓(xùn)練，平均產(chǎn)品數(shù)據(jù)的變異性，增加AI模型的整體容錯(cuò)能力，也解決數(shù)據(jù)差異化問(wèn)題。此非監(jiān)督式學(xué)習(xí)算法的核心概念即為：不是好的，就是壞的、只需正樣本、讓模型重建自己。

一般監(jiān)督式學(xué)習(xí)的AI算法為提升準(zhǔn)確率，動(dòng)輒需要數(shù)百至上千張瑕疵影像，才可取得90%以上的準(zhǔn)確率，但仍未達(dá)到產(chǎn)線采用標(biāo)準(zhǔn)，因此，要提升準(zhǔn)確率以達(dá)到產(chǎn)線檢測(cè)要求，根本之道在于高質(zhì)量瑕疵影像數(shù)據(jù)集的建立與取得。鴻海AI團(tuán)隊(duì)先前亦針對(duì)廠內(nèi)機(jī)殼瑕疵檢測(cè)提出監(jiān)督式學(xué)習(xí)（Supervised Learning） 算法，讓產(chǎn)品外觀瑕疵的檢測(cè)率達(dá)到99%以上，然而，在鴻海產(chǎn)線良率高的情況下，要收集20種以上各類(lèi)瑕疵的足夠樣本實(shí)屬不易。

有別于監(jiān)督式學(xué)習(xí)算法在瑕疵影像采集的困難、瑕疵數(shù)據(jù)標(biāo)注與瑕疵分類(lèi)的痛點(diǎn)，F(xiàn)oxconn NxVAE非監(jiān)督式學(xué)習(xí)產(chǎn)品檢測(cè)模型的算法導(dǎo)入正面表列的模型訓(xùn)練方式，沿用原本產(chǎn)線每日皆可取得的正樣本，解決瑕疵樣本取得的問(wèn)題，快速迭代AI模型，以適應(yīng)不同產(chǎn)品的智能檢測(cè)，可大幅度縮短客戶導(dǎo)入AI檢測(cè)的時(shí)間壓力，并可協(xié)助定義產(chǎn)品檢測(cè)標(biāo)準(zhǔn)，提升生產(chǎn)質(zhì)量，進(jìn)而降低成本，最終達(dá)到以AI賦能產(chǎn)業(yè)應(yīng)用，提升產(chǎn)業(yè)價(jià)值的目標(biāo)。


供貨與報(bào)價(jià)


查詢進(jìn)一步信息，請(qǐng)?jiān)L問(wèn)官方網(wǎng)站http://www.honhai.com/zh-tw/press-center/press-releases。（張怡，產(chǎn)通發(fā)布）    （完）