以卷積神經網絡（CNN）輔助傳統 AOI，檢出低對比與不規則 pattern 瑕疵，並可即時分類。
傳統 AOI 系統主要依賴預定義的規則與模式匹配，面對複雜且變化多端的缺陷時，常有靈活性不足、微小或非典型缺陷易漏檢誤檢、產品或產線變更需大量手工調整等限制。
導入 AI（特別是卷積神經網絡 CNN）後，模型可透過學習大量資料自動識別複雜的缺陷特徵，具備更高的檢測精度與靈活性，並隨著資料成長與模型更新持續提升檢測能力。
【服務流程】
1. 客戶諮詢：瞭解客戶需求。
2. 產品評估：客戶提供樣本進行瑕疵評估，並提供評估報告。
3. 方案研擬：制訂含光學系統、AOI 軟件與 AI 軟件的完整方案。
導入 AI（特別是卷積神經網絡 CNN）後，模型可透過學習大量資料自動識別複雜的缺陷特徵，具備更高的檢測精度與靈活性，並隨著資料成長與模型更新持續提升檢測能力。
【服務流程】
1. 客戶諮詢：瞭解客戶需求。
2. 產品評估：客戶提供樣本進行瑕疵評估，並提供評估報告。
3. 方案研擬：制訂含光學系統、AOI 軟件與 AI 軟件的完整方案。
應用情境
- 低對比瑕疵檢出：有效檢出與背景灰階相近或不明顯的瑕疵，例如隱形眼鏡花紋區瑕疵、印刷不良、殘墨、異色等
- 實時瑕疵分類：前期標記時區分瑕疵類別，上線檢測時即時分類
- 低樣本數訓練：少量樣本訓練即可有顯著效果
- 模型成長：新增複雜瑕疵訓練集，可在原有基礎上持續優化模型
- 不規則 pattern 檢出：不受限於重複 pattern 或單畫面需完整容納 pattern
- AOI、AI 相輔相成：以 AOI 為主 AI 為輔（或反之），例如量測工作仍由傳統 AOI 負責
- AI 標記工具：駿曦團隊開發的瑕疵標記工具，客戶可自行依規範標記
- AI 模型跑分系統：於眾多模型中快速挑選精度最高的模型上線
- OCR 辨識模組：搭載 AI 的字元辨識模組，可辨識晶粒字元及 PSS Wafer ID