相较於半导体、电子代工大厂，台湾相对属於中小规模的传产制造、机械设备业，由於早在工业4.0问世後，疫情推动数位转型浪潮以来，便已习惯透过各种视/力觉感测系统搜集累积制程中/後段产生的大数据，用来监控品质、预测诊断零组件寿命，乃至於售後维运服务所需的生产履历。

其中随着2010年制造业迈向工业4.0时代，终端客户对於同步提升产品品质和生产良率的要求日益严苛，使得量检测精度与频率逐步增加。量检测流程也从传统为了确保品质，开始上溯到即时品质回??；再结合AIoT技术即时提供量测数据，供制程设备修改叁数，以符合最终产品的品质规范，甚至希??能达到不产出不良品，使得即时量测流程的重要性，几??已不亚於制程生产设备！

AI影像辨识更是实现智慧制造的关键技术，不仅带来了巨大的商业潜力，更为传统产业的转型升级提供了强劲动力，克服传统工厂使用人工目视去判断制程的瑕疵检测，往往须耗费大量人力与时间，长期反映在垫高整体的生产成本上。且就检测品质而言，容易因为长时间观看导致视觉疲劳、或是肉眼观察的细致度不足，造成误判的风险，难以保持品质稳定。

加上目前自动光学检测（AOI）技术已广泛使用在各个领域，对各类产品使用光学镜头取代人眼做检测，容易发生误判的状况，常见的问题包括未详细定义到的漏判，或是为避免检测漏判，调高检测的敏感度与标准值而出现过杀，导致仍须仰赖人力进行二次复检。

回顾2013~2023年间Alphago屡战屡胜围棋界棋王的「AI 1.0阶段」，掀起一波监别式（Discriminative）AI热潮，当模型输入越多越好的资料再经过大量标记後，进行深度学习训练辨识与监督分类，并结合AOI、机器视觉等应用，在智慧制造领域扩散。

用来提高加工零组件与产品的自动化检测速度与准确性，执行品质检测、设备健康诊断，降低人力需求与误判率；进而提升人员安全与作业效能，确保工作场域环境安全，初步展现AI应用方案价值。

AI智慧瑕疵学习则能补足AOI检测的不足，将两者结合打造完整检测解决方案，可使得AOI具有更精准的决策能力，即先由AOI检出80%瑕疵问题，若有辨识困难和定义不明的瑕疵，再交由AI进行最後决断。AI还可在一定程度上模仿人类，将「经验法则」应用到影像辨识中，得以解决剩馀20%的问题，有效解放人力与成本。

图一 : AI可在一定程度上模仿人类，将「经验法则」应用到影像辨识中，得以解决剩馀20%的问题，有效解放人力与成本。

宇瞻智动化 跨足异质检测领域

如宇瞻智慧物联网近期推出的「自动化光学（异质）检测设备规划建置」，即可经由客制化规划，专业设计开发AI+AOI光学检测机台，应用於重点产业的相关产品。可串连现有机台，设计全新自动化流程，以提升瑕疵检测的效率、降低人力成本。适用於半导体、面板业、生技药品、食品包装等产业对各式瑕疵检测应用，至今已能提供全方位的总体解决方案。

同时具备高度弹性，可针对应用产业的测项和产能效率等不同检测需求，快捷调整叁数设定、开发最适化演算法；再搭配自动化应用，降低人力手动放置产品或调整机台的时间，有效解放人力需求、降低成本。例如为客户既有产品与包材设计专属检测机台，便可结合既有自动化产线设备进行整体设计规划，不但能为业主降低人力成本，更能大幅提升检测品质与包装效率、产能。

并利用客制化资料库管理系统开发和设计谘询，可协助整合MES/Shop Flooor等生产系统，预留智慧升级弹性；支援CoreSnapshot资料库秒速备份复原韧体技术，避免因资料损坏或停机造成营运损失。

此外，所有出厂的自动化设备皆预留智慧升级弹性，可提供ODM设计开发服务，以因应工厂未来的机联网与工业4.0管理需求，并支援多种智慧升级方案。可协助整合老旧设备联网，再将生产数据与设备状态抛转至现场电子看板及网站，呈现即时数据；支援ESG能源管理，监控设备电能，让工厂现场管理与能源管理更加简便即时，推动企业迈向ESG永续发展。

自从切入自动化光学检测领域以来，宇瞻便相当着重面板产业。包含LCD、LED、OLED到Mini LED/Micro LED、Micro OLED等产品，皆不断提升其检测能力。藉此能超越人眼，揪出各种面板种类的瑕疵，从目前广泛应用在各种生活中的萤幕面板，从路上或商场经常可见的大型广告萤幕、汽车上的各尺寸车载显示面板，甚至小至仅1~3寸的穿戴式VR/AR眼镜面板，皆涵括在宇瞻的智动化光学检测范围中。

随着现今多家面板业大厂持续进行海内外产品与生产技术布局，结合宇瞻拥有业界少有的光谱仪检测技术与光学开发经验，自行研发光学照度计及光学辉度计，并整合高阶摄像头、图形产生器等光学仪器与自动化人机系统。

将光谱仪技术导入在客制自动化检测设备後，应用於检测面板产业链上下游，涵盖多种材料、尺寸的面板及光学材料等各种检测需求，包含：增亮膜、偏光板、导光板、彩色滤光片、扩散片、量子膜等光学材料；面板玻璃、膜材、背光模组等上游材料元件，直到中下游的各式应用面板，各有不同的检测项目与标准。

另针对面板自动化检测Turn-Key Service，宇瞻还能提供高度客制化的使用者操作介面、智动化设备设计开发服务，致力为业主降低变革转型成本。并协助自行开发AI+AOI光学检测软体程式、高速影像处理演算法，拥有精准的判断检测能力，已经过市场充分验证。

