AI模型如何建立AOI的意義層 讓機器理解缺陷

自動光學檢測（AOI）的第一項任務，是把產品表面、結構與尺寸轉換為可量測的影像事實；但工廠真正關心的，從來不只是某一處像素是否偏離標準，而是這個差異代表什麼。它究竟是刮痕、污染、缺件、偏移或焊接異常？會不會影響導通、氣密、強度與壽命？需要立即停線，還是只須記錄並追蹤？當AOI從規則式比對進入AI時代，競爭焦點也因此由「檢出率」移向「意義建構能力」。

所謂AOI的意義層，是位於感測資料與製造決策之間的一套轉譯機制。它接收影像、深度、光譜與製程參數，透過分類、偵測、分割、異常偵測與時序分析，形成缺陷名稱、位置、範圍、嚴重度與可能成因，再與品質標準、客戶規格、設備履歷及工程師經驗連結。只有完成這條證據鏈，AI的輸出才不再只是OK或NG，而能成為品質工程、製程改善與風險治理共同使用的語言。

圖一 : AI-AOI自動化In-Line線檢測設備。（Source：岳揚智控）

檢出異常不等於理解缺陷

傳統AOI擅長發現「與標準樣本不同」的區域，但差異、變異與缺陷並不是同義詞。材料紋理、反光角度、油墨色澤、表面粗糙度與治具位置都可能改變影像，卻未必影響產品功能；反過來看，肉眼幾乎不可見的微裂紋、焊點空洞或導線偏移，風險可能遠高於醒目的外觀刮痕。因此，缺陷判定不能只以面積、色差或灰階門檻排序，而必須回到產品用途、失效模式與可靠度後果。

Cosmetic Defect與Functional Defect的區分尤其重要。消費性產品外殼的一道細紋，可能不影響功能，卻會造成品牌退貨；功率模組內部的微小接合異常，外觀不明顯，卻可能在高溫循環後導致失效。同一個影像特徵，在不同客戶、產品等級與使用情境下，接受標準可能完全不同。AI若沒有讀懂這些條件，只會把過去標註者的習慣複製成自動化偏見。

圖二 : AOI意義層由影像特徵逐步連結到製造行動。

「零缺陷」也不等於把所有可疑差異都攔下。過度檢驗會造成大量False Call，使人員疲於複判、產線頻繁停頓，真正高風險訊號反而被淹沒。成熟的AOI應把漏失成本、誤報成本與處置成本一起納入門檻設計：對安全關鍵缺陷提高召回率，對純外觀差異則依客戶規格與製程能力設定合理容許區間。品質不是把NG數量做大，而是把有限注意力放在真正重要的異常上。

實務上可建立「缺陷類型－發生機率－後果嚴重度－可偵測性－處置成本」矩陣，讓AI門檻與FMEA、管制計畫及客訴資料互相對照。如此一來，同一個模型分數不必套用到所有產品：醫療、車用或航太零件可採更保守策略，低風險消費品則可避免不必要報廢。意義層的第一個治理原則，就是把技術指標翻譯成品質成本與責任，而不是把準確率當成唯一績效。

AI模型是感測資料與產業知識的中間建構

原始影像不會自行產生決策。相機提供的是亮度、顏色、深度或光譜分布；模型先從中抽取邊緣、紋理、形狀與空間關係，再把特徵轉為「疑似裂紋」「焊料不足」或「元件偏移」等描述。這些描述仍須對應工程知識，才能推論可能影響的電性、機械強度、散熱或壽命，最後形成風險等級與處置建議。意義層的核心，正是把統計相關性接到製造語境。

這個過程同時包含隱性知識與顯性規則。神經網路從樣本中學到人難以逐條描述的複雜模式，屬於隱性知識；尺寸公差、禁限用條件、客戶允收標準與停線門檻，則應以可追溯規則保存。兩者不能互相取代：只有模型，判斷容易成為黑箱；只有規則，又難以涵蓋真實世界的外觀變化。較務實的做法，是由模型提出候選缺陷與信心分數，再由知識庫和規則引擎完成情境化判斷。

電子組裝可用IPC-A-610等驗收標準作為共同語彙，但標準不是直接可餵給模型的答案。企業仍需把條文與圖例拆成缺陷本體、部位、量測方法、產品等級、容許條件及處置方式，並維持版本關係。如此一來，模型輸出的「焊點異常」才能追溯到哪一項規格、哪一版客戶要求以及哪一個量測證據，避免品質判定成為無法稽核的單一分數。

標籤本身也需要治理。不同檢驗員可能把同一現象分成「刮傷」「壓痕」或「表面異常」，同一名稱在不同廠區又可能代表不同嚴重度。企業應建立標籤字典、正反例、邊界案例與衝突裁決流程，並定期量測標註者一致性。若Ground Truth充滿歧義，模型再精準也只是忠實放大組織內部的不一致；先把品質語言說清楚，才有資格要求機器理解。

