AI 視覺檢測是什麼？為什麼傳統 AOI 越調參數，還是需要人工複檢？

產線已經裝了 AOI，檢測站後面卻還是坐著一排人在複判。這是很多電子與半導體廠共同的現況，也是 AI 視覺檢測最常被提起的原因。

AI 視覺檢測是利用機器視覺取得產品影像，再透過機器學習或深度學習模型辨識瑕疵、缺陷與異常的自動品質檢測方法。

先校正一個常見的誤解：嚴格來說，AI 視覺檢測和 AOI 並不是互斥的兩種技術。AOI（Automated Optical Inspection，自動光學檢測）是檢測方式的統稱，AI 也可以整合進 AOI 設備裡。本文比較的，是「導入深度學習的 AI 視覺檢測」與「傳統規則式 AOI」。

也因此，這篇的結論不會是「AI 取代 AOI」。更常見、也更可行的做法，是讓 AI 補足傳統 AOI 在複雜瑕疵判斷上的不足，各自負責擅長的部分。

AI 視覺檢測是什麼？

AI 視覺檢測（AI Visual Inspection）又常被稱為 AI 瑕疵檢測或 AI 缺陷檢測。它與傳統做法最根本的差別在於判斷依據的來源：傳統 AOI 由工程師事先定義判斷規則，AI 視覺檢測則是讓模型從實際影像中學習正常品與瑕疵品的視覺特徵。

換句話說，前者是「人告訴機器什麼叫瑕疵」，後者是「人提供範例，讓模型自己學會瑕疵長什麼樣」。

從取像到判定的完整流程

一次檢測的路徑通常是：相機在固定光源下取像，影像經過前處理與校正，送入 AI 模型推論，輸出 OK／NG 判定與瑕疵位置，再把結果回傳到產線控制與品質系統。

這條路徑上最容易被低估的是取像品質。光源、鏡頭、角度與對焦如果不穩定，模型看到的就是不一致的輸入，再好的演算法也補不回來。

四種常見的檢測任務

「用 AI 做檢測」在實務上其實對應到幾種不同的任務型態，選錯型態會直接影響需要的資料量與可行性：

• 影像分類（Classification）：判定整張影像是良品還是不良品
• 物件偵測（Detection）：框出瑕疵的位置與類別
• 語意分割（Segmentation）：逐像素標出瑕疵範圍，適合量測面積或長度
• 異常偵測（Anomaly Detection）：主要以正常品學習分布，用於樣本稀少的異常

需要判斷「有沒有」的任務，分類就夠；需要回答「在哪裡、多大」的任務，才需要偵測或分割。瑕疵樣本極少的場合，異常偵測往往比硬湊分類資料更務實。

從更大的架構看，視覺檢測是 Physical AI 感知層的一部分。關於 AI 如何從感知一路走到控制實體設備，可以參考本站另一篇〈Physical AI 是什麼？從實體 AI、具身智慧到智慧製造應用一次看懂〉。

AOI 自動光學檢測是什麼？

AOI 的全稱是 Automated Optical Inspection，中文譯為自動光學檢測。它以相機與光源取得產品影像，再用影像處理演算法比對預先設定的判斷條件，輸出 OK／NG 結果。

傳統 AOI 的判斷依據是工程師寫下來的規則：灰階閾值、邊緣位置、顏色範圍、對比度、樣板比對、幾何尺寸。條件符合就是良品，超出範圍就是不良品。

這裡要說清楚一件事：AOI 不是落後技術。對於尺寸、位置、角度、有無、幾何邊界這類明確、穩定、可以寫成規則的任務，規則式機器視覺至今仍然非常適合——它快、結果可複現，而且判斷邏輯人看得懂。

真正的問題不在 AOI 本身，而在於製造現場有一部分瑕疵，本來就很難用規則描述清楚。

為什麼傳統 AOI 做久了，還是會遇到三個瓶頸？

規則式 AOI 的三個瓶頸，都源自同一件事：判斷條件是人事先寫死的。

1. 換產品、換製程，規則可能要重新調整

一組調好的參數，是綁在特定產品、特定治具、特定光源條件上的。產品外觀改版、換料、換供應商，或現場光線與鏡頭狀態改變，原本的閾值就可能不再適用。

少量多樣的生產型態會把這個成本放大。機種越多、換線越頻繁，工程師花在重新調參數上的時間就越多，而這段時間通常是壓在量產排程上的。

深度學習方法的差別在於，面對新產品時可以用新的影像資料重新訓練或微調模型，而不必回頭重寫底層的判斷邏輯。

2. 正常變異太多，容易產生誤判

這是現場最痛的一點。真實產品的外觀本來就有自然變異：反光角度不同、批次色差、表面紋理、材料自然差異、印刷濃淡。這些都是良品，但在規則眼裡可能超出範圍。

於是參數只能在兩種錯誤之間拉扯。規則抓太緊，良品被誤判成 NG，也就是誤報（False Positive）；規則放太寬，真正的瑕疵被放過，也就是漏檢（False Negative）。

