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）
