不少产业的检测方式已从土法炼钢的人工检测走向自动光学检测AOI(Automated Optical Inspection)，因为AI尖端技术大幅跃进，AOI在原有的基础下搭载AI优势，发展出更为多元的AI+AOI智慧检测应用及解决方案，降低人力、时间成本、失误率之馀，也大幅提高产线效率与产品良率。

从传统检测到AOI再到AI+AOI，检测技术与使用工具历经几次迭代。与传统检测相比，AOI使用高解析度摄影镜头搭配与时俱进的影像处理算法，透过机器视觉取代人力的双眼、大脑及动作，可以快速、精准地检测产品缺陷与异常，这些优势的幕後功臣涉及自动化、电控、光学照明、视觉量测、影像处理、定位量测、感测等技术领域。

相较於传统检测，AOI最大的优势在於自动化、高效率、高灵敏、高精度，以及非接触性，有助节省成本、提高效率与安全性，而且AOI不需直接接触检测物，有助降低损坏风险，尤其适合大规模生产及表面缺陷检测。

AOI的缺点包含投入成本较传统检测高、须累积一定的专业知识与技术能量才能确保检测品质与精准度；被检测物表面如果出现反射、不规则、不平坦等特殊状况，可能影响检测效果；某些检测场景可能无法发挥AOI效能，如受检测物内部结构及细部瑕疵检测，必要时可能需要其他辅助检测方法补强。举例来说，传统AOI检测设备需要控制环境、光源及拍摄角度等条件，还要明确量测目标物特徵，同时需要藉由人工方式定义瑕疵样本特徵，才有利於AOI筛检，一旦面临新的检测物，多半需要重新设置AOI检测流程，这部份相对耗时费工。

产量高、品管要求高的产线多半会使用AOI进行筛检，如半导体产业、手机零组件、医疗器材等在意高良率、高单价的产线，面对这类产线，AOI不只可以肩负检查、剔除瑕疵的角色，还可以成为资料搜集者。透过AOI不断累积的瑕疵数据，经过合理分析、归纳等流程，可以梳理成大数据资料库，找出不良率发生原因。

众所周知，深度学习（Deep Learning）与数据归纳分析是AI的强项，只要将产线的各项进出与瑕疵资料输入系统，经过迭代就能分析影响良率的关键叁数，直击瑕疵肇因，甚至梳理出简化制程的各项解决方案。未来，随着AOI导入AI新兴技术，AOI将逐步走向智慧自动光学检测(Intelligent Automatic Optical Inspection)。

双A合璧 智慧再升级

唼格科技指出，AOI在产业方面的应用已经越来越普遍，AOI搭配AI数据归纳分析，检测效果更隹。就开发速度或演算速度来说，AI具有一定优势，只要具备足够的瑕疵样品，AI可以快速学习、高效分析，2分钟内就能学习100PCS 5M的NG照片，还可以产生原始码加入系统程式中。即便产品受限於制程调整，AI也能快速学习、产生经验叁数。之後，累积各种NG经验或调整演算法後，AI照样可以快速学习，产生新的经验叁数，加入系统程式中。万一产品成像较为模糊，AI还是可以透过学习更多照片找出瑕疵。

不过，AI不容易处理未知的瑕疵，运作时需要搭配较高的硬体要求，比方训练模型，实际测试时也需要大量的运算资源，尤其AI训练前的标示(Label)工作须花费较长时间。美国研究公司Cognilytica分析，AI用於标示 （Labeling）、清理（Cleaning）、调整叁数（Augmenting）等处理资料的时间约占总时间长度的80%，即使可以使用标示工具及软体，Labeling仍然是多数工程师花费最多时间的执行项目。

图1 : 机器学习各项任务的时间百分比。(source：Cognilytica)

即便如此，AOI与AI强强联手仍是现阶段智慧检测的最隹解。工研院产科国际所执行产业技术基磐研究与知识服务计画产业分析师黄仲宏指出，以AI深度学习技术进行AOI瑕疵检测的优点在於，影像特徵萃取可以交由深层类神经网路透过训练流程自动完成，相较於人工定义瑕疵特徵的传统AOI技术，AI深度学习搭配AOI瑕疵检测的应用范围及弹性更大。比方PCB产业产品升级後，朝细线距、多层数等技术发展，AI技术有助加速制程及瑕疵检验。

此外，半导体制程持续微缩、奈米化，先进制程已朝多层堆叠发展，晶片体积只会更小、更省电、效能更强，在3D堆叠技术、异质封装技术快速演进下，AOI同样必须朝极精密检测方向发展，因此，导入AI进行瑕疵检测有其必要性，结合机器视觉与AI技术可以执行晶圆电路缺陷分析及电路瑕疵检测，可大幅缩短检测时间，提升晶圆产能与良率。

未来，随着AI技术快速发展，AI+AOI带动的智慧自动光学检测或智慧影像辨识技术势必形成新的智慧检测风潮。AI深度学习与模型训练不仅可以自主学习、快速上线，将人工检测经验模型化，还能利用演算法分析、判断，形成资料库，以便未来线上检测之用，也能针对未知瑕疵进行主动识别、即时检测，一旦发现良率下降，还能即时调整产线、设备与人力，避免浪费时间与人力，而AI模型辅助判断有助降低对人工的依赖，同时分摊及降低检验员的工作量。简单来说，AI+AOI智慧检测至少可以发挥以下作用：

