零漏檢又省下 50% 人力，鴻海 FOXCONN NxVAE 演算法讓產線檢測更有效

鴻海今日宣布，正式推出非監督式學習（Unsupervised Learning）人工智慧（AI）演算法「FOXCONN NxVAE」，運用正面表列的模型訓練方式，只以產品容易取得的正樣本進行光學檢測演算，解決產線中瑕疵樣本取得的問題，適用於良率高的成熟產品線，可增加 AI 模型的整體容錯能力，此技術已實際導入集團部分產品外觀檢測生產線，成功降低 50% 以上的產線檢測人力。

鴻海半導體事業群晶片與系統方案事業處副總經理劉錦勳博士表示，鴻海生產線品質良率早已超過 99%，累積的工業數據龐大，除了持續進行品質改善外，也讓 AI 得以發揮，助益產業發展。

據悉，傳統機器視覺檢測，大多以標準樣本（Golden Sample）為基準與待測樣本進行差異比對。當產線是在客製化的環境下進行檢測時，準確度會因光源變化、待測樣本定位差或產品本身紋路不規則等不定、不同因素造成了比對失敗，產生較高的過殺率，甚至因此加設人力進行過殺樣本的二次檢測，造成人力支出浪費。

而 FOXCONN NxVAE 採集不同日期的數據進行 AI 模型訓練，平均產品數據的變異性，增加 AI 模型的整體容錯能力，也解決數據差異化問題。此非監督式學習算法的核心概念即為，「不是好的，就是壞的」、「只需正樣本」、「讓模型重建自己」。

另外，一般監督式學習的 AI 算法為提升準確率，動輒需要數百至上千張瑕疵影像，才可取得 90% 以上的準確率，且仍未達到產線採用標準。因此，要提升準確率以達到產線檢測要求，根本之道在於高品質瑕疵影像數據集的建立與取得。為此，鴻海 AI 團隊先前亦針對廠內機殼瑕疵檢測提出監督式學習（Supervised Learning）演算法，讓產品外觀瑕疵的檢測率達到 99% 以上。

同時，Foxconn NxVAE 非監督式學習產品檢測模型的演算法還導入正面表列的模型訓練方式，沿用原本產線每日皆可取得的正樣本，解決瑕疵樣本取得的問題，快速迭代 AI 模型，以適應不同產品的智能檢測。可大幅度縮短客戶導入 AI 檢測的時間壓力，並可協助定義產品檢測標準，提升生產品質，進而降低成本。

鴻海表示，FOXCONN NxVAE 已可全檢產品外觀常見的 13 類瑕疵，並達到 0 漏檢的客戶要求，降低 50% 以上的產線檢測人力，除提升整體工作效率外，也代表鴻海往智慧工廠的目標也更向前邁進一大步。

（首圖來源：鴻海）