Deep Learning FAST-AOI Defect Inspection Application
技術簡介
基於深度學習外觀瑕疵影像檢測技術，採用主動學習挑選代表性訓練資料，以及AI自動化機器學習(AutoML)挑選模型超參數組合，建構客制化、標準化的領域AI模型訓練整體解決方案，FAST-AOI加速垂直領域之產業AI化。
技術特色
主動學習挑選訓練資料去蕪存菁
為了解決深度學習仰賴大量且高品質的標註資料，以主動學習技術自動挑選具有代表性的待標記資料，大幅減少整體訓練資料標記的數量，並維持其深度學習模型準確度。
以塑膠射出產品為例，首先將訓練資料原始46K張+快速推論模型做為模型性能比較基準（辨識錯誤率4.37%），採用兩種深度學習網路架構（快速 / 超精準推論模型）與兩種訓練資料（隨機挑選 / 主動學習9K張）之條件下，經由AI工程師反覆調參後獲得最佳AI辨識模型，其中辨識錯誤率分別為5.60%、4.87%、5.16%、4.37%，以主動學習9K+超精準推論模型之實驗組合，可達到原始46K張+快速推論模型的相似實驗結果。 其次為了整體評估深度學習建構模型時間，先以訓練資料46K與9K標記時間分別15.3天、3天，亦即代表主動學習減少5倍標記時間，模型訓練時間分別0.7天（4張NVidia Titan-Xp GPU-4x12RAM）、0.8天（1張NVidia RTX-8000 GPU-48RAM），綜合上述整體建構AI模型減少4.2倍時程，加速AI模型擴散垂直領域產業。
AutoML模型調參精雕細琢，單一塑膠射出機新增產品產能1.9%
無需鑽研複雜演算法，透過創新AutoML技術可自動挑選模型超參數改善其模型性能，化繁為簡成為易用的資料分析工具，並建立標準化的智慧AI模型訓練體系，進而有效地擴大工廠AI導入模式，符合企業客制化需求及自行開發AI應用。
以塑膠射出產品為例，應用超精準網路架構及主動學習技術挑選9K張訓練資料，比較三種調整模型超參數手法（通用領域常用參數、AI工程師手動調參、AutoML自動調參），分別可獲得瑕疵推論模型之辨識錯誤率4.79%、4.37%、4.11%（圖3深紅曲線超參數組合），相對通用領域常用參數改善率分別8.77%及14.20%，代表產品產能（7200顆 / 週）分別可增加1.2%及1.9%，降低浪費塑膠原料、人力工時、射出設備的成本。
圖1 AutoML模型自動調參TOP-20實驗結果
技術規格
- 可支援不同影像尺寸。
- 提供瑕疵分類、主動式學習(Active Learning)、優化模型調參(HPO) 功能之訓練系統，及線上應用推論模組。
- 可提供Windows.NET、Windows DLL與Linux等平台之模組，易整合至系統中。
應用範圍
- 自動光學檢測物件分類核心技術之相關產業，皆可應用本技術以提升產業價值。例如：射出成型產業、晶圓檢測、PCB電路板等瑕疵分類
