從裝置聯網、視覺化管理等的基礎應用，進展到以ai達到生產裝置預知維護保養等，智慧型製造應用現今可說是百花齊放，而產業端的實際需求，更是促進智慧型應用成熟發展的動力。但同時，質量與良率仍然是目前國內製造業者最重視的議題。
在此需求下，近期智慧型製造相關應用中最受廣大討論的則是aoi瑕疵檢測智慧型化發展，然業界則是點出，在實際操作層面上，瑕疵樣本取樣不易恐將是挑戰。
以成本為出發點，針對生產裝置達到預防性維護管理，或是聚焦於如何提高生產效率等已陸續成為智慧型製造市場中的熱門應用，智慧型製造研究中心主任鄭芳田更因此而提出以「零缺陷」為目標達到超越工業4.0的境界。
而針對提公升質量與良率的需求，目前智慧型製造相關應用中最受廣大討論的則是aoi檢測瑕疵智慧型化發展。電子產業對於aoi應該不陌生，根據市場調查，目前aoi檢測應用最廣泛的兩個領域分別為pcb和面板顯示產業，兩者的佔比分別為64%和15%。
任何新技術的誕生，若不是現有技術有些地方做的不夠好，就是市場有新的需求。而瑕疵檢測過去在產業應用也遭遇瓶頸，對此，工研院產科國際所分析師黃仲巨集則指出，其一為裝置因靈敏度過高而造成準確度不足，需要人工複判，其二則是產業需要知道瑕疵型別以利分析製程根源問題，然現有檢測裝置無分類功能，並無法提供有效資訊。
礙於產業在應用上的瓶頸，現階段市場各家aoi檢測裝置業者則聚焦於結合ai，以影像識別技術輔助檢測裝置提公升檢測效率與正確性，並降低人工複判的依賴。ai結合aoi，已成為下一波智慧型應用商機，黃仲巨集則是點出深度學習技術於瑕疵產業應用的未來發展重點。
他指出，首先未來產業需得解決的是異常訓練樣本收集不易的問題。眾所皆知，ai的訓練須投以大量樣本資料，但在產線量產時，正常情況應是正常樣本量會大於異常樣本，加上異常樣本型別繁多，導致訓練資料蒐集不易。
因此，如何在資料不均衡的狀況下，降低模型之漏檢率則成為下一波產業所關注的焦點。而目前業界也已有實際做法，例如網通裝置廠智邦也因少量多樣生產模式下不易蒐集與累積樣本，為此，智邦也與清大團隊以及工研院合作開發影像增量技術，希望藉由少量瑕疵模型透過演算法建立新的瑕疵樣本，以加強訓練模型的準確度。
而半導體封測業者矽品未來則是計畫透過ai生成瑕疵樣本，除了可解決樣本數不足的問題，也能讓ai模型訓練能在不靠實際影像的訓練下進行。
opencv 訓練樣本
分類器的訓練以分為以下三部進行 1 樣本的建立 2 訓練分類器 3 利用訓練好的分類器進行目標檢測。對檢測物體要確定其屬性 是否為絕對剛性的物體，也就是檢測的目標是乙個固定物體，沒有變化 如特定公司的商標 這樣的物體只要提供乙份樣本就可以進行訓練。但絕大數時候我們想進行訓練的目標是非絕對剛性的物體，...
opencv haar訓練 訓練樣本（4）
1.海爾訓練 現在，我們使用haartraining.exe來訓練我們自己的分類器。訓練語句如下 usage haartraining data vec bg npos nneg nstages nsplits mem sym default nonsym minhitrate maxfalseal...
opencv haar訓練 訓練樣本（4）
1.海爾訓練 現在，我們使用haartraining.exe來訓練我們自己的分類器。訓練語句如下 usage haartraining data vec bg npos nneg nstages nsplits mem sym default nonsym minhitrate maxfalseal...