TWI786703B - 人工智慧模型訓練裝置及其應用裝置 - Google Patents

Abstract

一種人工智慧模型訓練裝置及其應用裝置係一計算機裝置並包括一處理器係一執行計算機裝置程式的邏輯機器負責人工智慧模型訓練裝置的整體或部分運作；以及一存儲裝置係一計算機裝置邏輯處理過程中存儲與輸出資訊之儲存媒體，並包括一影像數據模組以及一運算模組；其中該影像數據模組係一影像數據集合，並係進一步包括對應一或複數個樣本的標籤化影像數據；該運算模組係包括一訓練模組利用良品檢測過殺率或不良品檢測漏檢率訓練一部署模型，以及該部署模型以邏輯程序選擇至少一數據類型進行關聯至一或複數個該標籤化影像數據。

Description

人工智慧模型訓練裝置及其應用裝置

本發明係關於一種人工智慧模型訓練裝置及其應用裝置的技術領域，特別是有關於一種透過影像擷取進行瑕疵檢測的訓練裝置及其應用。

習知的人工智慧模型訓練裝置及其應用中，一般是透過深度學習中常用的準確率、精準率、召回率、F1、ROC以及AUC等參數作為人工智慧模型訓練與驗證參數。然而，對於工業的實際應用面，習知的人工智慧模型訓練參數，對於產線作業人員不容易理解其物理意義，無助於製程作業改善活動，且採用準確率、精準率等參數進行訓練的人工智慧模型，無法依據不同產品線要求不同的良品檢測過殺率或不良品檢測漏檢率進行模型調整，使得當過殺率或漏檢率低於或高於客戶品質要求時，都會造成品質成本過高的問題。

有鑑於此，本發明係提供一種基於人工智慧模型訓練裝置及其應用裝置進行創作，以解決先前技術的缺失。

本發明之第一目的係提供一種人工智慧模型訓練裝置及其應用裝置。

本發明之第二目的係該人工智慧模型訓練裝置係利用良品檢測過殺率或不良品檢測漏檢率進行人工智慧模型的訓練，並將其所訓練出的人工智慧模型進行應用，以符合工業上實際應用的製程管制與品質控管需求。

為達上述目的或其他目的，本發明主要係一種人工智慧模型訓練裝置，其係一計算機裝置並包括一處理器係一執行計算機裝置程式的邏輯機器，並負責人工智慧模型訓練裝置的整體或部分運作；以及一存儲裝置係一計算機裝置邏輯處理過程中存儲與輸出資訊之儲存媒體，並包括一影像數據模組以及一運算模組；其中該影像數據模組係一影像數據集合，並係進一步包括對應一或複數個樣本的標籤化影像數據；該運算模組係包括一訓練模組以及一部署模型，該訓練模組係執行一模型訓練流程的邏輯程序，該部署模型係一數值模型且具有邏輯程序可選擇至少一數據類型進行關聯至一或複數個該標籤化影像數據；定義該標籤化影像數據中被標籤為一第一數據類型的影像數據的數量X0，且該標籤化影像數據被該部署模型標籤為該第一數據類型的影像數據的數量X1，並定義一第一閥值，以及一第一比較值為

；以及在不符合該第一比較值小於或等於該第一閥值的狀態中，該訓練模組重複迭代運算且更新該部署模型之數值模型參數，直到達到符合該第一比較值小於或等於該第一閥值的狀態，該訓練模組停止迭代運算並完成更新該部署模型之數值模型參數。

再者，該第一數據類型可以係一良品類型或一不良品類型。

另外，進一步定義該標籤化影像數據被標籤為非該第一數據類型的影像數據的數量Y0；該標籤化影像數據被該部署模型標籤為非該第一數據類型的影像數據的數量Y1，並定義一第二閥值以及一第二比較值為

；以及進一步在不符合該第二比較值小於或等於該第二閥值的狀態中，該訓練模組重複迭代運算且更新該部署模型之數值模型參數，直到達到符合該第一比較值小於或等於該第一閥值的狀態且符合該第二比較值小於或等於該第二閥值的狀態，該訓練模組停止迭代運算並完成更新該部署模型之數值模型參數。

