以卷积神经网络（Convolutional Neural Network, CNN）影像辨识建立的深度学习模型及太引研发的 Defect 侦测算法，可以正确找到瑕疵位置、判别瑕疵类别、及判定是否需要进一步的重工或修复。 Auto Defect Classification
扎实的深度学习技术 + 专长的统计算法 + 丰富的产业整合分析经验 => 创造出独具优势的 TYNE ADC 系统
在产品出货给客户前，必须确保其机能一切正常。除了利用人力检验之外，在生产过程中，使用非接触式的自动光学检测（AOI）或自动视觉检测（AVI）设备，这些设备利用高精度镜头、机器视觉等技术，找出有瑕疵或缺陷的产品。将这类检测设备导入 ADC 系统，可以大幅提升品管效率。
TYNE 凭借丰富的各产业的资历整合分析经验，了解各产业特性与分析改善需求，以扎实的理论基础开发出独特的深度学习手法结合统计算法的运用，不但能将瑕疵图片自动分类，更可以正确找到瑕疵位置、支持自动重工或修复决策之功能，具高精确性与可延展性，可大幅减少检验人力，提高效率及工厂智能化水平。
将 TYNE ADC 结合 TYNE AYEDAS 系统，除了能够快速查检瑕疵，同时可以快速查找与该瑕疵有关之人、机、料、法、环相关之根因，进行根本改善，提升质量良率与生产效率，有助于制造业竞争力的提升。
经由 TYNE ADC 系统的用户接口，链接 Offline Server 进行瑕疵检测模型训练，以及验证模型效果。用户可以轻易将 Offline Server 训练完成的模型转移到 Online Server 使用。
Online Server 可实时加载对应的 Model，做瑕疵分类和找出瑕疵位置，并将结果输出并与生产流程做整合，全自动化的取代人工操作。
用户将已分类完成之瑕疵图片，透过 TYNE ADC 系统导入TYNE依各产业需求建置在服务器端的训练模型进行各站点新模型建立。 透过用户建立在服务器的模型，可以自动将判别瑕疵类别、找到瑕疵位置，决定是否自动重工或修复之功能。
将该站点需要做瑕疵辨识分类的图片整理至以瑕疵名称命名的目录。
将图片导入 ADC 系统中建立模型，并经由一至多次的训练过程，建立该站点最佳模型。
运用最佳模型，进行瑕疵图片的预测分类，并视需要重复步骤二的过程，逐步提高预测分类的准确率。
用户可同时建立多个模型，多个用户也可同时建模，TYNE ADC 系统自动依序进行设定的模型训练与建模工作，使用者可将有效运用时间做更有价值的工作安排。
当制程有新的瑕疵图片必须加入原来以建立的模型中重新建模，TYNE ADC 系统设计可直接将新图片加入原模型作训练建模，即可获得最佳的新模型，不需要将原有模型建模时的所有图片重新逐一再次训练。
节省新建模所需时间与有效性，可以达到实时响应制程需求。
当模型建立完成并经确认后，使用者可以清楚有效地将该模型发布至生产线上任何指定制程、指定机台、指定文件夹，降低人为存储档案之错误发生，提高该站检测的实时有效性与准确性。
用户可以自决定是否将已建立之模型分享套用至其他任何指定制程、指定机台，简化建模流程，用户可将有效运用时间做更有价值的工作安排。
将 TYNE ADC 和 TYNE AYEDAS 系统结合运用，能够快速查检瑕疵类别与位置，同时可以快速查找与该瑕疵有关之人、机、料、法、环相关之原因，追踪受影响之生产批次，快速止血。
主动全面健检与瑕疵相关之原因、分析与良率之相关性，进行根本改善，提升质量良率与生产效率。
将瑕疵原因与改善的分析过程，内建为自己独有的专家系统，可为公司内部、跨厂区、跨国际所使用，达到企业知识管理的最大效益。
瑕疵问题可以由 TYNE ADC 系统实时发现、实时处理不遗漏，提升质量良率与降低客诉率。
生产在线之 AOI 与 AVI 检验站，可节省 80% 以上的人力成本。
将 TYNE ADC 和 TYNE AYEDAS 系统结合运用，能够快速查找瑕疵之根因，进行根本改善，快速提升质量良率与生产效率。
TYNE ADC 系统只需以网址与权限，便可在工厂各地建立新模型或存取模型、享用系统功能，以满足跨厂区、跨部门共享的便利性。
系统布属配置容易、维护便利、易于扩充，搭配权限管理等功能，在各方面皆能满足 IT 管理者的需求。
提供完整的用户权力控管机制，让系统管理员可轻易新增／删除／修改使用者账号、使用者群组、可存取的数据范围、可使用的系统功能等，不用因内部人员异动而烦恼。
提供使用者自行建模的排程设定，不必透过 IT 部门也可自行产生新产品新制程的 ADC Model ，高效使用 GPU 服务器的运转时间。
