鸿海今日宣布，正式推出非监督式学习（Unsupervised Learning）人工智能（AI）算法“FOXCONN NxVAE”，运用正面表列的模型训练方式，只以产品容易取得的正样本进行光学检测演算，解决产线中瑕疵样本取得的问题，适用于良率高的成熟产品线，可增加AI模型的整体容错能力，此技术已实际导入集团部分产品外观检测生产线，成功降低50 %以上的产线检测人力。
鸿海半导体业务群芯片与系统方案业务处副总经理刘锦勋博士表示，鸿海生产线品质良率早已超过99%，累计的工业数据庞大，除了持续进行品质改善外，也让AI得以发挥，帮助产业发展。
据悉，传统机器视觉检测，大多以标准样本（Golden Sample）为基准与待测样本进行差异比对。当产线是在定制化的环境下进行检测时，准确度会因光源变化、待测样本定位差或产品本身纹路不规则等不定、不同因素造成了比对失败，产生较高的过杀率，甚至因此加设人力进行过杀样本的二次检测，造成人力支出浪费。
而FOXCONN NxVAE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模型的整体容错能力，也解决数据差异化问题。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”。
另外，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图片，才可取得90%以上的准确率，且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图片数据集的创建与取得。为此，鸿海AI团队先前也针对厂内机箱瑕疵检测提出监督式学习（Supervised Learning）算法，让产品外观瑕疵的检测率达到99%以上。
同时，Foxconn NxVAE非监督式学习产品检测模型的算法还导入正面表列的模型训练方式，沿用原本产线每日皆可取得的正样本，解决瑕疵样本取得的问题，快速迭代AI模型，以适应不同产品的智慧检测。可大幅度缩短客户导入AI检测的时间压力，并可协助定义产品检测标准，提升生产品质，进而降低成本。
鸿海表示，FOXCONN NxVAE已可全检产品外观常见的13类瑕疵，并达到0漏检的客户要求，降低50%以上的产线检测人力，除提升整体工作效率外，也代表鸿海往智能工厂的目标也更向前迈进一大步。
（首图来源：鸿海）