前述之第一比較值與第二比較值在工業應用上分別是對應產線的良品檢測過殺率以及不良品檢測漏檢率。

前述實施例中，進一步定義一第三閥值係選擇自準確率、精準率、召回率、F1、ROC以及AUC中的一或複數個驗證參數，且該訓練模組計算且定義該次迭代運算中所對應的驗證參數值為一第三比較值；以及進一步在該第三比較值不符合該第三閥值限制的狀態中，該訓練模組重複迭代運算且更新該部署模型之數值模型參數，直到達到符合該第三比較值符合該第三閥值限制的狀態，該訓練模組停止迭代運算並完成更新該部署模型之數值模型參數。

本發明另一具體實施例係一種人工智慧模型訓練裝置，其係一計算機裝置並包括一處理器係負責該人工智慧模型應用裝置的整體或部分運作；以及一存儲裝置係包括一運算模組以及一輸出模組；其中該運算模組進一步包括一部署模型以及一影像擷取模組；該部署模型係一數值模型且具有邏輯程序可選擇至少一數據類型進行關聯至一或複數個該標籤化影像數據；該影像擷取模組係一擷取影像的影像數據集合，並係進一步包括對應一或複數個樣本的待分類影像數據；該輸出模組係一串接工業應用裝置的介面；該處理器以該部署模型的數值模型進行該影像擷取模組待分類影像數據的計算，並透過該部署模型標籤該待分類影像數據所對應的數據類型；以及該部署模型係通過一模型訓練流程所完成的數值模型，且該模型訓練流程係進一步包括一第一步驟係初始化設定以及該部署模型之數值模型迭代運算的參數初始化；一第二步驟係選取一或複數個樣本的標籤化影像數據，並依據該部署模型進行正向傳遞計算；一第三步驟係依據該第二步驟結果進行計算損失函數；一第四步驟係依據該第三步驟結果，並依據該部署模型進行反向傳遞計算；一第五步驟係依據該第四步驟結果進行更新該部署模型之參數；一第六步驟係計算出一第一比較值，並依據一第一閥值進行邏輯判斷，在不符合該第一比較值小於或等於該第一閥值的狀況中，回到該第二步驟繼續迭代運算，且其中定義該標籤化影像數據中被標籤為一第一數據類型的影像數據的數量X0，且該標籤化影像數據被該部署模型標籤為該第一數據類型的影像數據的數量X1，並定義一第一閥值，以及一第一比較值為

；以及一第七步驟係在該第六步驟符合該第一比較值小於或等於該第一閥值的狀況中，該第七步驟輸出該部署模型並完成該模型訓練流程。

再者，該第一數據類型可以係一良品類型或一不良品類型。

另外，進一步定義該標籤化影像數據被標籤為非該第一數據類型的影像數據的數量Y0；該標籤化影像數據被該部署模型標籤為非該第一數據類型的影像數據的數量Y1，並定義一第二閥值以及一第二比較值為

；以及進一步在不符合該第二比較值小於或等於該第二閥值的狀態中，該模型訓練流程重複迭代運算且更新該部署模型之數值模型參數，直到達到符合該第一比較值小於或等於該第一閥值的狀態且符合該第二比較值小於或等於該第二閥值的狀態，該模型訓練流程停止迭代運算並完成更新該部署模型之數值模型參數。

前述之第一比較值與第二比較值在工業應用上分別是對應產線的良品檢測過殺率以及不良品檢測漏檢率。

前述實施例中，進一步定義一第三閥值係選擇自準確率、精準率、召回率、F1、ROC以及AUC中的一或複數個驗證參數，且該模型訓練流程計算且定義該次迭代運算中所對應的驗證參數值為一第三比較值；以及進一步在該第三比較值不符合該第三閥值限制的狀態中，該模型訓練流程重複迭代運算且更新該部署模型之數值模型參數，直到達到符合該第三比較值符合該第三閥值限制的狀態，該模型訓練流程停止迭代運算並完成更新該部署模型之數值模型參數。

前述實施例中，該輸出模組係進一步包括一控管裝置，該控管裝置係依據該部署模型經過該輸出模組所提供的數據訊息進行工業應用中所需的製程管制或輔助；其中，該控管裝置係進一步包括一顯示器，該顯示器顯示該部署模型將一或複數個該待分類影像數據所標籤的數據類型。