宇瞻还能协助客制化规划进行不同瑕疵与精度的混合检测，并透过多重视角、不同光源、多方向性手法量测，精准检验出光学材料的各种瑕疵，像是异物、摺痕、压痕、PVA纹路等。同时利用其专业的检测技术，为其他材料与零组件设计开发专属高精度的AOI检测机台，例如像是面板玻璃、背光模组，甚至能检出镍板模仁这类金属治具的微小瑕疵与深度，已累积多样实绩案例。

目前已将之独到技术和自动化设备开发经验，扩展至生技药厂、半导体及食品等相关产业应用，对於产品瓶身、包装等自动化光学检测拥有丰富的实战经验，可有效为客户提升产能效率及产品品质。

图二 : 宇瞻智慧物联今年首度展出专为生技药业设计的智动化设备解决方案，助力生技药厂实现分阶段智慧转型目标。（source：宇瞻智慧物联）

宇瞻智慧物联今年也首度展出专为生技药业设计的智动化设备解决方案，包含：「Vial瓶标签检测暨自动落盘包装机」、「枕式瓶光学检测设备」等实绩案例，助力生技药厂实现分阶段智慧转型目标。

其中「标签检测暨自动落盘包装机」为多功能In-line自动化设备，适用於俗称疫苗瓶、西林瓶的Vial Bottle。该机台结合包装与检测双重功能，独创的落盘包装设计能在短短一分钟内自动分离Tray盘，并将超过100个Vial瓶装入盘中；设备直接连结产线既有贴标机，透过AOI技术进行贴标瑕疵检测。该机台最大的亮点为可透过软体自动切换不同尺寸的Vial瓶，实现一机多用的同时，无须操作人员进行换模作业。

另有今年进一步升级「枕式瓶光学检测设备」的机构设计和检测方式，大幅提升检测效率，仅需不到1.5秒即可完成一排6~10连支的枕式瓶检测；搭载AI人工智慧的AOI系统，不仅让瓶间缝隙的瑕疵无所遁形，对於瑕疵的判断也更迅速精准，能准确分析出如瓶内积料与气泡的差异。

汤姆森获补助 导入印刷用AI

图三 : 汤姆森企业公司透过AI影像辨识技术，有效提升软性印刷产品品质与效率。（source：经济部）

经济部产业发展署近期也委托印刷创新科技研究发展中心，辅导汤姆森企业公司将传统制程导入AI影像辨识技术，而成功提高产品良率从85%提升至99%，并将包装出货时间缩短80%，不仅提升产品品质与效率，也突破了软性印刷材料作业流程上的限制，成为传统产业升级至智慧制造的典范。

虽然该公司为台湾最早投入超细纤维无尘擦拭布制造业者，拥有丰富生产经验，包含晶圆代工、面板等制造厂等皆为其客户。却因为擦拭布材质柔软无法像纸张般平整，必须仰赖人工清点分装才能出货，不仅耗时耗力；且随着订单增加及产业缺工，终究要面对日益严格的品质要求及缺工问题，出货效率也成为一大瓶颈，传统人工检测方式已无法满足业者的需求。

为了在竞争激烈的产业供应链中保持优势，汤姆森公司积极寻求技术升级导入各项优化措施以克服上述挑战。因此在原料布的品质检测上，使用「智慧化视觉检测瑕疵技术」，搜集布料表面瑕疵的资料；并建置AI检测数据资料库，以侦测器取代人眼进行品质管控，将产品良率由85%提升至99%。

在清点产品及包装出货上，同样导入「AI影像辨识技术」，透过演算法搭配相机镜头进行堆叠数量计算，原以人工作业每叠100片布料需花费5分钟，现在只需人员进行少量增补作业即可快速精确包装出货，作业时间因此缩短仅需1分钟，人力也从2人减少至1人。

突破异质检测限制 融入生成式AI应用可期

值得一提的是，自从2022年底生成式（Generative）AI横空出世後，开始出现边缘Edge AI导入客制化大语言模型（LLM）加速落地发展，各家大厂也纷纷投入添购GPU、记忆体等硬体（铲子）的军备竞赛，开发训练AI视觉新演算法，强调将大幅提升其自动化弹性、高速与准确度。

但有别於过去AI 1.0阶段的性能表现在特殊专才领域为强项，却无法被复制到跨领域应用（迁移学习），例如将医疗CT辨识病灶模型转移至AOI辨识产品瑕疵；且耗费算力资源较少，面对新问题还是需要从头搜集、标注大量叁数资料，训练监督式模型迭代进化，耗费大量时间与成本；待使用超过一段时间还要重新训练，以免准确度衰减。

图四 : 加入生成式AI的Foundation Model部署会更容易，适合多样跨领域产业，让AOI使用样本数越少，分别找出OK/NG件的准确度已不输人眼，还能24/7天全年无休。

进入AI 2.0阶段的生成式AI基础模型（Foundation Model）式结构则具备较为简单、容易再训练的通才特性，强调可藉不断扩大语言模型和叁数训练，对於资料量和运行、训练资源的需求较大，并搭配适合的硬、软体，减少使用资料量与时间。

将之下载後压缩至10~20%叁数量的样本数，使该模型前中段产生的瑕疵特徵仅约耗用1/10资源即可运行，以导入传统AOI瑕疵检测常见异常检测、物件计数等高度通用性场域。经过迁移学习转化後部署更容易，适合多样跨领域产业，而不必大量标记资料重新训练，就能触类旁通，快速了解与应用，训练将更有效率。并将之导入边缘（Edge）AI应用加值，未来AOI应善用AI 1.0~2.0特性，使用样本数越少越容易学习，分别找出OK/NG件的准确度已不输人眼，还能24/7天全年无休。