疫情突顯產業供應鏈中斷和製造業缺工問題，加上少量多樣需求成趨勢，迫使製造業快速轉型，走向更自動化、數位化的智慧化方向。因此，各產業對自動光學檢測(AOI)技術的需求更為殷切。

疫情突顯產業供應鏈中斷和製造業缺工問題，加上少量多樣需求成趨勢，迫使製造業快速轉型，走向更自動化、數位化的智慧化方向。導入自動化及AI的過程中，傳統人力逐漸被取代，也改變產線人員配置的傳統生態，其中，可以確保產線及產品品質的自動檢測儀器不僅發揮精準有效的優勢，還能針對缺陷或瑕疵及時修復、捨棄，降低不必要的時間成本與人力成本，快速穩定且一致的檢測結果大幅提高製程的完整性及正確性，因此，各產業對自動光學檢測(Automatic Optical Inspection；AOI)技術的需求更為殷切。

傳統AOI需要再進化

AOI是高速、高精度光學影像檢測系統，以機器視覺做為檢測標準技術，改善傳統人力使用光學儀器執行檢測的缺點，常見應用範疇包含高科技產業研發、製造業品管等，電力、機器人控制、生物醫學、醫療、衛星遙測、宇宙探測、國防、汽車工業、半導體、環保等領域也能看到AOI的諸多應用。

非接觸AOI技術是利用光學儀器取得成品樣態，透過電腦影像處理技術檢查出異常或瑕疵，技術領域包含光學照明技術、量測鏡頭技術、定位量測技術、影像處理技術、自動化技術、電子電路測試技術等，透過光學照明(如CCD攝影機、光學鏡頭)、機器人介面與驅動裝置(如機器手臂)、電控系統(如PC Base控制主機)、視覺軟體(如演算法、影像處理軟體)的串聯，取得自動光學檢測結果。藉由AOI針對缺陷或瑕疵的及時修復、調整或捨棄，大幅降低不必要的成本支出。

不過，傳統AOI品檢容易產生過篩率偏高、上線時間長、不夠彈性、無法解決光學光影干擾等問題。舊式的光學檢測是透過沒有學習功能的傳統演算法進行，過篩率非常高，業者需要額外花費時間進行二次人工篩檢分類，無形中提高成本支出。傳統AOI系統在每一次上線時要不斷調整設定，無法彈性調整生產內容，難以滿足彈性化、客製化生產需求。

此外，AOI檢測只能以設定好的參數標準進行判斷，須要先行定義瑕疵樣本，再透過樣本進行篩檢。如果能導入AI，可以大幅改善AOI的不足，如優化AOI影像判讀，降低誤判率，不僅可以提高AOI品檢的可靠性，還能減少二次人工檢驗成本；智慧目視檢測可以自動判斷產品外觀，結合影像資料劃分重點檢查區；產線可視化可以提供機台即時監控，記錄影像資料。

以金屬工件檢測為例，因為物件表面會反光，檢測時要反覆轉動，檢驗人員容易疲累，效率難以提升，加上人員素質與主觀認知等差異，導致過篩率偏高；汽機車零組件的煞車碟盤常有刮痕、裂痕、撞傷、污漬等細微瑕疵，透過機器視覺加上AI演算，很容易檢測出瑕疵。

AOI導入AI趨勢不可擋

未來，AOI導入AI智慧製造是企業生存關鍵，預估2024年全球智慧製造市場規模上看4,000億美元，年複合成長率達10.1%，在此趨勢下，製造業更需要智慧化的檢測系統，應用AI技術輔助AOI設備進行後續篩檢優化即為一例。工研院產科國際所數據指出，2022年全球AOI檢測系統市場規模預測達10億美元，2020年至2025年間的年複合成長率達17.7%。在工業4.0及智慧製造潮流驅動下，愈來愈多製造領域採用AOI搭配AI的整合應用，其中以半導體領域最為積極。

圖1 : 全球AOI技術的市場規模。(source：工研院產科國際所；2022年3月)

雖然生產過程中可以透過物聯網（IoT）和數位系統軟體工具結合OT與IT，達到蒐集數據、即時人機協作等目的，但是，人力目視檢測進料、檢驗、成品組裝、入庫、出貨檢驗等流程容易產生缺點，需要AOI搭配AI智慧影像辨識改善這些缺點。除了缺工、工作人員老化等問題，人工檢測常因個人經驗的良莠不齊(如手感差異、標準不一)導致品質與產量不均，長時間用眼容易疲勞，很難維持長期的標準化和數據化統一，容易影響產能輸出，此外，以人工記錄生產產量、檢驗狀況也容易產生疏漏及資訊延遲等現象，增加客訴率、品質不良率與成本耗損率。

至於傳統的AOI檢測設備需要控制環境、光源及拍攝角度等細節，量測目標特徵也要相當明確，才能發揮AOI機器篩檢的品質，一旦檢測新設計或新產品時，自動光學檢測流程需要重新設置，相對耗費成本。

AI具有深度學習（Deep Learning）技術及模型訓練，可以很好地被應用於AOI瑕疵檢測領域，如雷射焊接自動控制、金屬瑕疵與鏽蝕檢測、紡織品花紋瑕疵檢測等，只要蒐集大量預先處理好的影像並標註影像種類(如瑕疵種類)，透過AI深度學習與模型訓練搭配AOI，不僅可以快速上線，還能自主學習，將人工檢測經驗模型化後，利用演算法分析判斷，建立線上檢測資料庫，透過影像判讀瑕疵，不需等最後一步才做終檢，這樣的流程可以達到即時檢測、及時修正的效果，發現良率下降時也可以立即調整產線、設備及人力，避免成本的浪費。