前述實施例中，該控管裝置係進一步包括一現場管制系統，該現場管制系統係一現場管理系統或一製造執行系統，以管制不良品的流出。

為使熟悉該項技藝人士瞭解本發明之目的、特徵及功效，茲藉由下述具體實施例，並配合所附之圖式，詳加說明如後。

為充分瞭解本發明之目的、特徵及功效，茲藉由下述具體之實施例，並配合所附之圖式，對本發明做一詳細說明，說明如後：

於本發明中，係使用「一」或「一個」來描述本文所述的單元、元件和組件。此舉只是為了方便說明，並且對本發明之範疇提供一般性的意義。因此，除非很明顯地另指他意，否則此種描述應理解為包括一個、至少一個，且單數也同時包括複數。

於本文中，用語「包含」、「包括」、「具有」、「含有」或其他任何類似用語意欲涵蓋非排他性的包括物。舉例而言，含有複數要件的一元件、結構、製品或裝置不僅限於本文所列出的此等要件而已，而是可以包括未明確列出但卻是該元件、結構、製品或裝置通常固有的其他要件。除此之外，除非有相反的明確說明，用語「或」是指涵括性的「或」，而不是指排他性的「或」。

本發明人工智慧模型訓練裝置及其應用裝置主要係工業製造過程中進行瑕疵檢測或分類的類神經網路或其它人工智慧演算技術與其應用裝置。圖1係顯示本發明人工智慧模型訓練裝置一具體實施例的示意圖，以及圖2係顯示本發明圖1實施例模型訓練裝置模型訓練流程之一具體實施例之流程圖。參考圖1以及圖2所顯示，本發明之人工智慧模型訓練裝置(100)係一計算機裝置並包括一處理器(1)以及一存儲裝置(2)。該處理器(1)係一執行計算機裝置程式的邏輯機器，並負責人工智慧模型訓練裝置(100)的整體或部分運作；以及該存儲裝置(2)係一計算機裝置邏輯處理過程中存儲與輸出資訊之儲存媒體，並包括一影像數據模組(21)以及一運算模組(22)；其中該影像數據模組(21)係一影像數據集合，並係進一步包括對應一或複數個樣本的標籤化影像數據(211)；以及該運算模組(22)係包括一訓練模組(221)以及一部署模型(222)，該訓練模組(221)係執行一模型訓練流程(200)的邏輯程序，該部署模型(222)係一數值模型且具有邏輯程序可選擇至少一數據類型進行關聯至一或複數個該標籤化影像數據(211)。

前述本發明之實施例中，在不良品檢測的工業應用中，該標籤化影像數據(211)可以係進一步包含被標籤為良品的影像數據以及被標籤為不良品的影像數據；以及該部署模型(222)中的數據類型可以係包括一良品類型或一不良品類型。因此，該部署模型(222)係可選擇少良品類型或不良品類型並關聯至對應的一或複數個該標籤化影像數據(211)。

前述本發明之實施例中，該部署模型(222)係進一步包括一感知器(222a)以及一分類器(222b)；其中，該感知器(222a)係一多維度數值模型，且係可將對應的一或複數個該標籤化影像數據(211)轉換為一多維度數值參數；以及該分類器(222b)係一邏輯程序，且係可依據該感知器(222a)轉換之多維度數值參數，該選擇至少一數據類型並關聯至所對應的該標籤化影像數據(211)。

前述本發明之實施例中，該人工智慧模型訓練裝置(100)之運算模組(22)中的該感知器(222a)可以係選擇自複數參數所定義的泰勒展開式、類神經網路模型或其它具複數參數的一多維度數值模型。

基於前述本發明之實施例，並再次參考圖1以及圖2所顯示，本發明之人工智慧模型訓練裝置(100)中的該處理器(1)所執行該存儲裝置(2)的邏輯程序係包括該訓練模組(221)之模型訓練流程(200)；以及定義該標籤化影像數據(211)中被標籤為一第一數據類型的影像數據的數量X0，且該標籤化影像數據(211)被該部署模型(222)標籤為該第一數據類型的影像數據的數量X1，並定義一第一閥值，以及一第一比較值為

；其中該模型訓練流程(200)係包括一步驟(201)，該步驟(201)係該運算模組(22)中的訓練模組(221)的初始化設定，其中包括該部署模型(222)迭代運算的參數初始化；一步驟(202)，該步驟(202)係選取該標籤化影像數據(211)，並依據該部署模型(222)進行正向傳遞計算；一步驟(203)，該步驟(203)係依據該步驟(202)結果進行計算損失函數；一步驟(204)，該步驟(204)係依據該步驟(203)結果，並依據該部署模型(222)進行反向傳遞計算；一步驟(205)，該步驟(205)係依據該步驟(204)結果進行更新該部署模型(222)之參數；一步驟(206)，該步驟(206)係該訓練模組(221)計算出該第一比較值，並依據該第一閥值進行邏輯判斷，若不符合該第一比較值小於或等於該第一閥值時，回到該步驟(203)繼續迭代運算；以及一步驟(207)，係若該步驟(206)符合該第一比較值小於或等於該第一閥值時，該步驟(207)輸出該部署模型(222)並完成該模型訓練流程(200)。

