AOI事实层的感测、量测与资料工程

在智慧制造中，AOI的可靠性取决於影像与量测资料的稳定性，而非仅是模型叁数。第一篇探讨AOI的「眼睛」与「感觉器官」，从人工检查的限制着手，讨论感测器、光学配置、3D量测及评估指标，强调AI视觉在工厂应用前需建立可重现、可比较和可追溯的事实层。

制造业导入AOI的起点，通常不是追求科技感，而是为了解决人工目视检查的老问题：疲劳、主观、速度不足，以及同一缺陷在不同检验员之间出现判断落差。人工检查能够凭经验理解异常，但人的注意力会随班别、工时与情境改变；在高速、微小化与高混线生产的环境中，抽样检验也越来越难承担品质保证的压力。

AOI因此把「看见」制度化。典型系统包括光源、镜头、2D或3D相机、感测器、影像撷取卡、运动平台、定位系统，以及工业电脑或边缘运算设备。这些元件不是简单堆叠，而是共同决定影像的对比、解析度、景深、畸变、杂讯与定位精度。工研院AOI光学检测课程也把打光策略、成像品质、SNR与不同材质缺陷的光源配置列为实务重点，显示现场问题往往先发生在光学与硬体整合，而不是演算法本身。

更重要的是，「看见」与「量到」并不相同。影像辨识可以回答是否有刮伤、异物、偏移或脏污；尺寸量测还必须回答像素如何换算为实际尺寸、量测基准在哪里、校正程序是否一致、不同机台之间能否比对。AOI的任务也不只是一句OK或NG，而是涵盖检出、分类、定位、分割与计量。当制程要求从缺陷拦截走向根因分析，影像就必须变成可分析的量测资料。

图一 : AOI事实层的工作流。

超越可见光：AOI感测范围持续扩张

早期AOI以可见光影像为主，透过同轴光、侧光、背光、多角度照明与偏振控制，让原本不明显的表面特徵被凸显出来。这套方法至今仍是工业视觉的基本功，因为缺陷不是自己出现在画面里，而是被光线、材料与镜头共同「翻译」成可被辨识的讯号。金属反光、玻璃透明、黑色塑胶、柔性材料与高速移动物件，都需要不同的成像策略。

但产线的检测需求已经越过可见光。3D结构光、雷射轮廓与立体视觉，让AOI可以处理高度、翘曲、共面性与体积；红外线、短波红外线与热影像，可用於材料差异、封装热特性或肉眼难以观察的表层资讯；X光与AXI则进入焊点、封装与内部结构，检查BGA空洞、焊接品质或隐藏缺陷；高光谱影像进一步把材料成分差异引入检测。

工研院公开的3D AOI技术案例指出，其阵列式多镜头感测与MEMS复合光学制程，可提供传统3D量测模组四倍视野，并结合抗干扰影像分析，将3D准确度提升到20奈米等级。这类发展说明，AOI正从平面外观检查，逐步转向高精度立体量测与跨制程资料节点。

图二 : 工研院3D AOI光学检测技术展示。来源／ITRI

AI模型真正的起点：资料工程

AI进入AOI之後，资料工程成为最容易被低估、却最难绕过的环节。模型需要正常品与不良品影像，但在真实产线中，不良品往往少、型态分散，且同一缺陷可能因材料批次、光源状态、相机角度与制程条件而呈现不同外观。若只把少量瑕疵影像丢进模型，结果通常不是智慧化，而是把过去偏差放大。

资料工程首先要处理样本来源：正常品是否涵盖不同批次、不同机台与不同供应材料？不良品是否由制程、品保与客诉资料共同定义？其次是标注层级：产品级标签只能告诉模型整片良品或不良；区域级标注能指出大致位置；像素级标注则能支援分割、量测与缺陷面积统计。标注不是文书工作，而是把企业的品质知识转成机器可学习的语言。

当缺陷样本稀少，合成资料与生成式AI可补充稀有样貌，协助模型看过更多变化；但合成影像必须被验证，不能因为画面逼真就等同制程真实。对电子、半导体与精密制造业而言，影像资料也常包含产品设计、客户资讯与制程叁数，因此去识别化、权限管理、资料版本控制与数位履历，会成为AOI能否跨厂复制的基础工程。

