AOI（自動光學檢查）在智慧製造中的應用

一、AOI 的原理簡介

　　自動光學檢測（AOI, Automated Optical Inspection）的基本原理，是利用相機與光源擷取產品影像，再透過演算法或 AI 模型進行分析，以判斷產品是否存在瑕疵。這項技術已廣泛應用於電子、半導體、金屬加工等產業，是現代品質檢測的重要工具。

圖1　自動光學檢測AOI基本原理（來源：顧問自行設計示意圖）

　　傳統產業主要依靠標準品與產品比對。在產品結構單純、瑕疵類型明確的情境下，檢測效果較佳，但耗費大量人力與時間成本。在少量多樣、客製化的生產型態中，或是產品表面材質與光線條件較複雜的情境下，就容易出現誤判或漏檢的情況。

圖2　以放大鏡目視檢容易誤判（來源：顧問輔導廠商佑泰電路設計實地拍攝）

二、輔導案例介紹

案例一：導入 3D AOI 設備進行瑕疵品自動判別

　　某電子製造企業主要生產電路板、記憶體模組、物聯網元件與車用照明產品。過去在焊接後的檢測主要依賴人工目視，誤判率一度高達 20% 以上，影響了產品品質與客戶滿意度。

　　為改善品質，企業導入  AOI 光學檢測系統，結合 AI 模型自動判別焊點與零件瑕疵。此系統配備高解析度相機與多組感測單元，可針對產品進行 99.99% 3D 全檢，並將檢測數據即時回傳至系統。

圖3  針對瑕疵品自動判別並提供量化數據（來源：顧問輔導廠商典運電子之AOI設備系統截圖與瑕疵實際照片）

　　透過多類產品與缺陷樣本的測試，系統檢測正確率達 99.99%，能即時偵測極性方向錯誤、錯件、缺件等異常。最終，產品良率由 95% 提升至近 99.99%，並可追蹤歷史檢測影像作為持續改善依據。此外，企業安排教育訓練，確保操作人員快速熟悉 AOI 系統，建立自動化檢測與數據分析能力。此舉不僅降低退貨風險，每年更節省了品質損失成本。

圖4  3D AOI 自動光學檢測系統：高解析全檢與異常追蹤功能示意
（來源：顧問輔導廠商典運電子之AOI設備系統檢測畫面截圖照片）

案例二：E-SOP 結合 AOI 自動判別系統

　　某精密零組件企業在模具組裝流程中，過去仰賴師徒制口述教學，新進人員依紙本作業進行操作。由於組裝步驟繁瑣（多達上百項），錯誤率高達 10~15%，不僅影響產品良率，還增加了返工成本。

圖5　仰賴師徒制口述教學（來源：顧問輔導廠商厚達電子導入系統之ESOP與AOI智慧檢測模式作業示意與系統截圖）

圖6　建立E-SOP模組（來源：顧問輔導廠商厚達電子導入系統之ESOP與AOI智慧檢測模式作業示意與系統截圖）

　　為解決此問題，企業推動精實生產導入，建立 E-SOP 標準模組，並導入 AOI 不良偵測與警示系統。透過 E-SOP 影像化流程，員工能逐步依照畫面操作，學習曲線由 6 個月縮短至 1 個月，效率提升超過 80%。同時AOI 系統會即時比對組裝結果，正確則允許進入下一步，不符則立即警示回退，將錯誤率降至接近 0%。

　　這套「E-SOP + AOI」的智慧檢測模式，有效減少新人訓練成本與時間，確保組裝品質穩定，也推動了產線的自動化與數位化升級。

圖7　結合ESOP與AOI智慧檢測模式
（來源：顧問輔導廠商厚達電子導入系統之ESOP與AOI智慧檢測模式作業示意與系統截圖）

案例三：以 3D 建模模擬資料克服 AOI 訓練瓶頸

　　在 AOI 系統應用中，最常見的挑戰之一是資料不足與資料不平衡。尤其是某些稀有瑕疵難以大量蒐集，或涉及隱私與人力標註問題，導致 AI 模型準確率難以提升。

　　為克服這些問題，某技術團隊導入 3D 建模與模擬資料生成。透過建立虛擬場景，設定不同的條件、角度、材質與環境效果，快速生成多樣化 AOI 樣本。這些模擬影像包含 2D/3D 邊界框、深度圖等標準化資訊，可直接應用於模型訓練與驗證。