基於前述本發明之實施例，可進一步定義該標籤化影像數據(211)被標籤為非該第一數據類型的影像數據的數量Y0；以及該標籤化影像數據(211)被該部署模型(222)標籤為非該第一數據類型的影像數據的數量Y1，並定義一第二閥值；其中定義一第二比較值為

。其中，前述實施例中的該步驟(206)係該訓練模組(221)計算出該第二比較值，並依據該第二閥值進行邏輯判斷，若不符合該第二比較值小於或等於該第二閥值時，回到該步驟(203)繼續迭代運算；以及若該步驟(206)符合該第二比較值小於或等於該第二閥值時，該步驟(207)輸出該部署模型(222)並完成該模型訓練流程(200)。

基於前述本發明之實施例，前述實施例中的該步驟(206)係該訓練模組(221)計算出該第一比較值與該第二比較值，並分別依據該第一閥值與該第二閥值進行邏輯判斷，若不符合該第一比較值小於或等於該第一閥值時，或若不符合該第二比較值小於或等於該第二閥值時，回到該步驟(203)繼續迭代運算；以及若該步驟(206)符合該第一比較值小於或等於該第一閥值且該第二比較值小於或等於該第二閥值時，該步驟(207)輸出該部署模型(222)並完成該模型訓練流程(200)。

基於前述本發明之實施例，可進一步定義一第三閥值，該第三閥值可以係深度學習中用以驗證的一或複數個參數，包括準確率、精準率、召回率、F1、ROC以及AUC等驗證參數，以及前述該模型訓練流程(200)中，該步驟(206)係可以進一步包括該訓練模組(221)計算且定義該次迭代運算中所對應的參數值為一第三比較值；因此，前述實施例中的該步驟(206)係可以進一步包括該訓練模組(221)計算出該第三比較值，並進一步包括依據該第三閥值進行邏輯判斷，若該第三比較值不符合該第三閥值限制時，回到該步驟(203)繼續迭代運算；以及若該步驟(206)符合該第三比較值不符合該第三閥值限制時，該步驟(207)輸出該部署模型(222)並完成該模型訓練流程(200)。

圖3係顯示本發明人工智慧模型訓練裝置所延伸之應用裝置的示意圖。參考圖3且再次參考圖1以及圖2所顯示，本發明之人工智慧模型訓練裝置(100)所延伸之人工智慧模型應用裝置(300)係一計算機裝置並包括該處理器(1)以及該存儲裝置(2)。該處理器(1)係可進一步負責該人工智慧模型應用裝置(300)的整體或部分運作；以及該存儲裝置(2)係進一步包括一影像擷取模組(23)以及一輸出模組(24)；其中該影像擷取模組(23)係一擷取影像的影像數據集合，並係進一步包括對應一或複數個樣本的待分類影像數據(231)；該輸出模組(24)係一串接工業應用裝置的介面；以及該運算模組(22)中的部署模型(222)係通過該訓練模組(221)之模型訓練流程(200)所完成的數值模型。因此，在一工業應用的瑕疵檢測中，該處理器(1)以該部署模型(222)的數值模型進行該影像擷取模組(23)待分類影像數據(231)的計算，並透過該部署模型(222)標籤該待分類影像數據(231)所對應的數據類型。

前述本發明之實施例中，在不良品檢測的工業應用中，該部署模型(222)標籤該待分類影像數據(231)所對應的數據類型可以係進一步包括一良品類型或一不良品類型。因此，該部署模型(222)係可選擇少良品類型或不良品類型並關聯至對應的一或複數個該待分類影像數據(231)。

圖4係顯示本發明圖3實施例之輸出模組之一具體實施例的示意圖。參考圖4且再次參考圖3所顯示，該輸出模組(24)係進一步包括一控管裝置(241)，該控管裝置(241)係依據該部署模型(222)經過該輸出模組(24)所提供的數據訊息進行工業應用中所需的製程管制或輔助；其中，該控管裝置(241)係進一步包括一顯示器(241a)，該顯示器(241a)顯示該部署模型(222)將一或複數個該待分類影像數據(231)所標籤的數據類型。以不良品檢測的工業應用為例，該顯示器(241a)顯示係可一或複數個該待分類影像數據(231)為良品類型或不良品類型。

