傳統製程控制的SPC方法為對各變數獨立設定上下控制閥值(UCL/LCL)，然而各變數間常具有非線性與共線性特質，獨立設定控制閥值無法有效偵測製程異常。且製程預測模型缺乏因果推論，忽略關聯非因果定理，無法釐清真正關鍵參數，量化其實際影響。 Vizuro維曙智能開發 #製程良率預測模型 ，為統合式多變數時間序列預測模型，並以 #因果推論 (Causal Inference)決定關鍵製程參數優化與監控方案。 對產線的價值： 🎯精準模型：以時間序列結合機器學習演算法，處理真實世界非線性或共線性的場景 🎯精準監控：以多變量製程模型精準監控產線提升良率，取代傳統單變量SPC 🎯預防維護：實施預防性產線與機台維護，避免停機和產能損耗 想了解更多? 👉歡迎聯繫Vizuro維曙智能 https://zh.vizuro.com/contact #AI #SPC #causalinference

想為產線訓練瑕疵偵測模型，但缺少瑕疵標註資料，也沒有判讀金標準? Vizuro維曙智能應用 #生成對抗網路 (Generative Adversarial Networks, GAN) 模型模仿人類對類似物件的理解映射(ex: 狗有兩耳，貓亦應如是)，作為製造業 #跨製程找尋瑕疵 的方式(ex: 一耳貓則不正常)，不需另外建立金標準比對。 對產線的價值： 📌節省檢測人力：減少對人力檢測的依賴和標註訓練成本 📌可離線訓練：訓練後再導入下游AOI機台，減少線上模型訓練時間 📌穩定性高：分類結果穩定、一致、重現性高，無金標準浮動問題 想了解更多? 👉歡迎聯繫Vizuro維曙智能 https://zh.vizuro.com/contact

當前製造業瑕疵偵測 AI模型多半採用監督式學習，需要大量人工標記瑕疵(強標註)，只能線上訓練，且罕見瑕疵型態需要額外後處理。 Vizuro維曙智能開發 #異常偵測AI模型，為 #非監督式學習，只需要OK影像，不需要人工標註瑕疵即可實現預先訓練。尤其在高良率產線，在產線瑕疵數量稀少的情況下，透過OK影像仍可建立模型。此外，訓練流程標準化，便於套用在不同檢測物件做自動訓練，大幅減少人工調參的時間成本。 想了解更多? 歡迎聯繫Vizuro 維曙智能 https://zh.vizuro.com/contact