AI 与 AOI 差异在哪？
优缺点与应用有那些？
订单从过往「少样多量」变成如今「多样少量」的弹性生产，待测物件尺寸、外型、材质等复杂度随之提高，甚至出现定义不明的瑕疵，而传统 AOI 需先定义瑕疵样本，并以设定好的参数做为判断基准，无法灵活快速做出判断，导致漏检率大幅增加，在此情况下，AI 崛起让机器视觉开始进化，其「拟人化」技术便成为新解方。
AOI 检测系统成为工业制程上瑕疵辨识的应用主流
随着消费性电子产品不断推陈出新，带动半导体、面板、光电、能源、通讯等制造业发展，产品检测方式也迎来了质变。由于任何零组件的瑕疵都可能影响产品功能，因此制造业对于提升良率需求与日俱增。传统产线仰赖大量人工检测产品瑕疵模式，已无法满足产品全检与生产效率需求，因此导入 AOI 自动光学检测系统成为工业制程上瑕疵辨识的应用主流，点此了解什么是 AOI 与优点。
AOI 系统以机器视觉为核心，结合光学、电控、机构以及检测软体执行检测作业。透过光源配置凸显影像特征，辅以电脑影像处理技术进行定位及检查，快速筛检产线中成品、半成品的缺陷、污染物及其他异常。相对于人工检测，AOI 系统对于瑕疵判定的标准较为一致。此外，搭载高解析度相机的 AOI 系统能检测人眼难以辨识的细节，每分钟数以千计的筛检量能也改善传统人工目视检测效率不彰的缺点。
AOI 瑕疵检测在制造业上应用极为广泛
AOI 在制造业的应用极为广泛，举凡检查产品上有无变形、破损、缺件、脏污与刮痕等瑕疵，或者是读码、对位、精密测量、印刷检验（如图1），皆能透过 AOI 技术进行检验，因此如半导体、印刷电路板（PCB）、面板、电子机械、纺织、食品加工、汽车等产业，都能看见其踪影，其中更以 PCB 和面板产业为大宗。
AOI 不具 AI 自主学习能力，面临检测痛点
尽管 AOI 系统已广泛应用于各制造业产线，但其必须高度客制化的特性仍造成导入的难度与限制，面对复杂的产品瑕疵、影像背景、光影变化，AOI 系统使用相对受限。
AOI 采用 Rule-based 判断机制，透过程式语言撰写检测逻辑（Rule），仅能以定义好的参数作为基准检测样本瑕疵。举例而言，检测逻辑将瑕疵定义为圆形，非属圆形的瑕疵便无法透过 AOI 系统检测出异常，因此常产生漏检（Leakage）问题，诸如蛋壳孔样貌不同、PCBA 异常瑕疵检测、塑胶扣具瑕疵检查的脱模剂油污、金属冲压件刮痕检查等随机生成的瑕疵类型，都是 AOI 系统的克星。
为求避免瑕疵漏检情形，AOI 系统往往将参数设定得相对严格，导致系统过于敏感，易受光影等外在条件影响而造成误杀（Overkill）现象。除工程人员必须不断调整演算法及参数外，产线亦须配置人员重复检测产品以避免漏检、误杀情形，大幅影响生产效率且提高生产成本。
AOI 相当依赖光源、相机、镜头三者间的密切搭配。以光源来说，为了强化对比以呈现物体特征，需根据待测物件材质、颜色、形状设计光线强度与特性，借以取得适用的影像降低误杀风险；选择相机时需依据检测需求决定感光元件、解析度、帧率等并搭配合适镜头，方能发挥光学系统功能，可谓「牵一发动全身」。
除了设备细节影响成像外，若再遇上调机、更换零组件等情况，则须指派工程师依据经验值重新进行机台参数设定、对位，再加上软硬体调整过程相对复杂，维修时间短则几日长则数月，难以因应智慧制造产线弹性化需求。而这也是为什么，使用 AOI 的制造厂商，近年纷纷导入人工智慧（Artificial Intelligence, AI）以提升检测效率的原因，点此了解更多 AOI 结合 AI 的优点。
AI 瑕疵检测助攻 AOI，智慧制造转型关键
AI 深度学习技术的瑕疵检测与传统 AOI 最大不同之处，即是经验法则。 AI 好比一位新进的学徒，在一定程度上能够模仿老师傅的检测能力，经由运用大量有效资料并透过深度学习技术在系统模型快速训练，能自行定义出瑕疵范围与异常侦测模型，自动找出最佳 OK 与 NG 参数，进一步有效判断未知瑕疵，确保检验标准的一致性，大幅提升辨识准确率（如图2）。
由于各产业 Domain knowledge 差异大，传统 AOI 工程师协助产业开发 AOI 系统，无法快速解决实际场域问题，因此有赖与具有行业经验工作人员来回沟通，才能设计适合的 AOI 硬体及 AOI Rule。而AI瑕疵检测系统则是透过介面得知影像中哪些特征型态为检测所需，经过学习后，系统便能自行产生检测 Rule，两者在学习效率与执行力上有一定差异。
当然，使用深度学习优化检测准确度外，AI 技术大幅降低检测效果受光源影响问题。传统 AOI 常受限于光线、取像角度、阴影反光、待测物件材质及外型（如半透明材质或金属曲面）等条件，无法精准取得辨识结果，而 AI 瑕疵检测对光源依赖性小，只要光源稳定，即使轮廓、形状较为模糊，甚至金属材质反光所造成的干扰，AI 仍可进行检测分类。
AI 瑕疵检测擅长解决复杂的表面和外观缺陷，比如反光物件上的凹痕和刮痕（如图3），同时，针对变形及不易辨识字元，依旧能实行光学字元辨识（Optical Character Recognition, OCR）；另外可筛检不可预测的图案与瑕疵，即使瑕疵的颜色大小不一、变形量大、图形复杂且分散在随机处，AI也能依照数据分析判断瑕疵位置。因此无论分析速度、准确性与人力成本上，基于规则的传统演算法难以解决的复杂检测和分类应用，深度学习皆有望克服局限性。
（图3：泡壳包装 (PTP) 产线每小时约包装 5,000~40,000 颗锭剂或胶囊，填充时偶有误差，造成泡壳内无内容物、内容物不良或胶囊粉末溢出等瑕疵。借由各种瑕疵类型的影像样本训练 AI 模型，可即时且迅速地辨识每一泡壳的包装及填充情形，并予以标注分类。）