從AI判定到自主修正的AOI閉環

傳統自動光學檢測（AOI）的工作，通常在發現不良、發出警報、標記位置或剔除產品之後告一段落。它像一名站在產線末端的守門員，能阻止部分瑕疵流出，卻未必改變造成瑕疵的製程。當AI開始理解缺陷種類、嚴重度與可能成因，AOI的下一步便不只是「判定」，而是把判定轉換成可執行的生產行動：通知PLC降速、要求機器人翻面複檢、調整設備參數、隔離可疑批次，或把問題送交工程師批准。

這種由檢驗驅動行動的系統，可概括為「感測－判斷－行動－驗證－再學習」五階段閉環。它讓品質資料不再停留在報表，而能即時回到機台、物流、工單與供應鏈；但閉環越自動，錯誤行動的影響也越大。因此，真正成熟的AOI行動層必須同時具備速度、可追溯性、可逆轉性與責任邊界。能採取行動不等於可以任意行動，系統還要知道何時應停下來，把權力交還給人。

從檢出不良到改變生產

傳統AOI多以警示燈、聲響、螢幕框選與NG分流回應異常，後續再由複判站確認、維修站重工。這種流程的優點是責任清楚、風險較低，缺點則是反應常落後於製程：等到人員在報表上看見缺陷上升，前端機台可能已生產數十或數百件同類產品。若影像、工單與設備資訊彼此分離，工程師還要花時間尋找批次、機台與配方，品質管理便容易停留在事後攔截。

行動型AOI把檢測站接到輸送帶、機械手臂、PLC與MES。低風險異常可自動標記或分級，高風險異常則啟動隔離、降速或停線；需要多視角確認時，機器人可抓取、翻面並重新拍攝。更進一步，系統可依缺陷趨勢要求上游設備微調溫度、壓力、位置或速度，再用下一批影像驗證效果。AOI於是從產線末端的品質守門員，逐步成為製程中的即時控制節點。

不過，改變生產必須遵守「最小必要行動」。單一低信心警報不宜直接停線，可先提高抽檢比例或送往複判；當同類缺陷連續出現、風險升高且多項證據一致時，才升級控制層級。這種分級反應能避免AI誤判放大成產能損失，也讓每一步處置都有明確觸發條件、負責人與解除方式。

AOI閉環控制的五個階段

閉環的第一階段是觀察：同步擷取影像、3D輪廓、光譜、設備參數、材料批號與環境資訊。第二階段是判斷：辨識缺陷、估算嚴重度與不確定性，並確認資料品質是否足以支持決策。第三階段是決策：依產品風險、品質規範、產能與處置成本，選擇放行、分流、複檢、調參或停線。這三步把「看見」轉換為「應該做什麼」。

第四階段是執行，由PLC、機器人、輸送系統、MES或人員工作站落實指令。第五階段是驗證：重新檢查產品與後續批次，確認行動是否降低缺陷，而非產生新的副作用。驗證結果再回寫資料庫、知識庫與模型監測系統，形成下一輪學習。若缺少最後一步，所謂閉環只是單向自動化；設備雖然動了，系統卻不知道動作是否正確。

每一階段都應留下時間戳、產品識別碼、輸入證據、模型與規則版本、指令、執行結果及人工介入紀錄。如此才能回答：哪個判定造成哪個動作？動作是否真的被設備接受？改善後的產品是否通過複驗？完整事件鏈不只是稽核需求，也是模型與製程持續改善的基本資料。

圖一 : AOI閉環控制的五個階段，由觀察、判斷、決策、執行與驗證構成。

行動不是只有OK與NG

製造現場的處置遠比二元分類豐富。確認正常的產品可以放行；外觀輕微但需要追蹤者可標記或分級；不確定案例可重新量測、改用不同光源或交由人工覆核；可修復缺陷送往重工；若缺陷集中於特定工具、配方或材料，則可要求更換工具、調整參數或召回上游批次。只有當風險與證據達到門檻，才啟動停止設備或整批隔離。

因此，AOI輸出最好包含缺陷類別、位置、嚴重度、信心、建議處置、替代選項與升級條件，而非只傳送一個NG位元。MES可以依工單與客戶規格決定分流路徑，PLC只接受其權限範圍內的安全指令，維修系統則建立重工任務。把不同動作拆給適當系統，可降低單點錯誤，也避免視覺模型直接控制它不了解的設備。

行動設計還要考慮可逆性。標記、隔離、降速與重新量測通常容易恢復，直接報廢、永久修改配方或停掉整條產線則代價較高。高代價行動應要求更多證據、雙重確認或人員批准；低代價行動可較積極自動化。這種「可逆性優先」原則，是AI進入實體製造時的重要安全閥。

