少量樣本、不平衡樣本及無瑕疵樣本之深度學習訓練技術於工業瑕疵檢測應用

研究團隊與致茂電子緊密合作，共同開發自動光學檢測上的演算法，包含電腦視覺技術、相機自動校正技術與深度學習演算法於瑕疵檢測上。除了研發在產線上針對產品瑕疵的深度學習在分類、偵測、切割上的模型架構，近期的目標更進一步深化深度學習的研究於減少標註人力成本與有限學習樣本下的演算法設計。藉由大量標註瑕疵位置的學習樣本所得到的瑕疵檢測模型可使用在產線上進行即時的瑕疵檢測，雖然達到了省去了人工檢測的勞力成本並得到更準確與穩定的檢測效能，但在每一個新開的產品產線都需個別進行瑕疵樣本的標註也產生了可觀的勞力成本。此外，剛新開的產線在初期所收集的正樣本(有瑕疵的樣本)個數十分有限。在樣本數十分有限與正負樣本比例嚴重不均的情況下，所得到的深度學習模型將存在偏差且效能低落。因此，為了降低標註的勞力成本與解決樣本數不足的問題，研究團隊積極開發半監督與弱監督學習的演算法並結合遷移學習。借助於卷積神經網路在特徵擷取上的優勢，利用特徵比對方式找出訓練集中標註不一致的樣本進行自動或人工修正以達到降低標註成本的效果。此外，導入自監督學習(self-supervised learning)與領域自適應(domain adaptation)可藉由對自身資料的特徵學習或利用過去相似產品所累積的標註樣本找出共同可用的特徵以解決訓練樣本不足的問題。這些研究方向不僅在業界產線上有極大的開發動機，也是近幾年深度學習領域中發展趨勢。

藉由深度學習開發瑕疵檢測技術，藉以除去環境變因以及物件不同帶來的諸多影響，使其可簡易並自由地應用於任何客戶想檢測的物品上，協助有效找尋不良品。然而，欲訓練出良好的檢測模型，須備有大量的訓練資料，在一般產線上，由於良率高，難以蒐集具瑕疵的樣本，此外，對大量樣本的標註將耗費許多人力成本，故透過四項技術，使經正確標註的樣本數不多的情況下，仍可有效訓練瑕疵模型，四項技術分別為：Active Learning、Semi-Supervised Learning、Domain Adaptation以及Contrastive Learning。

Active Learning透過抓取有效的新樣本，達到減少標註成本的目標；Semi-Supervised Learning 透過兩模型間的互相監督，修正錯誤標註；Domain Adaptation借助與檢測目標不同，但可以被良好訓練的資料集進行領域適應；Contrastive Learning透過學習自身資訊預訓練出未標註資料集的通用特徵，使其得以以少量的標註資料來完成檢測模型的訓練。透過這些技術，可達到減少資料標註成本的目標，並且維持一定的準確率。