Embedded Files
結合影像辨識與深度學習的電腦零件瑕疵自動光學檢測(AOI)
工業 4.0 時代，人工瑕疵檢測效率低且缺乏一致性，本系統透過深度學習與影像辨識，自動完成電腦零件瑕疵分析，提高精度並降低檢測成本。
專題老師 : 李文廷 教授 專題學生 : 吳傢澂、林士祐、徐柏鈞
背景動機
工業4.0與智慧製造趨勢
製造業朝向自動化與智慧品質控管發展
需要可即時、可擴充的瑕疵檢測方案
傳統人工檢測的侷限
人工檢測仍普遍存在於電子零件製程
檢測效率低、成本高，且容易受主觀判斷影響
錯誤判定可能造成品質風險、退貨成本與品牌損害
深度學習導入的必要性
YOLO 等深度學習模型在瑕疵檢測上具備良好潛力
結合影像辨識可提升檢測的即時性與準確性
目標是降低人力依賴與整體檢測成本
工業應用的現實挑戰
工業資料取得困難、缺陷樣本數量稀少
需解決資料不足以提升模型泛化能力
可透過傳統資料增強與生成式對抗網路（GAN）進行資料增強，改善訓練效果
系統功能與特色
物件偵測技術（YOLO 系列）
物件偵測技術（YOLO 系列）
即時高準確的瑕疵定位核心演算法
資料增強與生成式技術
資料增強與生成式技術
導入生成式對抗網路
彌補瑕疵樣本不足
Web技術(React、Node.js)
Web技術(React、Node.js)
與模型結合，產生完整的系統
系統架構及工具
本系統主要分為兩大階段：
AOI 模型開發流程
AOI 模型開發流程
打造高泛化模型的資料增強與深度優化歷程
系統架構
系統架構
說明訓練完成的模型如何實際應用於推論場景中
並整合前端介面回饋資訊。
整體流程分為四大階段：資料增強、模型訓練、模型評估與模型部署。
每個階段環環相扣，最終產生可用於實際瑕疵檢測的 AOI 模型。
AOI 模型訓練流程
AOI 模型訓練流程
資料蒐集與增強：
使用公開PCB瑕疵資料集，含六類瑕疵
搭配 SinGAN 生成合成影像補強少樣本問題
資料前處理：
對影像進行尺寸統一、標準化、資料集切分等操作
瑕疵偵測模型訓練：
採用 YOLOv11 系列演算法
搭配超參數優化（如CosLR、Dropout、MixUp等）
功能架構圖
使用技術與工具
模型效能評估
評估方式與資料集
訓練完成後，使用獨立測試資料集進行模型效能評估
測試資料來自同一PCB瑕疵資料集，含未參與訓練之樣本
評估指標
Precision（精確率）：模型預測為瑕疵中，有多少為真正的瑕疵
Recall（召回率）：實際瑕疵中，有多少被模型正確檢出
mAP（mean Average Precision）：
mAP50：IoU ≥ 0.5 時的平均準確率
mAP50–95：IoU 閾值從 0.5 到 0.95 間隔每 0.05 的平均值
FPS（Frame Per Second）：每秒可推論幾張圖像，代表即時性表現
模型效能結果
使用 YOLOv11x 模型進行 200 epoch 訓練後，表現如下：
mAP50 ≈ 0.9949
mAP50–95 ≈ 0.86008(後續優化至0.9)
推論速度 ≈ 每張圖約 30ms（對應約 33FPS）
準確率（Precision）與召回率（Recall）雙雙穩定超過 95%
損失與評估指標收斂情形
模型訓練期間，Box Loss、Cls Loss、DFL Loss 持續下降並穩定收斂
Validation 曲線顯示 mAP 持續提升，無明顯過擬合現象
顯示訓練策略有效，且模型在未見資料上具備良好泛化能力
系統展示
未來展望
優化輕量化模型
深化應用 QAT 與濾波器剪枝等技術
目標進一步縮小模型體積、提升推論速度
強化模型於嵌入式裝置（如 Jetson Nano）或邊緣設備的部署穩定性
探討少樣本學習方法
現有瑕疵類型有限，無法涵蓋所有實務缺陷變異
未來將研究 少樣本學習（Few-shot learning） 或極少樣本辨識法
解決新型、罕見瑕疵在早期樣本不足時的辨識問題
與產線實務進行合作驗證
未來預期與工業現場合作導入檢測系統
實際蒐集產線影像進行模型微調與效能回饋
驗證模型穩定性、界面實用性與檢測準確性，進一步調整系統參數
Page updated
Report abuse