AI 產品瑕疵檢測
自動光學檢測後對於其所取樣的IMAGE
以類神經網路CNN對上傳的資料
Train 模型及權重後對取樣圖片做判別
自動光學檢測領域 (automated optical inspection, AOI) 結合了包含光學、機械、電機和資訊等多種 技術領域，其廣泛的應用於各種產業或相關的產 品，但由於每個產業或產品都有不同的檢測特性，例如軟板產業要求極低的漏判率 (false negative rate)、而應用於金屬鋼鐵產品表面時，則易受照射光源的影響產生表面反光，採光源設計可 以加強某些特徵，但同時也消除了一些特徵，使得圖像包含的特徵更少，這些檢測應用都是現行電腦視覺沒有考慮到的特性。
在為數眾多用於圖像分類的深度卷積神經網路中， 2015 年 ImageNet 圖像識別競賽的冠軍 ResNet，ResNet 的殘差架構
可有效解決梯度消失 (vanishing gradients) 與梯度爆炸 (explodinggradients) 問題、 Google 在 GitHub 的開源專案：Models中提供完整的 ResNet 預訓練模型與高階函數庫、許多論文都有提供 ResNet 的比較數據，這讓 ResNet 形成一個完善的生態圈，既使是 ResNet的改良版 DenseNet，各項效能都比 ResNet 好，但目前為止，也無法像 ResNet 可提供完整的檢索資源。
運用於產品檢測的 CNN (Convolutional Neural Network) Models :
1) AlexNet
2) VGGNet
3) GoogleNet
4) ResNet
深度學習運用於表面瑕疵分類
深度學習介面化外掛於AOI系統
可有效解決梯度消失 (vanishing gradients) 與梯度爆炸 (explodinggradients) 問題、 Google 在 GitHub 的開源專案：Models中提供完整的 ResNet 預訓練模型與高階函數庫、許多論文都有提供 ResNet 的比較數據，這讓 ResNet 形成一個完善的生態圈，既使是 ResNet的改良版 DenseNet，各項效能都比 ResNet 好，但目前為止，也無法像 ResNet 可提供完整的檢索資源。
運用於產品檢測的 CNN (Convolutional Neural Network) Models :
1) AlexNet
2) VGGNet
3) GoogleNet
4) ResNet
深度學習運用於表面瑕疵分類
深度學習介面化外掛於AOI系統