AOI事實層的感測、量測與資料工程

在智慧製造中，AOI的可靠性取決於影像與量測資料的穩定性，而非僅是模型參數。第一篇探討AOI的「眼睛」與「感覺器官」，從人工檢查的限制著手，討論感測器、光學配置、3D量測及評估指標，強調AI視覺在工廠應用前需建立可重現、可比較和可追溯的事實層。

製造業導入AOI的起點，通常不是追求科技感，而是為了解決人工目視檢查的老問題：疲勞、主觀、速度不足，以及同一缺陷在不同檢驗員之間出現判斷落差。人工檢查能夠憑經驗理解異常，但人的注意力會隨班別、工時與情境改變；在高速、微小化與高混線生產的環境中，抽樣檢驗也越來越難承擔品質保證的壓力。

AOI因此把「看見」制度化。典型系統包括光源、鏡頭、2D或3D相機、感測器、影像擷取卡、運動平台、定位系統，以及工業電腦或邊緣運算設備。這些元件不是簡單堆疊，而是共同決定影像的對比、解析度、景深、畸變、雜訊與定位精度。工研院AOI光學檢測課程也把打光策略、成像品質、SNR與不同材質缺陷的光源配置列為實務重點，顯示現場問題往往先發生在光學與硬體整合，而不是演算法本身。

更重要的是，「看見」與「量到」並不相同。影像辨識可以回答是否有刮傷、異物、偏移或髒污；尺寸量測還必須回答像素如何換算為實際尺寸、量測基準在哪裡、校正程序是否一致、不同機台之間能否比對。AOI的任務也不只是一句OK或NG，而是涵蓋檢出、分類、定位、分割與計量。當製程要求從缺陷攔截走向根因分析，影像就必須變成可分析的量測資料。

圖一 : AOI事實層的工作流。

超越可見光：AOI感測範圍持續擴張

早期AOI以可見光影像為主，透過同軸光、側光、背光、多角度照明與偏振控制，讓原本不明顯的表面特徵被凸顯出來。這套方法至今仍是工業視覺的基本功，因為缺陷不是自己出現在畫面裡，而是被光線、材料與鏡頭共同「翻譯」成可被辨識的訊號。金屬反光、玻璃透明、黑色塑膠、柔性材料與高速移動物件，都需要不同的成像策略。

但產線的檢測需求已經越過可見光。3D結構光、雷射輪廓與立體視覺，讓AOI可以處理高度、翹曲、共面性與體積；紅外線、短波紅外線與熱影像，可用於材料差異、封裝熱特性或肉眼難以觀察的表層資訊；X光與AXI則進入焊點、封裝與內部結構，檢查BGA空洞、焊接品質或隱藏缺陷；高光譜影像進一步把材料成分差異引入檢測。

工研院公開的3D AOI技術案例指出，其陣列式多鏡頭感測與MEMS複合光學製程，可提供傳統3D量測模組四倍視野，並結合抗干擾影像分析，將3D準確度提升到20奈米等級。這類發展說明，AOI正從平面外觀檢查，逐步轉向高精度立體量測與跨製程資料節點。

圖二 : 工研院3D AOI光學檢測技術展示。來源／ITRI

AI模型真正的起點：資料工程

AI進入AOI之後，資料工程成為最容易被低估、卻最難繞過的環節。模型需要正常品與不良品影像，但在真實產線中，不良品往往少、型態分散，且同一缺陷可能因材料批次、光源狀態、相機角度與製程條件而呈現不同外觀。若只把少量瑕疵影像丟進模型，結果通常不是智慧化，而是把過去偏差放大。

資料工程首先要處理樣本來源：正常品是否涵蓋不同批次、不同機台與不同供應材料？不良品是否由製程、品保與客訴資料共同定義？其次是標註層級：產品級標籤只能告訴模型整片良品或不良；區域級標註能指出大致位置；像素級標註則能支援分割、量測與缺陷面積統計。標註不是文書工作，而是把企業的品質知識轉成機器可學習的語言。

當缺陷樣本稀少，合成資料與生成式AI可補充稀有樣貌，協助模型看過更多變化；但合成影像必須被驗證，不能因為畫面逼真就等同製程真實。對電子、半導體與精密製造業而言，影像資料也常包含產品設計、客戶資訊與製程參數，因此去識別化、權限管理、資料版本控制與數位履歷，會成為AOI能否跨廠複製的基礎工程。

