《其他电子》鸿海推新AI演算法 产线检测人力减半

鸿海宣布正式推出非监督式学习人工智慧（AI）演算法「FOXCONN NxVAE」，已实际导入集团部分产品外观检测生产线，成功降低超过50％的产线检测人力。图为FOXCONN NxVAE实际运用于产线检测状况。（鸿海提供）

鸿海(2317)今（21）日宣布正式推出非监督式学习（Unsupervised Learning）人工智慧（AI）演算法「FOXCONN NxVAE」，适用于良率高的成熟产品线，可增加AI模型整体容错能力，并已实际导入集团部分产品外观检测生产线，成功降低超过50％的产线检测人力。

鸿海指出，传统机器视觉检测多以标准样本为基准，与待测样本进行差异比对。当产线在客制化环境检测时，准确度会因光源变化、待测样本定位差、产品本身纹路不规则等不定及不同因素造成比对失败，产生较高过杀率，甚至加设人力进行二次检测，造成人力浪费。

而FOXCONN NxVAE演算法采集不同日期的数据进行AI模型训练，平均产品数据的变异性，增加AI模型整体容错能力、亦解决数据差异化问题。鸿海指出，此非监督式学习算法的核心概念即为「不是好的，就是坏的」、「只需正样本」、「让模型重建自己」。

鸿海说明，一般监督式学习的AI算法为提升准确率，动辄需要数百至上千张瑕疵影像，才可取得超过90％的准确率，但仍未达到产线采用标准。因此，要提升准确率以达到产线检测要求，根本之道在于高品质瑕疵影像数据集的建立与取得。

鸿海AI团队先前针对厂内机壳瑕疵检测，曾提出监督式学习（Supervised Learning）演算法，让产品外观瑕疵的检测率达逾99％。然而，由于鸿海产线良率高，要收集20种以上各类瑕疵的足够样本不易，存在瑕疵影像采集困难、瑕疵数据标注与瑕疵分类痛点。

因此，Foxconn NxVAE演算法导入正面表列的模型训练方式，沿用产线每日皆可取得的正样本，解决瑕疵样本取得问题，可大幅缩短客户导入AI检测的时间压力，并协助定义产品检测标准，提升生产品质并降低成本，达到以AI赋能产业应用，提升产业价值的目标。

鸿海指出，集团半导体事业群AI团队历时8个多月研发，从架设AOI光学检测设备到产线采集产品外观影像，期间因受新冠肺炎疫情影响，团队改以远端工作模式，进行影像数据处理与AI演算法的开发与调适，最终研发出此非监督式学习AI演算法。

鸿海指出，FOXCONN NxVAE已可全检产品外观常见的13类瑕疵、达到零漏检的客户要求，并实际应用在集团中国大陆园区内的电子产品外观检测产线，成功降低超过50％的产线检测人力，除提升集团整体工作效率外，也代表往智慧工厂目标更向前迈进一大步。

鸿海半导体事业群晶片与系统方案事业处副总经理刘锦勋表示，集团产线品质良率已逾99％，累积的工业数据庞大，除持续进行品质改善，也让AI得以发挥、助益产业发展。此次研发非监督式学习演算法，除降低产线新产品导入阵痛期，也是业界AI发展的重要里程碑。