不同AI模型承擔不同意義任務

分類模型回答「這是何種缺陷」，適合已裁切且單一目標的影像；物件偵測同時回答種類與位置，適合一張影像中存在多個元件或缺陷；語意與實例分割則描出像素級範圍，可進一步估算裂紋長度、污染面積與邊界侵入程度。三者看似相近，實際上對標註成本、運算延遲與工程解讀的支援能力都不同，應依決策需要選擇，而不是追逐單一榜單成績。

當缺陷樣本稀少或型態不斷新增時，異常偵測可先學習正常分布，再找出偏離區域，適合作為未知異常的前哨。然而「不正常」仍不等於「不可接受」，異常分數必須經由工程師複核、缺陷命名與風險映射，才能進入處置流程。時序模型則把單張影像放回批次與設備歷史，辨識缺陷是否逐批增加，讓系統從一次性的檢出走向製程趨勢預警。

再往前一步，多模態模型可結合影像、設備參數、材料批號、維修紀錄與文字工單；因果模型則嘗試區分同時發生與真正成因。視覺語言模型能把異常區域轉為可讀說明，例如描述位置、形態與疑似風險，但其流暢文字不能被當成證據本身。對AOI而言，生成式能力最有價值的角色是整理證據、協助查找規範與形成報告，而不是在缺乏量測依據時替工廠猜答案。

從單一模型走向模型組合

圖三 : 多模型協同可讓感知、語意、風險、根因與行動各自接受驗證。

未來AOI未必由一個大型模型包辦，而更可能是多個領域模型、品質規則、知識庫與人員覆核共同完成。感知模型先定位物體與異常，分類或分割模型描述缺陷，風險模型依產品用途評估後果，根因模型連結製程資料，行動模型再提出隔離、複驗、調機或停線建議。每一層都有清楚的輸入、輸出與責任邊界，錯誤也較容易被追查。

小模型適合部署在設備邊緣，處理高速、固定且可驗證的任務；大型模型較適合跨資料查詢、文字解釋與複雜案例協助。若把所有工作交給單一大型模型，不但延遲、成本與資安壓力增加，也難以證明每個結論來自哪一項證據。相反地，模型組合可把即時判定留在產線，把低頻但複雜的分析交給中央平台，兼顧速度與可治理性。

模型協同仍需要仲裁機制。當異常偵測認為可疑、分類模型卻判定正常時，系統應依缺陷風險、模型可信區間與資料品質決定是否升級人工複判，而不是簡單多數決。高可靠度產業更應設計保守失效模式：無法判定時標為Unknown、保留原始影像與模型版本，並允許工程師推翻結果。真正的智慧不是永遠自信，而是知道何時必須把決定交還給人。

將人的經驗轉成可運算知識

資深檢驗員常能從反光、邊緣形態與缺陷位置推測「這不是產品問題，而是光源髒了」，或從一組缺陷排列判斷治具、刀具與印刷製程的異常。這類知識若只存在於個人經驗，便難以複製與傳承。知識工程的工作，是把判斷拆成可觀察證據、適用條件、例外情境與建議行動，再與影像樣本及設備資料建立連結。

圖四 : 工研院FAST-AOI以主動學習與AutoML降低領域模型建置門檻。來源：工業技術研究院。

缺陷樣本庫不應只是圖片資料夾，而應保存產品與料號、機台、時間、光學設定、材料批次、缺陷標籤、確認者、處置結果及後續失效資訊。工程知識庫則管理缺陷定義、失效模式、標準條文與企業內規。當兩者以一致識別碼串接，AI學到的便不只是「長得像什麼」，還包括「在何種條件下代表什麼」。這也是建立跨廠、跨線與跨世代模型的基礎。

工研院FAST-AOI展示了一條實務路徑：以主動學習挑選具代表性的待標註資料，再透過AutoML搜尋模型參數。其塑膠射出案例以9,000張主動學習資料取得接近46,000張基準資料的表現，並把標記時間由15.3天降至3天；這說明真正稀缺的不是影像數量，而是工程師能否把時間用在最有資訊量的樣本。人機協作標註的目標，也不是把人移除，而是讓每一次修正都成為下一輪模型改善的資產。

AI模型是否能解釋自己的判斷

高可靠度產業要求的不只是準確率，也包括可申訴、可覆核與可追溯。熱點圖可以顯示模型注意的位置，卻不能證明該區域就是缺陷成因；文字說明可以提高可讀性，也可能只是根據常見模式生成合理敘述。因此，可解釋AI不能被包裝成「模型說出理由就可信」，而應被視為一組供人查驗的輔助證據。

較完整的證據鏈至少包括原始影像、前處理版本、異常區域、量測值、參考樣本、缺陷類別、信心分數、適用規範、模型版本與最終人工判定。XEdgeAI研究把語意分割、XAI與大型視覺語言模型整合，嘗試同時提供視覺及文字解釋，顯示邊緣檢測正朝人本可解釋性前進；但研究本身也不免除領域驗證，因為解釋是否有工程意義，仍須由知道產品與製程的人判斷。

