「台達研究院」為台達集團企業研究單位，致力發展智慧製造、智慧學習、生命科學等領域解決方案。NVIDIA 邀請台達研究院共同分享，如何利用 GPU 發展瑕疵檢測分類系統，以降低 AOI 漏檢率及二次複檢比例，並有實際導入工廠產線的成功案例。NVIDIA 將於本場研討會說明深度學習（尤其是 CNN）對於圖像檢測和分類非常有效，現在正被用於解決工業產線瑕疵檢測的任務。NVIDIA DL 平台已成功地以端到端的方式成功應用於檢測和分割缺陷，以快速開發自動工業檢測。進程都基於 NGC 優化的 docker 影像像構建，以實現快速迭代。

目前電子製造業普遍採用自動光學檢測技術（AOI），雖可快速判讀瑕疵，但仍難以將缺陷問題進行分類。AI 影像分析導入門檻低，可快速升級 AOI 設備，是企業進入智能製造的第一步。台達自動缺陷分類系統（Automatic Defect Classification）為智能化的視覺檢測解決方案，藉由蒐集 AOI 的缺陷圖片，進行深度學習並建構模型。多個企業在導入此解決方案後，不僅顯著提升不良品的辨識率，也大幅降低了誤判率及漏檢率。

• 利用深度學習辨識瑕疵影像的作法，並且使用 GPU 訓練影像辨識加速帶來的優勢

• 導入自動化檢測時的困難度及實際面解決方式

• 如何運用影像分析及 AI 演算法，在不更動機台參數下，升級既有 AOI 設備，優化生產品質？

• 台達自動缺陷分類系統運用在被動元件、光電業及陶瓷基板的案例分享

Content

content goes here