AI模型如何選擇行動

最基本的方式是固定規則決策，例如連續三件出現同類高風險缺陷便停線，或異常分數介於兩個門檻時送往人工複判。規則容易解釋與驗證，適合安全邊界與法規要求；機率與風險模型則可綜合缺陷信心、產品用途、批次影響和下游成本，處理較多變的情境。兩者結合，往往比單靠黑箱模型更符合工廠治理需求。

成本敏感模型把漏檢、誤報、重工、停線、客訴與事故的代價納入決策。它提醒管理者，最高準確率未必等於最低總成本：對安全關鍵零件，漏檢代價遠高於誤報；對高產量低風險產品，過度停線可能造成更大浪費。模型應在品質、安全與產能之間提出透明的權衡，而不是用單一分數掩蓋價值選擇。

強化學習可以從回饋中尋找製程調整策略，但不適合毫無限制地在線試錯。較穩健的路徑，是先在數位分身或歷史回放中模擬，限制可調參數與幅度，再以影子模式觀察建議，最後才允許人類批准的半自動閉環。完全自動閉環宜限於物理機制明確、反應快速、風險可控且有可靠回退策略的製程；超出適用範圍時，系統應退回建議模式。

Edge AI、Cloud AI與工廠主機的分工

邊緣端靠近相機與設備，適合執行高速推論、影像前處理、簡單分類與安全聯鎖，即使外網中斷仍能維持基本檢測。工廠主機負責模型版本、規則、影像履歷、跨站關聯與MES整合；雲端則適合跨廠分析、大型模型訓練、知識檢索與低頻複雜案例。分工的核心不是把運算平均分配，而是依延遲、資料敏感度、可用性與責任決定任務放在哪裡。

邊雲協作可由輕量模型先處理常見、清楚且高信心的案例，只有複雜場景、未知缺陷或模型衝突才送往雲端多模態模型。2025年的SAEC研究便以場景複雜度估計器與自適應排程，把容易案例留在邊緣、疑難案例升級雲端，呈現即時性與推理能力兼顧的方向。研究數據仍需在真實產線重複驗證，但其架構已指出未來AOI不必在「全邊緣」與「全雲端」之間二選一。

敏感影像、配方與客戶產品資料可留在廠內，只上傳特徵、匿名化片段或必要證據。系統還要設定雲端逾時、網路中斷與服務異常時的降級模式：例如維持本地規則、提高人工抽檢或暫停高風險自動調參。能在失去雲端時安全運作，才是真正可用的工業AI。

圖二 : 邊緣、工廠主機與雲端依延遲、敏感度及任務複雜度分工。

AOI與工廠系統整合

AOI要驅動行動，必須把模型輸出轉成工廠系統能理解的事件與指令。PLC與運動控制負責毫秒至秒級動作，SCADA與HMI呈現設備狀態及人工操作，MES管理工單、路由、批次與產品履歷，SPC監控制程趨勢，ERP與供應鏈系統則處理材料、交期與追溯。數位分身可在執行前模擬路徑、節拍與參數影響，降低直接試錯的風險。

在電子組裝領域，IPC-CFX提供設備與資訊系統之間的垂直訊息交換，IPC-HERMES-9852則著重SMT產線設備之間的水平傳遞與板件數位身分。IPC在2025年發布的CFX 2.0進一步加入AGV、AMR、板材供應商追溯與動態配方變更等訊息，使品質事件更容易連到物流、材料與設備操作。標準的價值不只在連線，而是讓「缺陷、產品、配方與行動」使用一致語意。

德律2024年發布的TR7700QC SII 3D AOI支援IPC-CFX與IPC-HERMES-9852，反映檢測設備競爭已從準確度延伸到資料交換與跨設備協作。真正的閉環仍需在標準訊息之外定義權限：模型可提出什麼建議、MES可下達哪些任務、PLC接受何種參數範圍，以及誰能批准停線。通訊打通只是起點，控制責任才是整合的核心。

圖三 : 德律TR7700QC SII 3D AOI支援IPC-CFX與IPC-HERMES-9852智慧工廠標準。來源：德律科技。

移動式AOI：機器人帶著視覺去檢查

固定相機適合節拍穩定、視角固定的產品；協作機器人則能帶著相機改變距離與角度，檢查大型、曲面、深孔或多面物件，必要時翻面、抓取與複檢。AMR可把視覺帶到設備、倉儲與公共空間，執行巡檢、熱點讀值、洩漏或環境異常辨識。移動式AOI擴大了可觀察範圍，也把路徑規劃、碰撞風險與動態影像品質納入系統設計。

