智慧檢測Double A

[作者 季平]

不少產業的檢測方式已從土法煉鋼的人工檢測走向自動光學檢測AOI(Automated Optical Inspection)，因為AI尖端技術大幅躍進，AOI在原有的基礎下搭載AI優勢，發展出更為多元的AI+AOI智慧檢測應用及解決方案，降低人力、時間成本、失誤率之餘，也大幅提高產線效率與產品良率。

從傳統檢測到AOI再到AI+AOI，檢測技術與使用工具歷經幾次迭代。與傳統檢測相比，AOI使用高解析度攝影鏡頭搭配與時俱進的影像處理算法，透過機器視覺取代人力的雙眼、大腦及動作，可以快速、精準地檢測產品缺陷與異常，這些優勢的幕後功臣涉及自動化、電控、光學照明、視覺量測、影像處理、定位量測、感測等技術領域。

相較於傳統檢測，AOI最大的優勢在於自動化、高效率、高靈敏、高精度，以及非接觸性，有助節省成本、提高效率與安全性，而且AOI不需直接接觸檢測物，有助降低損壞風險，尤其適合大規模生產及表面缺陷檢測。

AOI的缺點包含投入成本較傳統檢測高、須累積一定的專業知識與技術能量才能確保檢測品質與精準度；被檢測物表面如果出現反射、不規則、不平坦等特殊狀況，可能影響檢測效果；某些檢測場景可能無法發揮AOI效能，如受檢測物內部結構及細部瑕疵檢測，必要時可能需要其他輔助檢測方法補強。舉例來說，傳統AOI檢測設備需要控制環境、光源及拍攝角度等條件，還要明確量測目標物特徵，同時需要藉由人工方式定義瑕疵樣本特徵，才有利於AOI篩檢，一旦面臨新的檢測物，多半需要重新設置AOI檢測流程，這部份相對耗時費工。

產量高、品管要求高的產線多半會使用AOI進行篩檢，如半導體產業、手機零組件、醫療器材等在意高良率、高單價的產線，面對這類產線，AOI不只可以肩負檢查、剔除瑕疵的角色，還可以成為資料蒐集者。透過AOI不斷累積的瑕疵數據，經過合理分析、歸納等流程，可以梳理成大數據資料庫，找出不良率發生原因。

眾所周知，深度學習（Deep Learning）與數據歸納分析是AI的強項，只要將產線的各項進出與瑕疵資料輸入系統，經過迭代就能分析影響良率的關鍵參數，直擊瑕疵肇因，甚至梳理出簡化製程的各項解決方案。未來，隨著AOI導入AI新興技術，AOI將逐步走向智慧自動光學檢測(Intelligent Automatic Optical Inspection)。

雙A合璧 智慧再升級

晟格科技指出，AOI在產業方面的應用已經越來越普遍，AOI搭配AI數據歸納分析，檢測效果更佳。就開發速度或演算速度來說，AI具有一定優勢，只要具備足夠的瑕疵樣品，AI可以快速學習、高效分析，2分鐘內就能學習100PCS 5M的NG照片，還可以產生原始碼加入系統程式中。即便產品受限於製程調整，AI也能快速學習、產生經驗參數。之後，累積各種NG經驗或調整演算法後，AI照樣可以快速學習，產生新的經驗參數，加入系統程式中。萬一產品成像較為模糊，AI還是可以透過學習更多照片找出瑕疵。

不過，AI不容易處理未知的瑕疵，運作時需要搭配較高的硬體要求，比方訓練模型，實際測試時也需要大量的運算資源，尤其AI訓練前的標示(Label)工作須花費較長時間。美國研究公司Cognilytica分析，AI用於標示 （Labeling）、清理（Cleaning）、調整參數（Augmenting）等處理資料的時間約占總時間長度的80%，即使可以使用標示工具及軟體，Labeling仍然是多數工程師花費最多時間的執行項目。

【欲閱讀更豐富的內容，請參閱2023.9月(第95期)智動化Smart Auto雜誌】