前述本發明之實施例中，該控管裝置(241)係進一步包括一現場管制系統(241b)，該現場管制系統(241b)係一現場管理系統/SFC (Shop Floor Control)或製造執行系統/MES（Manufacturing Execution System），該現場管制系統(241b)可以在工業應用的產線或產品物流現場達到瑕疵檢測以及不良品攔截等現場管制作業，進而管制不良品的流出。

本發明在上文中已以較佳實施例揭露，然熟習本項技術者應理解的是，該實施例僅用於描繪本發明，而不應解讀為限制本發明之範圍。應注意的是，舉凡與該實施例等效之變化與置換，均應設為涵蓋於本發明之範疇內。因此，本發明之保護範圍當以申請專利範圍所界定者為準。

100:人工智慧模型訓練裝置

1:處理器

2:存儲裝置

21:影像數據模組

211:標籤化影像數據

22:運算模組

221:訓練模組

222:部署模型

222a:感知器

222b:分類器

200:模型訓練流程

201、202、203、204、205、206、207:步驟

300:人工智慧模型應用裝置

23:影像擷取模組

231:待分類影像數據

24:輸出模組

241:控管裝置

241a:顯示器

241b:現場管制系統

圖1係顯示本發明人工智慧模型訓練裝置一具體實施例的示意圖； 圖2係顯示本發明圖1實施例模型訓練裝置模型訓練流程之一具體實施例之流程圖； 圖3係顯示本發明人工智慧模型訓練裝置所延伸之應用裝置的示意圖；以及 圖4係顯示本發明圖3實施例之輸出模組之一具體實施例的示意圖。

1:處理器

2:存儲裝置

21:影像數據模組

211:標籤化影像數據

22:運算模組

221:訓練模組

222:部署模型

222a:感知器

222b:分類器

Claims (8)

1. 一種人工智慧模型訓練裝置，其係一計算機裝置並包括：一處理器，其係一執行計算機裝置程式的邏輯機器，並負責人工智慧模型訓練裝置的整體或部分運作；以及一存儲裝置，其係一計算機裝置邏輯處理過程中存儲與輸出資訊之儲存媒體，並包括一影像數據模組以及一運算模組；其中該影像數據模組係一影像數據集合，並係進一步包括對應一或複數個樣本的標籤化影像數據；該運算模組係包括一訓練模組以及一部署模型，該訓練模組係執行一模型訓練流程的邏輯程序，該部署模型係一數值模型且具有邏輯程序可選擇至少一數據類型進行關聯至一或複數個該標籤化影像數據；其中，定義該標籤化影像數據中被標籤為一第一數據類型的影像數據的數量X0，且該標籤化影像數據被該部署模型標籤為該第一數據類型的影像數據的數量X1，並定義一第一閥值，以及一第一比較值為

   

   ；以及定義該標籤化影像數據被標籤為非該第一數據類型的影像數據的數量Y0，該標籤化影像數據被該部署模型標籤為非該第一數據類型的影像數據的數量Y1，並定義一第二閥值以及一第二比較值為

   