製造現場通常不敢放寬，因為漏檢會流到客戶端。結果就是選擇容忍高誤報率——把問題往後推給人工複檢。

而「什麼程度算瑕疵」本身也不是非黑即白。國際電子工業聯接協會（Association Connecting Electronics Industries, IPC）的 IPC-A-610 電子組裝驗收標準，就把焊點外觀分成理想、可接受與缺陷等不同等級，並依產品等級採用不同判準。這種帶有等級與情境的判斷，本來就不容易壓縮成單一閾值。

3. 沒被寫進規則的新型態缺陷，很難處理

規則只能抓它被設計去抓的東西。製程飄移、新供應商的材料問題、治具磨耗帶來的新缺陷型態，如果不在既有規則的描述範圍內，就可能整批通過。

這裡要避免一個常見的誇大說法：AI 並不會自動「發現所有未知瑕疵」。比較準確的說法是，透過異常偵測，或從正常與異常影像中學習視覺分布，AI 對形態不規則、變異大的異常通常有較大的處理彈性。

但它仍然受限於訓練資料看過什麼。一個從未在資料中出現、且外觀落在正常分布內的缺陷，AI 一樣可能放過。

為什麼裝了 AOI，產線後面還需要人工複檢？

把上一段的誤報問題往下推一步，就會得到現場最典型的那條動線：

• AOI 檢測站判出 NG，寧可多抓不可漏抓
• NG 品集中送到複判站（Review Station）
• 作業員逐片目視，把誤報挑回良品
• 剩下的才是真正需要維修或報廢的不良品

這條動線的荒謬之處在於：誤報率越高，設備檢得越快，後端的人就越忙。自動化提升的產能，有一部分被複判工時吃掉了。

而人工複判本身也有代價。判斷標準會隨人、隨疲勞程度、隨班別漂移，同一片板子不同人看可能得到不同結論，品質資料因此也不夠一致。

所以評估 AI 視覺檢測時，真正該問的往往不是「準確率能到幾成」，而是「能不能把複判站的工時降下來，同時不讓漏檢變多」。這是一個比單一準確率數字更貼近成本的指標。

AI 視覺檢測怎麼補足傳統 AOI？

把差異濃縮成一句：傳統 AOI 是人告訴機器什麼叫瑕疵，AI 視覺檢測是人提供範例、讓模型學習瑕疵長什麼樣。這個轉變帶來三件具體的事。

一、從寫規則變成學特徵

工程師的工作內容跟著改變：不再是逐條調整閾值與樣板，而是準備具代表性的影像、定義清楚的標註規範，以及驗證模型在哪些情境下會失手。

這對難以言語化的瑕疵特別有用。很多老師傅一眼就看得出來、卻講不清楚判斷依據的缺陷，用範例反而比用規則更容易表達。

二、從固定閾值變成機率判斷

模型輸出的通常是信心分數，而不是非黑即白的通過與不通過。這讓判定門檻變成可以調整的營運決策：要更保守地少漏檢，或更積極地少誤報，可以依產品等級與客戶要求分別設定。

低信心的樣本也可以單獨導向人工複判，讓人力集中在真正模糊的案例上，而不是整批 NG 都重看一遍。

三、從單一缺陷變成複雜變異

規則擅長描述形狀固定、位置明確的目標；深度學習模型則相對能處理紋理、髒污、刮痕、色差這類形態不固定的瑕疵，也比較容忍良品本身的自然變異。

這也是目前工業視覺的技術脈絡——包含 NVIDIA 與主要機器視覺廠商在內——普遍把深度學習定位在「難以用傳統規則描述」的檢測任務上，而不是拿來取代量測與定位。

AI 視覺檢測與傳統規則式 AOI 有什麼不同？

把兩者放在一起比較，會看得更清楚它們適合的問題並不重疊：

表格最後一列才是重點：這不是二選一的題目。把能寫成規則的事情交給規則式 AOI，把難以寫規則的判斷交給 AI，是目前工業機器視覺比較合理的架構。

兩者也各有代價。規則式方法的判斷邏輯直觀、幾乎不需要訓練資料；AI 模型的可解釋性相對低，而且需要足夠且具代表性的樣本才能穩定。導入時要換的不只是演算法，還有資料流程。

既有 AOI 產線也能導入 AI 嗎？

不一定需要把整套 AOI 打掉重做。AI 視覺模型可以視既有相機、影像品質、運算資源與系統介面，整合進現行的檢測流程，常見的做法是讓 AI 承接複判這一段，先處理設備判出的 NG 品。

不過要誠實說明：能不能沿用既有硬體，要看現場。相機解析度與取像穩定度是否足夠、光源是否需要補強、有沒有可用的邊緣運算資源、觸發訊號與 PLC／MES 介面怎麼接，都會影響實際的整合範圍。