1.产品/物料智慧检测

如检测产品影像/物料资讯就能快速判断产品/物料正确性，避免出错；透过智慧目视检测有助自动判断产品外观；结合影像资料可以划分重点检查区域。

2.优化影像智慧辨识

透过AI+AOI执行影像判读，可以降低误判率，减少二次人工目测检验所需成本，还能透过数位串流方式即时辨识各机台的生产状况。

3.动作影像智慧分析

可以精准判断作业步骤正确性以提升产品品质及制程效率。

4.数据智慧撷取

如读取HMI资讯，藉此搜集各项可视化数据，让所有人员同步掌握系统、产

线状况，还能监测异常警示、事後回溯。

5.整合数位工作流程

将图文、数字等资讯转换成机器可读格式，有助整合工作/文件/数位流程，

提高效率、降低成本支出。

6.智慧安全防护

透过AI导入人脸辨识与影像监控等技术可以强化安全性，提升厂房管理效

率。

AI+AOI的应用场景与智慧解决方案

已有不少国内业者抢进AI+AOI应用领域或提出解决方案，甚至形成跨域检测生态系。以唼格科技的转盘型外观检查机来说，就具有高速高精密检测、AI学习辨识能力、完整瑕疵标记及记录功能，以及提供即时良率统计图、机台操作权限管理等功能。

图2 : 具有AI学习辨识能力的转盘型检查机。（source：唼格科技）

ChatGPT等超大型AI模型的兴起，带动AI人工智慧的无穷想像。微软(Microsoft)研究报告指出，AI模型的成长速度是GPU卡中DRAM成长速度的200倍，目前的AI运算硬体架构成长速度可能无法满足新的AI应用需求，如此将提高AI建置成本。

群联电子今年7月推出自主研发的AI人工智慧运算服务「aiDAPTIV+」有助降低建置成本，透过整合固态硬碟（SSD）的AI运算架构，将大型AI模型做结构性拆分，让模型叁数随应用时间序列与SSD协同运行，在有限的GPU与DRAM资源下，有效降低AI硬体建构成本。aiDAPTIV+AOI光学检测系统 (简称Phison aiDAPTIV+AOI服务)可以协助SMT工厂加速进入工业4.0，进一步提升检测精准度，降低人力检测的不稳定性。

岳扬智控专攻成衣布料AI智慧验布机，协助国内纺织业者数位转型，近期打入车用光学板材AI-AOI检验设备供应链，与国内光学薄膜大厂技术合作，共同开发完成泛用型AI-AOI自动化In-Line线检测设备，3秒即可完成一片450mm×450mm膜片检测，瑕疵检出率达95%，可直接串接现有生产线，用於扩散膜、增亮膜、复合膜、量子点膜等多种光学薄膜检测。此外，岳扬智控还运用薄膜检测技术，开发完成用於检测光学板材的自动检查设备，如面板玻璃、导光板、光学压克力板等，并已成功导入车用压克力面板的In-Line生产线。

图3 : AI-AOI自动化In-Line线检测设备。(Source：岳扬智控)

凌华科技则是与AI解决方案夥伴乐达创意科技合作，将AI机器视觉演算法搭载於凌华科技AI机器视觉系统，提供完整的AI+AOI解决方案，协助隐形眼镜制造商提高检测准确性与速度。凌华指出，人工方式每天仅能检测4,000片隐形眼镜，传统机器视觉自动光学检测是透过固定的几何图形演算法判断瑕疵，然而，要从高度透明的隐形眼镜中取得高品质且大量的瑕疵样本影像并不容易，而且容易影响检测品质。透过人工智慧自动光学检测 (AI-enabled AOI) 解决方案，整合作业系统、硬体及AI软体後，可以让隐形眼镜检测量提升50倍，检测准确性提升65%。

图4 : AI机器视觉专案平台可以让隐形眼镜检测量提升50倍，检测准确性提升65%。(source：凌华科技)

兆米智慧检测积极透过AIoT赋能AOI检测解决方案，包含提升既有rule-based半导体COF封装机台的检测效能、提供仅具取像功能的轮胎气泡机台自动瑕疵检测系统 (ADR)、开发IC测试座探针检测机台等。在微软(Microsoft)的技术支持下，该公司推出业界首创检出率达99.9%的瑕疵检测解决方案(轮胎气泡检测)，协助正新橡胶导入AI轮胎瑕疵检测自动化，由AI自动判断轮胎是否产生气泡瑕疵，成为全球轮胎业引进AI瑕疵检测的先驱。

兆米智慧与正新轮胎历经9次AI模型训练及再训练，人工验证逾80万张照片後，终於达成99.9%的检出率，找到混合式云地架构解决方案，成功让正新橡胶落实全线关灯生产，将三班制人工检测降为一班制，不只减轻人力负担，还能避免缺工带来的营运风险。

正新橡胶工业协理陈柏嘉指出，透过气泡检出机取得产线轮胎照片，再传输至地端边缘运算设备Azure Stack Edge，由Azure进行影像判读，并将判读结果即时回??产线，进而剔除气泡瑕疵轮胎，检测员只需针对判读结果复检确认即可。Azure Stack Edge会将存放於边缘运算设备中的照片上传至Azure，一旦AI模型需要重新学习及训练，可以透过Azure IoT将新模型传送至Azure Stack Edge，以维持AI模型的辨识准确度。

图5 : 微软、正新橡胶与兆米智慧三方合作，找到AI+AOI智慧检测解决方案。(source：Microsoft)

微软、正新橡胶与兆米智慧三方合作，为AI+AOI智慧检测做出良好示范，透过跨域生态系创新平台找到自动化-智动化-智能化的数位解决方案。未来，随着AI与AOI技术不断演进，势必出现更多创新解决方案，结合传统检测、AOI与AI之能，提供更全面、精准与可靠的智慧检测方案。