![吉伊卡哇臉盲辨識器 - 艾鍗學院學員專題 [AI人工智慧與邊緣運算工程師班]](https://cdn.slidesharecdn.com/ss_thumbnails/5-241108100914-50424585-thumbnail.jpg?width=640&height=640&fit=bounds)
![AI 語音複製 X 翻譯 - 艾鍗學院學員專題 [AI人工智慧與邊緣運算工程師班]](https://cdn.slidesharecdn.com/ss_thumbnails/3aixv4-googleppt-241108100906-87502164-thumbnail.jpg?width=640&height=640&fit=bounds)
![以人工智能打造企業內部知識管理系統以PCB板為例 - 艾鍗學院學員專題 [AI人工智慧與邊緣運算工程師班]](https://cdn.slidesharecdn.com/ss_thumbnails/1v9-241108100905-c32c0a44-thumbnail.jpg?width=640&height=640&fit=bounds)
基於光度立體與深度學習的高反光金屬表面瑕疵檢測系統
- 1.
- 2.
- 3.
- 4.
- 5. ch.1 動機 目的核心論文 新興技術 在外觀檢測中，反光區域（specular highlights）常被誤判為刮痕、異物、汙損 即使是訓練過的CNN模型，仍容易將亮斑當作瑕疵，或遮蔽真正的缺陷 單純用亮度對比在區分陰影和污漬也很困難，誤報率高
- 6. ch.1 產業動機 目的核心論文 新興技術
- 7. ch.1 產業動機 目的核心論文 新興技術 HSV影像含有三個通道：色相 (Hue)、飽和度 (Saturation)、明度 (V alue)
- 8.
- 9. 新興技術 ch.1 條件 光的反射 亮度結果 正常表面在多角度下，亮度變化「平滑一致」 無明顯突變 有刮痕、凹陷、髒污等 特定角度下會「劇烈改變反射」 亮度變化「劇烈不連續」 動機 目的 瑕疵會改變表面結構 → 導致在不同角度下的光照反應「不一致」或「異常突出」 改變的是光照順序 等效於從不同視角重新理解這些光照反應 站在不同觀察角度也許才能看到瑕疵 角度變化太少 , 幾乎是同樣的視角 角度變化太大, 那是不同東西難以融合 核心論文
- 10. 新興技術 產業動機 目的 核心論文新興技術 改良? ch.1 AIO瑕疵 金屬檢測 車用零件 電子產品 傳統金屬製品 晶片 電路板 solomon 所羅門 富士康自動光學檢測 （AOI） KEYENCE 台灣基恩斯 YAMANA Garmin 產品安檢
- 11. ch.1 新興技術 data 有缺陷 鎖定產品類型 模型不和諧 消防栓物件 產業動機目的 核心論文 新興技術 改良? 自製data 改良模型 整合前端呈現 原 改
- 12.
- 13. 系統架構圖 開發流程 模型訓練 2D→PRGB統整介面呈現 ch.2 Camera data 暗 箱 python Pseudo RGB Sta rt LED_i PC PICO Data X16 TSCM 2D →3D pt.traini ng mixer VAE PRGB 彩色.PNG 辨識Model Yolo 8 標記損傷 位置 偵測物件 手機、金 屬製品 原始照片 前端展 示 正面或是側面 放入 對 比 16張JPG 圖檔 改良 自製
- 14. ch.2 系統架構圖 開發流程模型訓練 2D→PRGB 統整介面呈現 Input: 16 grayscale images under different lighting conditions Stacking & Augmentation: Images are stacked and augmented (random crop, rotation) 20% trimmed mean removes outliers Batch shape: (N, H, W) where N=16 Pseudo-RGB Data Preprocessing
- 15. 系統架構圖 開發流程 模型訓練 2D→PRGB統整介面呈現 Pseudo-RGB Taylor Series Channel Mixer (TSCM) ch.2 1.Channel Shifting 2.Taylor Expansion Mixer 3.Shared Parameter + Concatenate 4.Pseudo-RGB
- 16. Pseudo-RGB Vector-Quantized Variational AutoEncoder(VQ-VAE) 系統架構圖 開發流程 模型訓練 2D→PRGB 統整介面呈現 ch.2 Reconstructs the original stack from the pseudo-RGB image
- 17. Metal parts 模型訓練 統整介面呈現 系統架構圖開發流程 2D→PRGB ch.2 儀器 丈量工具 電子器材
- 18. Metal parts 開發流程 模型訓練統整介面呈現 ch.2 系統架構圖 2D→PRGB 亮暗分明 像素清晰 光源多角度方向 PRGB回推實驗 嚴謹資料集 PRGB與硬體 尋找和諧
- 19. Metal parts 開發流程 模型訓練統整介面呈現 系統架構圖 2D→PRGB ch.2 Metal parts
- 20. 開發流程 模型訓練 統整介面呈現 系統架構圖2D→PRGB ch.2
- 21. 開發流程 模型訓練 統整介面呈現 系統架構圖2D→PRGB ch.2
- 22. 開發流程 模型訓練 統整介面呈現 系統架構圖2D→PRGB ch.2
- 23. 聚光燈仰角計算公式 開發流程 模型訓練 統整介面呈現 系統架構圖2D→PRGB ch.2 聚光燈仰角計算公式
- 24. 聚光燈仰角計算公式 開發流程 模型訓練 統整介面呈現 系統架構圖2D→PRGB ch.2 嚴 謹 資 料 集 品 管
- 25. 聚光燈仰角計算公式 開發流程 系統架構圖 2D→PRGB 模型訓練統整介面呈現 ch.2 YOLO object (defact) detection YOLO 加入負樣本: 完全正常的Psudo-RGB 可以避免將反光、陰影或污漬等非缺陷特徵 誤判為缺陷 負樣本
- 26. 聚光燈仰角計算公式Test Accuracy: 0.86cnn_InceptionV3cnn_InceptionV3 開發流程 系統架構圖2D→PRGB 模型訓練 統整介面呈現 ch.2 NASNetMobile Test Accuracy: 0.86 cnn_InceptionV3 Test Accuracy: 0.50 MobileNetV2_0.8 Test Accuracy: 0.80
- 27. 聚光燈仰角計算公式 開發流程 系統架構圖 2D→PRGB 模型訓練統整介面呈現 ch.2 YOLO 先用分類模型快速篩選「有缺陷的樣本」 ，減少物件偵測的運算量 將有瑕疵的資料再進行標記 期望
- 28. 聚光燈仰角計算公式 開發流程 系統架構圖 2D→PRGB 模型訓練統整介面呈現 ch.2 拍照介面
- 29. 聚光燈仰角計算公式 開發流程 系統架構圖 2D→PRGB 模型訓練統整介面呈現 ch.2 TSCM
- 30. 聚光燈仰角計算公式 開發流程 系統架構圖 2D→PRGB 模型訓練統整介面呈現 ch.2 物件偵測
- 31.
- 32.
- 33.
- 34. THE END OF THEQUIZ