AI视觉模型的主要技术路线

AOI的演算法并非只有深度学习。传统规则式演算法仍然适合规格稳定、缺陷明确、光学条件可控的场景，例如边缘检测、灰阶??值、模板比对、形状判断与尺寸量测。它的优点是可解释、部署快、算力需求低；缺点是面对材质变异、背景干扰与未知缺陷时，维护成本会快速上升。

监督式深度学习则把分类、物件侦测、语意分割与实例分割带进AOI，适合处理外观变化大、缺陷种类多、人工规则难以描述的任务。异常侦测模型则反其道而行，只用正常样本建立基准，让模型找出偏离常态的影像特徵，尤其适合小量多样、未知缺陷或早期导入阶段。

近年少样本、无样本、Vision Transformer与视觉语言模型也被引入工业视觉，但它们在工厂里仍需面对资料保密、推论延迟、验证方式与责任归属。

因此，最实际的路线往往是混合架构：以规则式方法处理尺寸、位置与明确公差，以AI模型处理复杂纹理、模糊缺陷与分类判读，再把两者结果回写到制程资料库。Cognex在2026年发布OneVision通用上市讯息时，也强调制造商正从单点AI试验走向多产线、多据点的视觉部署，这表示AI AOI的挑战已经从模型训练，转向协作、治理与规模化维运。

影像品质比模型大小重要

在许多导入案例中，实验室准确率高，到了产线却失准，原因常常不是模型突然变笨，而是影像世界改变了。光源亮度会漂移，镜头焦距与景深可能因震动或换线而偏移，相机角度造成透视差，材料反光与透明特性让缺陷若隐若现，高速线体又会产生动态模糊。这些变化会造成Domain Shift，也就是训练资料与实际运行资料分布不一致。

图三 : 友达光电R2R AOI强调即时检测、缺陷管理与AI智能分类。来源：AUO Corporation。

如果事实层不稳，模型越大只会更快、更有自信地做出错误判断。AOI工程应先建立影像品质监控，包括亮度均匀度、对比、焦点、曝光、讯噪比、镜头污染、校正板检查与定期GR&R。当设备换线、材料换批、厂区更动或光源寿命接近临界点时，系统应能提示资料已偏离原本训练条件，而不是等到客诉才回头追查。

事实层需要建立评估指标

AOI的绩效不能只看准确率。对产线而言，漏检率代表不良品流出的风险，误判率代表良品被拦下、重工与人力复判的成本；Precision、Recall、F1与mAP可以衡量模型表现，但仍需对应实际制程损失。若检测任务涉及尺寸或高度，Repeatability与Reproducibility、量测不确定度与GR&R就不可或缺。

此外，Cycle Time与每分钟检测数决定系统能否跟上产线节拍；影像可追溯性则决定问题发生後能否回放当时的画面、叁数、模型版本与判断纪录。模型信心值也不能被直接等同检验可信度，因为信心值通常只反映模型在既有资料分布下的输出强度，而不是物理量测是否稳定、标注是否正确、缺陷定义是否一致。

一套成熟的AOI事实层，应同时回答三个问题：第一，这张影像能不能代表真实物件？第二，这个量测结果能不能被不同设备、不同时间重现？第三，这个判断能不能被追溯、稽核并回??到制程改善？当三个问题都有制度化答案，AI才有机会从漂亮展示变成可靠的品质基础建设。

结论：AI不能创造不存在的事实

AOI的第一项竞争力，不是模型会不会判断，而是它取得的影像与量测资料是否足以代表真实。AI可以协助分类、找出异常、降低复判负担，也可以透过资料增强与持续学习改善部署效率；但AI不能修补没有拍到的缺陷，不能校正错误的量测基准，也不能替企业定义何谓真正的不良。

因此，智慧制造的AOI投资应先回到事实层：把光学、机构、感测、校正、资料标注、版本治理与评估指标整合成同一个品质语言。当机器看见的不只是影像，而是可被信任的数位事实，AOI才会从检查设备升级为制程知识系统；而AI模型的价值，也才能在这个事实基础上被真正放大。