鸿海今日宣布,正式推出非监督式学习(Unsupervised Learning)人工智能(AI)算法“FOXCONN NxVAE”,运用正面表列的模型训练方式,只以产品容易取得的正样本进行光学检测演算,解决产线中瑕疵样本取得的问题,适用于良率高的成熟产品线,可增加 AI 模型的整体容错能力,此技术已实际导入集团部分产品外观检测生产线,成功降低 50% 以上的产线检测人力。
鸿海半导体事业群芯片与系统方案事业处副总经理刘锦勋博士表示,鸿海生产线品质良率早已超过 99%,累积的工业数据庞大,除了持续进行品质改善外,也让 AI 得以发挥,助益产业发展。
据悉,传统机器视觉检测,大多以标准样本(Golden Sample)为基准与待测样本进行差异比对。当产线是在客制化的环境下进行检测时,准确度会因光源变化、待测样本定位差或产品本身纹路不规则等不定、不同因素造成了比对失败,产生较高的过杀率,甚至因此加设人力进行过杀样本的二次检测,造成人力支出浪费。
而 FOXCONN NxVAE 采集不同日期的数据进行 AI 模型训练,平均产品数据的变异性,增加 AI 模型的整体容错能力,也解决数据差异化问题。此非监督式学习算法的核心概念即为,“不是好的,就是坏的”、“只需正样本”、“让模型重建自己”。
另外,一般监督式学习的 AI 算法为提升准确率,动辄需要数百至上千张瑕疵影像,才可取得 90% 以上的准确率,且仍未达到产线采用标准。因此,要提升准确率以达到产线检测要求,根本之道在于高品质瑕疵影像数据集的建立与取得。为此,鸿海 AI 团队先前亦针对厂内机壳瑕疵检测提出监督式学习(Supervised Learning)算法,让产品外观瑕疵的检测率达到 99% 以上。
同时,Foxconn NxVAE 非监督式学习产品检测模型的算法还导入正面表列的模型训练方式,沿用原本产线每日皆可取得的正样本,解决瑕疵样本取得的问题,快速迭代 AI 模型,以适应不同产品的智能检测。可大幅度缩短客户导入 AI 检测的时间压力,并可协助定义产品检测标准,提升生产品质,进而降低成本。
鸿海表示,FOXCONN NxVAE 已可全检产品外观常见的 13 类瑕疵,并达到 0 漏检的客户要求,降低 50% 以上的产线检测人力,除提升整体工作效率外,也代表鸿海往智慧工厂的目标也更向前迈进一大步。
(首图来源:鸿海)