面板在制造生产过程中，有多个站点会进行AOI(自动光学检查机)拍照，会产生大量的Defect照片，这些照片需要人员进行进一步识别分类，分类好的照片才能用于制程的监控与改善。人员识别照片会存在以下缺点： 1.人力成本增加，需要16名技术熟练的人员作业； 2.人员识别速度慢，产品生产周期会延长3天左右； 3.人员识别速度慢，制程不能及时得到监控，容易造成大批量的不良。 该项目运用深度神经网络，Python语言，Pytorch等深度学习框架，GPU加速训练出深度学习模型，实现自动判Code。准确率达到94.7%，减少人力成本方面直接年效益在100万以上，大幅改善了生产效率。

产品在生产过程中，各站会由AOI检测出Defect等异常，为了及时掌握并处理产品Defect异常，需要大量技术员对每张Defect图片进行确认，而且此项工作技术员培训周期需要2个月。此项目是通过编程的手法，运用Python、机器学习、图片识别等开发Defect聚集自动判定系统。减少技术员人力成本、提升异常反馈的及时性。

由于Array生产周期长、流程复杂、设备资源冲突等特性，想要准确排出Array的生产计划非常困难，需要2-3名有经验的工程师专门做排产。此项目是通过编程的方法，实现排程自动化。运用VBA语言，将产品Flow、产品优先级、各站Q Time、设备PM计划、DPS等各项目输入系统，由计算机进行运算，自动排出生产计划。