AI視覺模型的主要技術路線

AOI的演算法並非只有深度學習。傳統規則式演算法仍然適合規格穩定、缺陷明確、光學條件可控的場景，例如邊緣檢測、灰階閾值、模板比對、形狀判斷與尺寸量測。它的優點是可解釋、部署快、算力需求低；缺點是面對材質變異、背景干擾與未知缺陷時，維護成本會快速上升。

監督式深度學習則把分類、物件偵測、語意分割與實例分割帶進AOI，適合處理外觀變化大、缺陷種類多、人工規則難以描述的任務。異常偵測模型則反其道而行，只用正常樣本建立基準，讓模型找出偏離常態的影像特徵，尤其適合小量多樣、未知缺陷或早期導入階段。

近年少樣本、無樣本、Vision Transformer與視覺語言模型也被引入工業視覺，但它們在工廠裡仍需面對資料保密、推論延遲、驗證方式與責任歸屬。

因此，最實際的路線往往是混合架構：以規則式方法處理尺寸、位置與明確公差，以AI模型處理複雜紋理、模糊缺陷與分類判讀，再把兩者結果回寫到製程資料庫。Cognex在2026年發布OneVision通用上市訊息時，也強調製造商正從單點AI試驗走向多產線、多據點的視覺部署，這表示AI AOI的挑戰已經從模型訓練，轉向協作、治理與規模化維運。

影像品質比模型大小重要

在許多導入案例中，實驗室準確率高，到了產線卻失準，原因常常不是模型突然變笨，而是影像世界改變了。光源亮度會漂移，鏡頭焦距與景深可能因震動或換線而偏移，相機角度造成透視差，材料反光與透明特性讓缺陷若隱若現，高速線體又會產生動態模糊。這些變化會造成Domain Shift，也就是訓練資料與實際運行資料分布不一致。

圖三 : 友達光電R2R AOI強調即時檢測、缺陷管理與AI智能分類。來源：AUO Corporation。

如果事實層不穩，模型越大只會更快、更有自信地做出錯誤判斷。AOI工程應先建立影像品質監控，包括亮度均勻度、對比、焦點、曝光、訊噪比、鏡頭污染、校正板檢查與定期GR&R。當設備換線、材料換批、廠區更動或光源壽命接近臨界點時，系統應能提示資料已偏離原本訓練條件，而不是等到客訴才回頭追查。

事實層需要建立評估指標

AOI的績效不能只看準確率。對產線而言，漏檢率代表不良品流出的風險，誤判率代表良品被攔下、重工與人力複判的成本；Precision、Recall、F1與mAP可以衡量模型表現，但仍需對應實際製程損失。若檢測任務涉及尺寸或高度，Repeatability與Reproducibility、量測不確定度與GR&R就不可或缺。

此外，Cycle Time與每分鐘檢測數決定系統能否跟上產線節拍；影像可追溯性則決定問題發生後能否回放當時的畫面、參數、模型版本與判斷紀錄。模型信心值也不能被直接等同檢驗可信度，因為信心值通常只反映模型在既有資料分布下的輸出強度，而不是物理量測是否穩定、標註是否正確、缺陷定義是否一致。

一套成熟的AOI事實層，應同時回答三個問題：第一，這張影像能不能代表真實物件？第二，這個量測結果能不能被不同設備、不同時間重現？第三，這個判斷能不能被追溯、稽核並回饋到製程改善？當三個問題都有制度化答案，AI才有機會從漂亮展示變成可靠的品質基礎建設。

結論：AI不能創造不存在的事實

AOI的第一項競爭力，不是模型會不會判斷，而是它取得的影像與量測資料是否足以代表真實。AI可以協助分類、找出異常、降低複判負擔，也可以透過資料增強與持續學習改善部署效率；但AI不能修補沒有拍到的缺陷，不能校正錯誤的量測基準，也不能替企業定義何謂真正的不良。

因此，智慧製造的AOI投資應先回到事實層：把光學、機構、感測、校正、資料標註、版本治理與評估指標整合成同一個品質語言。當機器看見的不只是影像，而是可被信任的數位事實，AOI才會從檢查設備升級為製程知識系統；而AI模型的價值，也才能在這個事實基礎上被真正放大。