圖8　導入3D 建模與模擬資料生示意圖（來源：顧問輔導廠商微程式資訊之AOI系統訓練3D 建模與模擬資料示意圖）

　　某 AI 團隊開發了一套全球通用的車牌辨識模組，專為不同國家車牌格式設計。該系統在多光源、角度變動、污損或遮擋環境下，依然能穩定辨識車牌資訊。它可靈活整合現有攝影機與停車場、門禁或出入口管理系統，提供完整的辨識 + 支付／控管應用方案。

　　辨識模組背後以深度學習為核心，引入自動調整與微調能力，使系統具備跨區域適配性與高穩定性。這種方法將資料蒐集與標註時間，從半年縮短至兩週，標註效率由每日數百張提升至每日超過萬張，且標記正確率達 99.99%。此舉讓模型準確率由 98% 提升至 99.99%，同時避免了資料偏差與隱私問題，展現了AOI與模擬技術應用中的潛力。

　　在這樣的架構下，團隊同步內部優化資料流程與模型訓練方式，以期在有限真實資料情況下，仍能達到高辨識率與低誤判率。

圖9　AI車牌辨識應用示意圖（來源：微程式資訊產品之國際版AI車牌辨識解決方案示意圖（關鍵字可搜尋如敘述））

三、結語與建議

　　AOI 正從一項檢測技術，轉型為製造企業智慧化升級的核心支柱。依據上述輔導經驗，觀察到未來企業需聚焦三大核心方向：

1. 系統整合與流程連動

AOI 若僅是單點檢測，效果有限。當它與 E-SOP、MES 等系統整合時，檢測結果能即時回饋到生產線，讓瑕疵在第一時間被卡控與修正。這種「檢測 + 流程」的模式，能有效降低人為錯誤，讓品質管理從被動補救轉為主動預防，並逐步建立智慧化的作業環境。

2. 導入模擬資料與訓練模型

企業常面臨「不良樣本不足」的挑戰，影響 AI 模型訓練效果。透過 模擬資料生成、資料增強與少樣本學習，可以快速擴充訓練樣本，縮短導入週期，同時提升模型的穩定性與精準度。再搭配半監督與自適應模型，能讓系統持續學習並調整判斷標準，兼顧精準度與彈性。

3.  結合 AI 之應用

AOI 與 AI 的結合，正在突破傳統製造領域，拓展到 食品檢測、醫療器材、光學鏡片，甚至水下養殖影像 等多樣場景。配合 3D 感測、多模態融合與邊緣運算，不僅能加速即時判斷，還能處理更複雜的檢測任務。未來，AOI 不只是提升良率與降低成本的工具，更是企業邁向智慧製造與產業升級的重要驅動力。以下是養殖產業的結合AI與水下影像技術範例。

圖10　草蝦生殖腺成熟度辨識暨產卵時間智慧判斷解決方案
（來源：微程式資訊產品之草蝦生殖腺成熟度辨識暨產卵時間智慧判斷解決方案示意圖）

　　導入 AOI 的企業，不應只向內提升良率與效率，更應將品質管理視為持續創造價值與核心競爭力的平台。唯有綜合整合、智慧化與前瞻性三者並行，AOI 才能真正成為推動產業升級與數位轉型的關鍵力量。

　　但顧問在導入ESOP與AOI偵測不銹鋼模具時，因模具反光與環境光源問題，造成系統判別的限制，另外在全黑表面（輪胎）及有光照問題的項目尚無法全部解決，要提供給讀者注意。

作者推薦

《智慧製造轉型指引手冊》

作者│財團法人中國生產力中心

出版│財團法人中國生產力中心