   ；其中，在不符合該第一比較值小於或等於該第一閥值的狀態中，該訓練模組重複迭代運算且更新該部署模型之數值模型參數，直到達到符合該第一比較值小於或等於該第一閥值的狀態，該訓練模組停止迭代運算並完成更新該部署模型之數值模型參數；在不符合該第二比較值小於或等於該第二閥值的狀態中，該訓練模組重複迭代運算且更新該部署模型之數值模型參數，直到達到符合該第一比較值小於或等於該第一閥值的狀態且符合該第二比較值小於或等於 該第二閥值的狀態，該訓練模組停止迭代運算並完成更新該部署模型之數值模型參數。
2. 如申請專利範圍第1項所述之人工智慧模型訓練裝置，其中該第一數據類型可以係一良品類型或一不良品類型。
3. 如申請專利範圍第2項所述之人工智慧模型訓練裝置，其中進一步定義一第三閥值係選擇自準確率、精準率、召回率、F1、ROC以及AUC中的一或複數個驗證參數，且該訓練模組計算且定義該次迭代運算中所對應的驗證參數值為一第三比較值；以及進一步在該第三比較值不符合該第三閥值限制的狀態中，該訓練模組重複迭代運算且更新該部署模型之數值模型參數，直到達到符合該第三比較值符合該第三閥值限制的狀態，該訓練模組停止迭代運算並完成更新該部署模型之數值模型參數。
4. 一種人工智慧模型應用裝置，其係一計算機裝置並包括：一處理器，其係負責該人工智慧模型應用裝置的整體或部分運作；以及一存儲裝置，其係包括一運算模組以及一輸出模組；其中該運算模組進一步包括一部署模型以及一影像擷取模組；該部署模型係一數值模型且具有邏輯程序可選擇至少一數據類型進行關聯至一或複數個該標籤化影像數據；該影像擷取模組係一擷取影像的影像數據集合，並係進一步包括對應一或複數個樣本的待分類影像數據；該輸出模組係一串接工業應用裝置的介面；該處理器以該部署模型的數值模型進行該影像擷取模組待分類影像數據的計算，並透過該部署模型標籤該待分類影像數據所對應的數據類型；以及該部署模型係通過一模型訓練流程所完成的數值模型，且該模型訓練流程係進一步包括： (a)初始化設定以及該部署模型之數值模型迭代運算的參數初始化；(b)選取一或複數個樣本的標籤化影像數據，並依據該部署模型進行正向傳遞計算；(c)依據該第二步驟結果進行計算損失函數；(d)依據該第三步驟結果，並依據該部署模型進行反向傳遞計算；(e)依據該第四步驟結果進行更新該部署模型之參數；(f)計算出一第一比較值，並依據一第一閥值進行邏輯判斷，在不符合該第一比較值小於或等於該第一閥值的狀況中，回到(b)繼續迭代運算，且其中定義該標籤化影像數據中被標籤為一第一數據類型的影像數據的數量X0，且該標籤化影像數據被該部署模型標籤為該第一數據類型的影像數據的數量X1，並定義該第一閥值，以及該第一比較值為

   

   ；(g)計算一第二比較值，並依據一第一閥值進行邏輯判斷，在不符合該第二比較值小於或等於該第二閥值的狀態中，回到(b)繼續迭代運算，使該模型訓練流程重複迭代運算且更新該部署模型之數值模型參數，直到達到符合該第一比較值小於或等於該第一閥值的狀態且符合該第二比較值小於或等於該第二閥值的狀態，該模型訓練流程停止迭代運算並完成更新該部署模型之數值模型參數，其中定義該標籤化影像數據被標籤為非該第一數據類型的影像數據的數量Y0；該標籤化影像數據被該部署模型標籤為非該第一數據類型的影像數據的數量Y1，並定義該第二閥值以及該第二比較值為

   

   ；以及(h)在(f)符合該第一比較值小於或等於該第一閥值的狀況中，或在(g)符合該第二比較值小於或等於該第二閥值的狀態中，輸出該部署模型並完成該模型訓練流程。
5. 如申請專利範圍第4項所述之人工智慧模型應用裝置，其中該第一數據類型可以係一良品類型或一不良品類型。
6. 如申請專利範圍第4項所述之人工智慧模型應用裝置，其中進一步定義一第三閥值係選擇自準確率、精準率、召回率、F1、ROC以及AUC中的一或複數個驗證參數，且該模型訓練流程計算且定義該次迭代運算中所對應的驗證參數值為一第三比較值；以及進一步在該第三比較值不符合該第三閥值限制的狀態中，該模型訓練流程重複迭代運算且更新該部署模型之數值模型參數，直到達到符合該第三比較值符合該第三閥值限制的狀態，該模型訓練流程停止迭代運算並完成更新該部署模型之數值模型參數。
7. 如申請專利範圍第4項所述之人工智慧模型應用裝置，其中該輸出模組係進一步包括一控管裝置，該控管裝置係依據該部署模型經過該輸出模組所提供的數據訊息進行工業應用中所需的製程管制或輔助；其中，該控管裝置係進一步包括一顯示器，該顯示器顯示該部署模型將一或複數個該待分類影像數據所標籤的數據類型。
8. 如申請專利範圍第7項所述之人工智慧模型應用裝置，其中該控管裝置係進一步包括一現場管制系統，該現場管制系統係一現場管理系統或一製造執行系統，以管制不良品的流出。

Images