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。
特色與創新
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。
應用與效益
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。