3D視覺可協助機器人定位、抓取與建立檢測軌跡， 數位分身則可預先模擬可達。

達明的TM AI+ AOI Edge可在沒有機器手臂時，以工業電腦和外接相機執行辨識、量測與影像任務，也可與TM AI Cobot協作完成較複雜檢查。這代表未來工廠會同時存在固定式、機器人式與混合式部署：同一套模型與影像管理機制，可依工位空間、產品變化與投資成本選擇不同載體。

圖四 : 達明機器人展示AI視覺瑕疵檢測，呈現機器人與視覺協作的移動式AOI方向。來源：鑼昇企業／達明機器人。

誰為AI行動負責

AI誤判可能造成不必要停線，漏檢則可能讓不良品進入市場；當模型供應商、設備商、系統整合商與工廠共同參與時，責任不能留到事故後才討論。導入前應以契約與技術文件界定模型用途、資料條件、性能門檻、設備權限、維護責任與更新流程。使用者也需確保現場條件符合驗證範圍，不能把超出設計邊界的操作全部歸咎於模型。

高風險製程應保留人工批准、緊急停止與接管權。每項AI行動都要記錄原始證據、信心分數、模型版本、規則、批准者、設備回應與驗證結果，以便稽核與事故調查。NIST AI RMF主張部署後監測、申訴與覆核、停用、事件回應及變更管理，這些原則放到AOI，就是讓現場人員能看懂、推翻並安全終止AI指令。

模型更新也可能改變設備行為，因此不能只檢查準確率。重新驗證應涵蓋不同產品與缺陷、極端情境、延遲、通訊失敗、權限與回退機制；重大更新可先在影子模式運作，再逐步擴大控制範圍。責任治理的目的不是阻止自動化，而是讓每一項自動化能力都對應清楚的證據與承擔者。

圖五 : AI行動需由模型、設備、工廠與現場人員共同建立責任邊界。

從「零缺陷」走向「最低總體代價」

追求零缺陷若被簡化成「所有可疑品都報廢」，可能帶來材料、能源、工時與碳排的另一種浪費。AOI行動層應把報廢、重工、停線、客訴、保固、安全與環境成本一起計算，尋找最低總體代價。對可修復或僅外觀差異的產品，分級、重工、降級使用與循環利用，往往比直接丟棄更符合品質與永續。

精準的缺陷定位可減少整件拆換，趨勢監測可在工具完全損壞前安排維護，製程調參可降低原料與能源消耗；同時，產品品質履歷能支持維修、再製與壽命延長。這使AOI不只是攔截不良，也能辨識哪些部分仍有價值，幫助物料適得其所。環保並非品質的附加條件，而是衡量品質決策是否完整的一部分。

然而，最低代價不能只以短期財務計算。安全風險、環境外部成本、勞動負荷與品牌信任都應被納入；某些高風險缺陷即使發生率低，也不能用增加產能抵銷。合理的目標是以人與環境可接受的邊界為前提，再優化材料、能源與產能，而非讓AI替企業把不可接受的風險合理化。

服務業與公共場域的行動邊界

當視覺檢測走出工廠，觀察對象可能由產品變成人與環境。醫療可用影像協助發現風險，照護場域可辨識跌倒，餐飲可監測衛生流程，零售與公共安全也會使用異常偵測；但「異常行為」不能被直接等同於人格、意圖或罪責。產品沒有隱私與申訴權，人卻有，因此工業AOI的自動閉環不能原封不動移植到社會治理。

服務與公共場域應遵守目的限定、最小蒐集、明確告知、保存期限與存取控制。模型輸出宜作為提醒與輔助證據，而不是自動拒絕服務、處罰或公開標記個人。涉及權益的判定必須提供人工覆核、說明與申訴管道，並檢查不同人群、光線、服裝與行動能力下是否產生偏差。

技術能做什麼與社會允許做什麼，是兩個不同問題。AOI若延伸為治理工具，便需要工程師、管理者、法律、倫理與受影響者共同界定行動邊界。真正的人本智能，不是把所有看見的事情都變成控制，而是知道哪些情境只能提醒、哪些資料不該保存，以及哪些決定必須由人承擔。

結論：能行動的AOI才是真正的智能系統

AOI的終點不是判定，而是使生產系統做出適當、可追溯、可逆轉且由人負責的行動。感測提供事實，模型建立意義，行動層則把意義轉為設備、物流與人員流程；三者缺一，智能系統便無法完成閉環。

未來競爭不只在更大的模型或更高的檢出率，而在於能否以標準化資料連接工廠、依風險分級自動化、在邊緣與雲端間妥善分工，並用驗證結果持續修正。當AOI能在安全邊界內改變製程，又保留人工接管與責任記錄，它才真正從檢驗設備升級為生產決策系統。