AI應用技術
(二). 計畫內容及目標 A. 計畫內容： 利用影像辨識AI技術，進行AOI機台照片複檢，降低AOI判讀Over Kill Rate，並進一步整合廠內檢驗流程，進行流程改造，降低人力負荷，加速檢驗作業效益。 B. 計畫目標 1.利用影像瑕疵檢測AI技術，進行AOI機台照片複檢，降低AOI判讀Over Kill Rate至5% 2.降低95%品檢人員每日需判讀張的照片：100,000張/天，降低為5,000張/天。　　

技術應用領域
影像辨識AI技術　　

應用名稱
AOI,Virtual Recognition，影像處理是指對圖像進行分析、加工、和處理，使其滿足視覺、心理或其他要求的技術。影像處理是訊號處理在圖像領域上的一個應用。目前大多數的圖像均是以數位形式儲存，因而影像處理很多情況下指數位影像處理。此外，基於光學理論的處理方法依然占有重要的地位。影像處理是訊號處理的子類，另外與電腦科學、人工智慧等領域也有密切的關係，現行也廣泛運用「機械視覺」做為檢測技術，可稱為自動光學檢測（automated optical inspection)，也稱為機器視覺檢測（machine vision inspection, MVI）。　　

應用描述
A. 廠方面臨問題： 1.AOI 機台誤判率過高(Over Kill Rate：15%)，人工覆判比例過高 2.品管流程需判定產品是否需覆修，因此品檢人員每日需判讀>100,000張的照片，人力負荷過重，成本過高，效率不佳。　　

運用技術
A. 廠方面臨問題： 1. AOI 機台誤判率過高(Over Kill Rate：15%)，人工覆判比例過高 2.品管流程需判定產品是否需覆修，因此品檢人員每日需判讀>100,000張的照片，人力負荷過重，成本過高，效率不佳。 (三). 實施方法及過程 A. 改善方法： 以深度學習建立瑕疵檢測AI模型，進行瑕疵檢測，技術方法如下： 1.卷積層:主要功能為對圖片做特徵提取，並在最後輸出成一張feature map。 2.池化層: 對特徵地圖做壓縮，除了提取更精華的特徵之外，也同時加快運算速度。 3.全連接層:根據傳遞下來的特徵進行學習並分類。 B. 執行步驟與作業流程： Step1. 進行基線調查：了解現場作業流程及瓶頸 Step2. 收集瑕疵檢測資料：收集不同類型的瑕疵檢測資料 Step3. 建立瑕疵檢測AI模型並進行測試(User 進行盲測) 測試結果：達標，正確率95.83%，AOI判讀Over Kill Rate至5% 測試結果：達標，正確率97.5%，品檢人員每日需判讀張的照片：由100,000張/天，降低小於5,000張/天 Step 4. 整合廠內檢測/品管系統。　　

效益
(四). 成果及效益 AOI 影像瑕疵檢測最佳化系統導入於產業界目前預估可節省大於一千萬元/年之效益，成果如下： 1. AOI系統最佳化達標： 2.系統判定正確率95.83%，降低AOI判讀Over Kill Rate至5% 3.品檢人員每日需判讀張的照片：由100,000張/天，降低小於5,000張/天。　　

應用/研究單位
先知科技股份有限公司　　

連繫窗口
曾小姐 女士 06-2366981 bear@fs-technology.com