另一方面，AI將人工檢測經驗模型化後利用演算法分析判斷，不僅相當靈活有彈性，可以提高精準度與持續性，還可以降低對人工的依賴、降低人員的工作負擔，並且大幅提高生產效率。因此，近年來AOI結合AI已逐漸成為主流標配。

工研院產科國際所執行產業技術基磐研究與知識服務計畫產業分析師黃仲宏，以台灣發展逾40年的印刷電路板(PCB)產業為例，說明AOI的進化與需求刻不容緩。首先是5G的加速推展與應用帶動產業發展及變化，應用上必須考量更多，如高頻訊號損失、傳輸速度、模組整合度、系統穩定度與功耗等細節，而5G硬體系統的零組件規格比4G高出許多，帶動基頻晶片、印刷電路板(PCB)、天線、射頻前端及散熱元件等零組件的發展。

由於5G高速通訊、低延遲、高布建密度的特性，帶動PCB朝面積擴大、層數增加、線路設計複雜等趨勢發展，為達輕薄短小、高效運算(HPC)裝置微型化等需求，PCB業者以高密度連接板(Any-Layer HDI)、軟硬結合板、IC載板等技術因應，希望藉由體積優勢，開發更多應用方式。當PCB產業趨勢因為細線距、多層數等技術帶動產品升級，藉由AI加速製程及瑕疵檢驗更加刻不容緩。

此外，Mini LED顯示器加速落地，磊晶廠產出的磊晶波長、電性等規格差異大，需仰賴設備廠的檢測與分選才能提供高一致性的LED晶片，這些需求也會帶動AOI技術加速改變。

圖2 : 異質封裝技術等趨勢帶動AOI朝極精密檢測發展，比方檢查晶圓狀況與金屬殘留。(source：CTIMES資料照)

若以半導體為例，半導體製程已進入5奈米、7奈米微縮，技術難度愈來愈高，而先進製程趨勢是晶片朝多層堆疊發展，如此可以使晶片體積更小、更省電、更有效能。進化中的3D堆疊技術、異質封裝技術等趨勢帶動AOI朝極精密檢測發展，比方檢查晶圓狀況與金屬殘留，提升良率或改善問題。

舊式瑕疵檢驗以人眼進行檢測，有主觀判斷標準不一、眼睛疲勞不易持續等干擾因素可能降低精準度，因此，導入AI瑕疵檢測有其必要性，結合機器視覺與AI技術有助晶圓電路缺陷分析，開發高速精確電路瑕疵檢測，大幅縮短檢測時間，提升晶圓產能及良率。

隨著異質晶片整合製程需求大增，封裝技術更為重要，3D封裝成為台積電、Intel、三星等國際大廠的布局重點，台灣主要封測廠也鎖定研發系統級封裝(SiP)及整合天線封裝(AiP)，帶動打線接合(Wire Bonding)的3D自動光學檢測需求。

極精密檢測 3D AOI占有一席之地

一般來說，需要使用AOI篩檢的產線多半具有相對大的產量或相對高的產品品管要求，而且多與高單價產品有關，如PCB、半導體、手機零件、醫療器材等產業，對於這些生產線來說，維持並提升良率非常重要。

AOI並非單純地檢查、排除瑕疵品，也扮演資料蒐集者角色，只要善用AOI取得的大量瑕疵數據，經過合理分析、歸納，就可以找出製程或產品不良原因。

圖3 : Mini LED顯示器加速落地，需仰賴設備廠的檢測與分選才能提供高一致性的LED晶片，這些需求也會帶動AOI技術加速改變。(source：corbeauinnovation)

隨著愈來愈多產業採用AI搭配AOI光學檢測的整合應用，導入AI AOI自動化品質檢測升級，台灣業者也加速瞄準AOI產業新藍海，如今年9月的「SEMICON Taiwan 2022國際半導體展」中，晶彩科技即展示AI AOI解決方案，透過全新開發的AI即時檢量測功能，同時進行Carrier上晶片外觀缺陷檢測及偏移/旋轉/傾斜檢知與量測，大幅提升缺陷檢出命中率並有效降低誤檢率。

不少AOI廠商是以規則系統(rule-based)做缺陷檢測，傳統方法檢測不好才會導入AI，目前已逐漸進展到在少量多樣、快速變化的產品檢測中導入AI演算法，應用AI中的深度學習技術。隨著先進製程中的AOI技術如矽晶圓檢測、PCB的IC載板檢測、半導體封裝測試檢測、Mini LED檢測等日益受到重視。

工研院產科國際所執行產業技術基磐研究與知識服務計畫產業分析師黃仲宏預期，3D AOI技術將占未來市場大宗，線寬、線距縮小能有效增加封裝的腳位及縮短訊號延遲時間，提升整體系統效能。由於高階應用的電子零件需求與PCB複雜度增加(線距縮小)，AOI難度隨之提升，但是未來線寬線徑小於5um的AOI檢測會有一定的市場需求。

另一方面，隨著3D堆疊技術、異質封裝技術不斷演進，AOI未來將朝極精密檢測方向發展，如碳化矽(SiC)晶圓檢測、AiP(Antenna-in-Package)載板檢測、半導體先進封裝測試檢測、Mini LED的AOI設備等，帶動全球AOI市場蓬勃發展。