依據歐盟施行的個人資料保護法，我們致力於保護您的個人資料並提供您對個人資料的掌握。 我們已更新並將定期更新我們的隱私權政策，以遵循該個人資料保護法。請您參照我們最新版的 隱私權聲明。
本網站使用cookies以提供更好的瀏覽體驗。如需了解更多關於本網站如何使用cookies 請按 這裏。
AINavi 遠不止 AI 導入，更要解決生產難題
AINavi 遠不止 AI 導入，更要解決生產難題
在現今製造業迅速發展的背景下，工業 AI 視覺檢測的應用已成為提升生產效率和品質的重要工具；然而，單純的 AI 導入遠遠不夠，真正能解決生產中複雜問題的，是能夠深度融合行業需求的智能解決方案，而這樣的方案要能夠協助產線歷經AI 模型的迭代。
Spingence 的 AINavi 正是這樣一款專為製造業設計的 AI 瑕疵檢測一站式軟體，不僅提供強大的檢測功能，更在使用體驗和功能設計上做出了重大升級，致力於解決實際生產中的各種難題。
瑕疵標註：提升效率與精確度
傳統以多邊形標註時，操作人員需要多次點擊以完成瑕疵輪廓的標註，特別是當瑕疵輪廓複雜時，往往需要花費大量時間。QuickMark 功能能夠透過點擊瑕疵範圍，藉由小模型快速抓取瑕疵輪廓，並快速完成 JSON 格式標註。
QuickMark 的輔助下，讓使用者可以在 10 次點擊內完成標註，無需重複點擊並可藉由閥值調整控制瑕疵抓取範圍，完成複雜瑕疵的精確標註，節省了時間和人力成本，更提升標註的準確性和一致性。
模型訓練：靈活管理與優化
在模型訓練和管理方面，AINavi 提供了 【瑕疵標籤選擇】、【瑕疵標籤合併/複製】功能。此功能將幫助產線人員在訓練模型時，能夠篩選餵入本次模型訓練的瑕疵標籤，並通過重新命名的方式合併瑕疵。
此外，用戶還可以選擇瑕疵標籤的複製次數，以平衡不同類別瑕疵的數量。
舉例來說，當瑕疵種類中有輕度刮傷、中度刮傷、重度刮傷和髒污四種類別，而產線從車用轉為消費電子產線時，即可將中度和重度刮傷合併為刮傷類別，並將髒污圖片複製三次，使其數量與刮傷圖片數量平衡。
這功能能夠快速應對產線標準的變化，並在模型訓練時增加訓練集的靈活性，提升模型的準確性和穩定性。
在進行模型訓練前的圖片前處理部分，AINavi 提供了【 ROIs (Regions of Interest) 設定】、【裁圖以及重疊比例設定】功能。
當瑕疵只位於圖片特定區塊時，透過 ROI 可以取得固定大小的特徵圖，除能增加模型訓練和推論的速度，更能確保檢測的精度。
而裁圖功能則允許用戶以拉吧調整行與列數量進行裁圖，並可透過 overlap 調整，避免將裁切線上的瑕疵裁掉。
以上功能使得前處理設定更加方便，提升了模型訓練和推論的效率與準確性。
在圖片增強方面，AINavi 提供多種建議設定，並在介面上規劃 Augmentation Preview。使用者在進行圖片增強時，能夠透過預覽確認圖片狀況，以避免在增強過程中出現瑕疵扭曲、變形或消失於畫面中的情況，確保圖片增強的效果不會影響後續的模型辨識。直觀的預覽界面，使得使用者在選擇增強方案時更加有信心，避免因圖片增強不當帶來的問題，確保後續模型訓練的數據品質
模型驗證：高效驗證與標註生成
為了更好地管理驗證數據，AINavi 的 Validation Dataset Management能夠幫助使用者管理測試圖片，當模型運行驗證後，使用者可以通過【驗證歷史紀錄】快速切換不同模型，確認模型的辨識效果。
當多個模型訓練完成後，使用者可以快速依據檢測目標確認各個模型的辨識效果，輕鬆比較不同模型在相同驗證集上的表現，找出最適合的模型。此功能不僅減少重複上傳驗證集的麻煩，更避免反覆啟動和關閉模型的操作，讓使用者能更專注於模型的性能比較和優化。
最後，【Generate Label】功能讓使用者可以在模型驗證後，一鍵匯出標註檔；當模型驗證效果良好時，可以輕鬆一鍵匯出標註檔案，若有圖片驗證效果不佳，也可以藉由匯出標註檔案，對其進行標註微調，擴充訓練集以改善模型的性能，讓使用者能夠輕鬆擴充訓練集，快速調整和優化模型，提升 AI 的迭代和優化效率。
Spingence 所開發 AINavi 不僅是 AI 瑕疵檢測的工具，更是一個全面解決生產難題的智能平台。通過不斷創新和升級，我們致力於為製造業提供最先進的技術支持，助力企業實現高品質、高效率的生產目標。讓我們攜手並進，共同迎接智能製造的未來。
推薦閱讀：