一個實務上的前置條件容易被忽略：既有 AOI 有沒有在保存影像。如果過去只留下判定結果而沒有留影像，訓練資料就得從零開始累積，時程會被拉長。

優那科創 AI 視覺檢測平台的設計方向，是以既有產線整合為優先，盡量降低重新改造硬體與自動化架構的需求，並將檢測結果併入既有的品質與監控介面。

AI 視覺檢測怎麼導入既有產線？

一條可執行的導入路徑大致如下：

• 定義檢測目標：鎖定要抓的缺陷類型與可接受的誤報、漏檢水準
• 蒐集影像：累積涵蓋各種批次、光線與外觀變異的 OK／NG 影像
• 標註與清洗：統一標註規範，排除取像失敗與標註矛盾的樣本
• 訓練與驗證：以未參與訓練的資料驗證，並刻意測試邊界案例
• 串接現場：與既有 AOI、設備訊號及 MES／品質系統對接
• 回饋優化：把現場誤判案例收回來，定期重新訓練

真正的瓶頸幾乎都在第二與第三步。缺陷樣本天生稀少，而標註規範不一致會直接讓模型學到互相矛盾的判準——同一種焊點，兩個人標成不同結論，模型就無法收斂。

驗證資料集也必須涵蓋預期會遇到的影像變異。只用乾淨、條件一致的影像驗證出來的高準確率，上線後往往撐不住。

最後一步同樣不能省。製程會飄移、材料會換、治具會磨耗，模型需要靠現場回饋定期更新，才不會隨時間退化。

AI 視覺檢測可以用在哪些製造場景？

半導體：後段封裝的瑕疵檢測與批次追溯

後段封裝的缺陷型態複雜、容錯極低，而且產線不容許長時間停機做測試。優那科創的自研 AOI 智慧檢測模型覆蓋錫球、封膠、金線等關鍵瑕疵類型，並與客戶既有 MES 資料流對接，提供即時良率追蹤與批次追溯。

在優那科創的半導體應用案例中，AOI 智慧檢測模型的判定精度已足以支撐量產線的檢測需求，整體導入也在數週內完成。實際結果仍會受缺陷種類、影像品質、樣本資料量與現場條件影響。

國際半導體產業協會（Semiconductor Equipment and Materials International, SEMI）長期將自動化檢測與設備資料整合視為智慧製造的基礎環節，這也是檢測結果必須回流到 MES 而不只停在設備端的原因。

電子製造：PCB 與 SMT 的三大關卡

SMT 產線的良率往往取決於錫膏印刷、貼裝與回焊三個環節。優那科創的深度學習視覺檢測模型可即時識別偏移、少錫、空焊、翹腳、極性錯誤等常見缺陷，並整合即時監控儀表板，讓管理者從單一介面掌握關鍵製程良率與稼動率趨勢。

在優那科創的電子製造案例中，方案導入數個月後，關鍵製程良率與產線 OEE 稼動率都取得可量測的改善，人工複檢工時也明顯下降。實際改善幅度仍依產品類型、既有檢測架構與場域條件而異。

值得注意的是這幾項改善之間的關係：良率與稼動率的提升，有一部分正是來自複判工時下降——現場不必再用人力去消化誤報，產線節奏才跟著順。

這也說明檢測站的價值不會停在站點本身。當判定結果與影像回流到 MES，成為良率與稼動率指標的一部分，AI 視覺檢測就變成整條產線資料閉環的一環。這個閉環的全貌，可以參考本站另一篇〈智慧工廠是什麼？裝了機械手臂、自動化設備，就算智慧製造了嗎？〉。

AI 視覺檢測不只是「把 AOI 換成 AI」

把 AI 視覺檢測理解成換一套演算法，通常會導向錯誤的期待：以為買到更高的準確率數字，複判站就會自然消失。

實際改變的是判斷依據的來源。從「工程師事先寫死規則」變成「用現場影像持續教模型」，這代表品質資料本身成了資產——影像有沒有留、標註規範是否一致、誤判案例有沒有被收回來，都會直接決定檢測能力的上限。

對經營層來說，這也讓檢測從一次性的設備採購，變成一條可以隨製程一起演進的能力。產品改版時要重調的不是整組參數，而是餵給模型的資料。

讓規則負責它擅長的量測與定位，讓 AI 負責難以言語化的瑕疵判斷——這才是 AI 視覺檢測在製造現場真正的位置。

優那科創：AI 視覺檢測平台

優那科創（UnariQ）聚焦於 Physical AI、數位孿生、Sim2Real 與機器人自動化應用，AI 視覺檢測平台以自研深度學習模型為核心，涵蓋瑕疵偵測與分類、視覺感知與環境理解，並整合即時監控儀表板。

導入方式以既有產線整合為優先，先釐清要抓的缺陷類型與可接受的誤報水準，再從單一站點的概念驗證開始，把資料、標註與驗證流程一次跑通，之後才往其他工站複製。

優那科創，讓品質判斷從人工經驗，變成可累積、可驗證的能力。