技術簡介
本技術採用自主研發的深度學習網絡架構,可有效提升辨識速度及正確率,並另外提出多種功能,如:
- 減少資料標記數量。
- 解決異常樣本不足。
- Threshold調整機制,瑕疵不漏檢。
- 提高特定重大瑕疵之辨識正確度。
加速深度學習技術之產業導入及應用以協助廠商順利在產線落地使用。
特色與創新
深度類神經網路之相關研究,近年來已獲得許多重要的突破,使得電腦視覺的物件分類應用範圍不再受限於人工設計物件特徵的瓶頸,而得以快速地擴展至不同的分類問題上。
本技術採用自主研發多分支出口之深層融合網絡架構(已申請專利),可支援不同大小之影像,確保準確度外,亦有效提升辨識速度;並且在無需重新訓練模型的情況下,於模型推論時可針對特定的類別抑制其漏檢率,提昇模型佈署彈性。此外,巨資中心研發之高效率標記資料篩選技術,可使用模型之識別能力狀況進行分析,在不需人力介入下有效找出少量對模型學習較有幫助之樣本,進而大量減少需人工標記之樣本,達到接近之模型訓練成效,以減少標記之人力成本及時間,使技術能快速導入產線。應用在諸多不同領域如警政安全、工廠監控、機器人視覺、自動光學檢測之瑕疵分類等,皆能有很好之效果。
此技術已被國內半導體製造、半導體檢測、PCB產業、PCBA產業…等各大業者採用,執行結果深受業界肯定。
深度學習瑕疵分類技術。