信心分數也不等於真實機率。模型可能對分布外資料高度自信，因此門檻必須依產品風險校準，並觀察不同缺陷、產線與批次的可靠度。系統介面應讓工程師看到支持與反對判定的證據、快速修正標籤並留下理由；人工覆核若只能按下確認鍵，沒有推翻、暫緩與升級權限，人機協作就只剩形式。

解釋是否有效，也必須被測量。可檢查熱點是否覆蓋真實缺陷、文字是否引用正確量測值、不同影像擾動下理由是否穩定，以及工程師能否因解釋更快發現模型錯誤。若解釋看似漂亮，卻無法提升覆核正確率、縮短判斷時間或指出資料問題，它就只是介面裝飾。可解釋性的評估對象不只是演算法，還包括使用者、任務與決策後果。

模型漂移：產品與製程一直在改變

AOI模型上線之後，世界不會保持靜止。換料、供應商變更、新產品導入、設備老化、光源衰減、相機更換、季節溫濕度與操作方式，都可能使輸入分布改變；製程改善也可能讓原本罕見的外觀成為正常。若只監看整體準確率，局部缺陷的性能衰退往往會被大量正常品掩蓋。

圖五 : AOI的持續學習與根因分析應形成可驗證、可回滾的閉環。

漂移監測應同時觀察影像亮度與清晰度、特徵分布、Unknown比例、各缺陷召回率、False Call、人工推翻率及批次趨勢。NIST AI RMF強調AI在部署前與運作期間都應持續測試，並保留人工覆核、申訴、停用、事件回應及變更管理機制。對工廠而言，這意味著模型也要像設備一樣接受點檢與履歷管理，而不是驗收一次便永久使用。

持續學習不應直接等於線上自動更新。高風險場域宜採候選模型、影子測試、分層驗證與批准上線，保存資料版本、標註規則、參數、門檻及適用產品；若新模型造成誤報或漏檢，必須能快速回滾。模型是否需要重訓，應由漂移、性能與製程事件共同觸發，而非固定排程或單一數字決定。

從品質判定走向根因分析

單站AOI看見的是結果，根因往往發生在更早的製程。焊點偏移可能與錫膏印刷、貼片精度、回焊溫度或基板翹曲有關；晶圓缺陷的空間圖樣，也可能指向特定設備、腔體或製程層。要讓AI從檢驗設備升級為製程顧問，必須把AOI與MES、SPC、設備感測、材料批次、維修及返工資料以時間與產品識別碼對齊。

缺陷地圖與製程地圖一旦串接，系統便能比較機台、班別、材料與參數組合，找出高風險關聯並預測下一批是否重現。Applied SmartFactory的Defect Source案例即以AI整合AOI、SEM、TEM與晶圓圖等檢測資料，協助半導體廠追查失控事件來源。這類系統的價值不在於取代工程師，而在於把原本跨系統、靠人記憶的搜尋範圍縮小成可驗證的候選原因。

仍須警惕把相關性誤稱為因果。若某供應商材料總與某機台同時出現，模型可能把兩者混為一談；真正的根因需要製程機理、對照實驗、時間先後與改善後驗證共同支持。成熟的閉環應是：AOI提出異常，分析系統形成假設，工程師採取可逆調整，SPC與後續檢驗確認效果，再把結果寫回知識庫。如此AI才會累積組織能力，而非只累積更多警報。

這也要求資料工程先解決時間同步、序號追蹤與語意一致性。若影像時間戳與設備紀錄相差數分鐘、返工品沿用舊序號，或不同系統對機台與配方使用不同名稱，根因模型就可能建立錯誤關聯。導入前應先定義事件主鍵、資料延遲、缺值處理與血緣紀錄；在許多工廠，這些看似基礎的工作，比更換演算法更能縮短根因分析時間。

結論：AI模型不是答案，而是意義的載體

AOI真正的智慧，不在於把影像快速分成OK或NG，而是說明差異為何重要、可能源自何處，以及風險是否值得採取行動。模型是感測事實與製造知識之間的載體，不是最終權威；它的價值取決於資料品質、標準建模、證據鏈、版本治理以及人員是否擁有覆核權。

因此，導入AI AOI的優先順序應從問題定義開始：先界定缺陷、風險與決策，再選擇模型和資料；先建立可追溯流程，再追求自動化比例；先確認影像與製程能提供足夠證據，再要求模型解釋。當意義層被妥善建立，AOI才不只是產線末端的守門員，而能成為連結品質、製程、設備與產品設計的共同感官。

資料來源

[1] 工研院，深度學習FAST-AOI瑕疵檢測應用

[2] IPC，IPC-A-610與J-STD-001 J版標準發布說明

[3] NIST，Artificial Intelligence Risk Management Framework 1.0

[4 ]NIST AI RMF Core，Measure與Manage機制

[5] Nguyen et al., XEdgeAI: A Human-centered Industrial Inspection Framework

Applied SmartFactory，SmartFactory Defect Source