以卷積神經網絡（Convolutional Neural Network, CNN）影像辨識建立的深度學習模型及太引研發的 Defect 偵測演算法，可以正確找到瑕疵位置、判別瑕疵類別、及判定是否需要進一步的重工或修復。 Auto Defect Classification
紮實的深度學習技術 + 專長的統計演算法 + 豐富的產業整合分析經驗 => 創造出獨具優勢的 TYNE ADC 系統
在產品出貨給客戶前，必須確保其機能一切正常。除了利用人力檢驗之外，在生產過程中，使用非接觸式的自動光學檢測（AOI）或自動視覺檢測（AVI）設備，這些設備利用高精度鏡頭、機器視覺等技術，找出有瑕疵或缺陷的產品。將這類檢測設備導入 ADC 系統，可以大幅提升品管效率。
TYNE 憑藉豐富的各產業的資歷整合分析經驗，了解各產業特性與分析改善需求，以紮實的理論基礎開發出獨特的深度學習手法結合統計演算法的運用，不但能將瑕疵圖片自動分類，更可以正確找到瑕疵位置、支援自動重工或修復決策之功能，具高精確性與可延展性，可大幅減少檢驗人力，提高效率及工廠智能化水準。
將 TYNE ADC 結合 TYNE AYEDAS 系統，除了能夠快速查檢瑕疵，同時可以快速查找與該瑕疵有關之人、機、料、法、環相關之根因，進行根本改善，提升品質良率與生產效率，有助於製造業競爭力的提升。
經由 TYNE ADC 系統的使用者介面，連結 Offline Server 進行瑕疵檢測模型訓練，以及驗證模型效果。使用者可以輕易將 Offline Server 訓練完成的模型轉移到 Online Server 使用。
Online Server 可即時載入對應的 Model，做瑕疵分類和找出瑕疵位置，並將結果輸出並與生產流程做整合，全自動化的取代人工作業。
使用者將已分類完成之瑕疵圖片，透過 TYNE ADC 系統導入TYNE依各產業需求建置在伺服器端的訓練模型進行各站點新模型建立。 透過使用者建立在伺服器的模型，可以自動將判別瑕疵類別、找到瑕疵位置，決定是否自動重工或修復之功能。
將該站點需要做瑕疵辨識分類的圖片整理至以瑕疵名稱命名的目錄。
將圖片導入 ADC 系統中建立模型，並經由一至多次的訓練過程，建立該站點最佳模型。
運用最佳模型，進行瑕疵圖片的預測分類，並視需要重複步驟二的過程，逐步提高預測分類的準確率。
使用者可同時建立多個模型，多個使用者也可同時建模，TYNE ADC 系統自動依序進行設定的模型訓練與建模工作，使用者可將有效運用時間做更有價值的工作安排。
當製程有新的瑕疵圖片必須加入原來以建立的模型中重新建模，TYNE ADC 系統設計可直接將新圖片加入原模型作訓練建模，即可獲得最佳的新模型，不需要將原有模型建模時的所有圖片重新逐一再次訓練。
節省新建模所需時間與有效性，可以達到即時回應製程需求。
當模型建立完成並經確認後，使用者可以清楚有效地將該模型發佈至生產線上任何指定製程、指定機台、指定資料夾，降低人為存儲檔案之錯誤發生，提高該站檢測的即時有效性與準確性。
使用者可以自決定是否將已建立之模型分享套用至其他任何指定製程、指定機台，簡化建模流程，使用者可將有效運用時間做更有價值的工作安排。
將 TYNE ADC 和 TYNE AYEDAS 系統結合運用，能夠快速查檢瑕疵類別與位置，同時可以快速查找與該瑕疵有關之人、機、料、法、環相關之原因，追蹤受影響之生產批次，快速止血。
主動全面健檢與瑕疵相關之原因、分析與良率之相關性，進行根本改善，提升品質良率與生產效率。
將瑕疵原因與改善的分析過程，內建為自己獨有的專家系統，可為公司內部、跨廠區、跨國際所使用，達到企業知識管理的最大效益。
瑕疵問題可以由 TYNE ADC 系統即時發現、即時處理不遺漏，提升品質良率與降低客訴率。
生產線上之 AOI 與 AVI 檢驗站，可節省 80% 以上的人力成本。
將 TYNE ADC 和 TYNE AYEDAS 系統結合運用，能夠快速查找瑕疵之根因，進行根本改善，快速提升品質良率與生產效率。
TYNE ADC 系統只需以網址與使用權限，便可在工廠各地建立新模型或存取模型、享用系統功能，以滿足跨廠區、跨部門共用的便利性。
系統佈屬配置容易、維護便利、易於擴充，搭配權限管理等功能，在各方面皆能滿足 IT 管理者的需求。
提供完整的使用者權限控管機制，讓系統管理員可輕易新增／刪除／修改使用者帳號、使用者群組、可存取的資料範圍、可使用的系統功能等，不用因內部人員異動而煩惱。
提供使用者自行建模的排程設定，不必透過 IT 部門也可自行產生新產品新製程的 ADC Model ，高效使用 GPU 伺服器的運轉時間。
