自強課程

課程名稱

【竹科管理局線上補助課程】PyTorch深度學習瑕疵檢測於智慧製造之應用熱烈招生中全線上

✨補助優惠價：會員於9/30前(含)報名：✨
　🥇園區內：2,000元/人。
　🥈園區外：3,000元/人。
📌任職於【科學園區廠商】優先錄取!　報名完成後將會由後端統一修改優惠金額。
<10/1起恢復原價，敬請把握!>

💥上課出席率需達７５％哦❗💥
🎁《優惠價》統一於確定開課後修改金額!

課程代碼：

15W324

上課時間：

10/4、10/18，星期日，10:00-17:00，共二週12小時。
※敬請留意：課程日期原定7/19(日)上課，因故異動至10/4(日)開課，敬請見諒。謝謝~

上課時數：

12 小時

上課地點：

網路線上

課程費用： (以下費用已由竹科管理局補助80%)

5000元 (科學園區廠商優惠價格需送出報名表後，系統發出報名成功回函確認金額。)

超值優惠：

科學園區廠商優惠價： 4000 元(★繳費完成才算報名成功喔★)

課程目標：

瑕疵檢測是製造業品質控制流程中的關鍵環節。傳統方法主要依賴人工目視檢測或基於規則的影像處理技術，然而，這些方法存在準確度、效率和環境適應性等方面的局限性。隨著人工智慧，特別是機器學習和電腦視覺技術的快速發展，瑕疵檢測領域正經歷著變革。運用深度學習在電腦視覺中的各種通用模型，各種瑕疵檢測的精度已能大幅提升，然而，瑕疵檢測常因為搜集資料不易，標記資料不足使得模型效能有限，近年來生成式AI已能生成極為真實的各類影像，運用這樣的模型合成瑕疵影像即可訓練出更為強大的模型，實現更精準、更適應快速迭代生產週期的瑕疵檢測解決方案。
本課程將會介紹如何運用圖片分類、語義分割、實例分割、物件偵測來實現瑕疵檢測，這四類技術具體的實現方式除了標記成本外，應用的情境也不同，例如，圖片分類通常需要精準對位，而且具體瑕疵位置無法獲得，物件偵測假設各類瑕疵適合以bounding box來確認位置，若瑕疵部份需要精確的像素位置且瑕疵種類又不同，則適合實例分割，假設瑕疵像素較多，外型不規則，同一種類不需要區分瑕疵數量，則可使用語義分割，因為其需要明確的逐像素標記資料。
在訓練神經網路的過程中，資料擴充是一個常用的技術，然而傳統的資料擴充通常是在色彩空間中做一些擾動，或是隨機剪切圖片中包括感興趣物體(例如瑕疵)的位置。近年來生成模型技術的興起，讓生成各式各樣的圖片變得可能，然而，單純生成圖片，而沒有標記資料，我們並無法運用生成的資料來訓練瑕疵檢測模型。本課程最大亮點在於介紹如何運用生成模型同時生成圖片與標記資料，使得瑕疵檢測模型的效果提升。
生成式AI技術的起源來自2014 年Ian Goodfellow提出的生成式對抗網路(Generative Adversarial Network, GAN)，然而，近年來，生成模型的代名詞從GAN變成Diffusion model(擴散模型)，本課程將分別介紹如何透過這兩類生成模型同時生成圖片與標記資料。

本課程的具體內容包括：
(1) 圖片分類模型基本原理與實作: 運用Alexnet, ResNet進行工業檢測中的瑕疵分類(工業軸承資料集)。
(2) 圖片分類模型辨識位置視覺化:使用Grad-CAM視覺化圖片分類模型分類所關注的像素。
(3) 物體偵測模型簡介與實作: 二階段以及單階段物體偵測模型(YOLOv1-v10)原理及其用於瑕疵偵測的實作(使用NEU Surface Defect資料集)。
(4) 語義影像分割模型原理與實作:各類語義分割模型原理以及運用FCN/DeepLabv3實現瑕疵檢測(使用Steel Defect資料集)。
(5) 實例分割模型原理與實作:各種實例分割模型原理(Mask-RCNN, YOLACT)及YOLACT實作(使用BSData)。
(6) 生成式對抗網路原理與實作: 各類生成式對抗網路原理以及運用DCGAN同時生成影像以及語義分割之標記資料。
(7) 擴散模型原理與實作: 運用DDPM/DDIM實現同時生成影像以及語義分割之標記資料。

課程特色：

經過本次課程的洗禮，您將學會：
(1)從頭訓練一個基於圖片分類/物體偵測/語義分割/實例分割的瑕疵檢測模型。
(2)在影像生成效果不佳時，如何尋找較佳的生成模型以生成更為真實的影像。
(3)學會運用生成模型同時生成瑕疵檢測影像及對應的標記資料以訓練出更為強大的瑕疵檢測模型。

課程大綱：

1.圖片分類模型基本原理與實作: 運用Alexnet, ResNet進行工業檢測中的瑕疵分類(工業軸承資料集)。
2.圖片分類模型辨識位置視覺化:使用Grad-CAM視覺化圖片分類模型分類所關注的像素。
3.物體偵測模型簡介與實作: 二階段以及單階段物體偵測模型(YOLOv1-v10)原理及其用於瑕疵偵測的實作(使用NEU Surface Defect資料集)。
4.語義影像分割模型簡介與實作:各類語義分割模型原理以及運用FCN/DeepLabv3實現瑕疵檢測(使用Steel Defect資料集)。
5.實例分割模型原理與實作:各種實例分割模型原理(Mask-RCNN, YOLACT)及YOLACT實作(使用BSData)
6.生成式對抗網路原理與實作: 各類生成式對抗網路原理以及運用DCGAN同時生成影像以及語義分割之標記資料。
7.擴散模型原理與實作: 運用DDPM/DDIM實現同時生成影像以及語義分割之標記資料

課程師資：

自強基金會林哲聰老師
現任瑞典Chalmers University of Technology博士後研究員

經歷
▻ 工研院機械所副研究員/研究員/資深研究員
▻ 馬來西亞偉特科技公司(ViTrox)研發顧問
▻ 馬來西亞10 EPOCH科技公司研發顧問
▻ 加州大學聖塔芭芭拉分校資工系訪問研究員

專長
電腦視覺、機器學習、深度學習及其在駕駛輔助系統以及自駕車之各種應用

主辦單位:

國家科學及技術委員會新竹科學園區管理局

執行單位：

財團法人自強工業科學基金會