智能缺陷檢測平台

• 負責回應前端的需求，使用Python flask、Pytorch，進行模型訓練並為前端提供可視化功能與模型相關的數據。
• 使用 asyncio 和 thread 來縮短前端回應時間。
• 使用 multi-process 多GPU訓練，成功將時間縮短至原先的3/4。
• 使用docker-compose 定義訓練、資料庫、快取、預測各服務，做到容器拆分，使其他人容易參與專案。

面板缺陷偵測

• 使用Python Pytorch 框架，撰寫物件偵測演算法，自動找出缺陷位置與類別。
• 針對專案需求，使用multi-process及multi-thread機制，提高執行效率，成功將時間縮短至1/2，並提升FPS。
• 針對專案客製化不同docker file和docker-compose 使得專案間不互相影響。
• 將預測服務打包成docker image形式，做到離線下一鍵部署。

手機外觀缺陷檢測

• 為了取代人工，撰寫Python 程式碼，引入了自動檢測。
• 使用了Keras 框架，開發了語義分割演算法(CNN/U-net)。

面板缺陷分類

• 工廠自動化，撰寫Python 程式碼，達到了自動檢測目的。 使用Tensorflow 框架，開發深度學習演算法(CNN/Xception)，並成功將檢測率從50％提高到90％。
• 利用weight class及sampler機制，克服imbalanced data問題、使用transfer learning加速模型收斂時間。