:::現在位置：
首頁 >
電子報 > 知識管理電子報【第243期】
KM論壇
從品質檢測到智慧製造：AOI在中小企業數位轉型的應用實例
中國生產力中心 潘李旭 顧問
一、AOI 的原理簡介
近年來，面對少子化、缺工及市場快速變動等挑戰，製造業對品質穩定度與生產效率的要求日益提高。傳統仰賴人工目視檢驗的方式，已逐漸難以滿足少量多樣與高品質生產需求。如何運用數位技術提升檢測效率、降低人為誤判，並累積生產知識與品質數據，已成為企業推動智慧製造的重要課題。
自動光學檢測（AOI, Automated Optical Inspection）是智慧製造中常見的品質檢測技術，其運作方式為透過相機與光源擷取產品影像，再利用演算法或人工智慧模型進行分析，以判斷產品是否存在瑕疵。隨著製造業對品質穩定度與生產效率要求提升，AOI已廣泛應用於電子、半導體及精密製造等產業。其基本運作流程如圖1所示。
圖1 自動光學檢測AOI基本原理示意圖
傳統人工檢測多透過目視判斷或標準品比對方式進行品質確認，檢測結果容易受到人員經驗、觀察角度及環境光源等因素影響。當產品尺寸微小、結構複雜或表面材質具有反光特性時，更增加判讀難度，如圖2所示。
圖2 以放大鏡目視檢容易誤判
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。過去焊接後檢測主要仰賴人工目視判讀，面對產品種類增加與品質要求提升，檢測作業容易受到人員經驗與判讀差異影響，曾出現誤判率超過20%的情形，進而影響產品品質與客戶滿意度。
為提升檢測品質與穩定性，企業導入AOI光學檢測系統，結合AI模型進行焊點與零件瑕疵自動判別。系統配備高解析度相機與多組感測單元，可進行3D檢測並即時回傳檢測結果與相關數據，作為品質分析與追溯依據。
圖3 針對瑕疵品自動判別並提供量化數據
透過多類產品與缺陷樣本測試，系統可即時偵測極性方向錯誤、錯件、缺件等異常狀況。企業導入後，產品良率由95%提升至接近99.99%，並建立檢測影像留存與追溯機制，作為後續品質改善的重要依據。此外，企業同步辦理操作教育訓練，協助人員熟悉AOI系統應用，逐步建立自動化檢測與數據分析能力。
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
透過AOI系統導入，企業不僅提升檢測效率與品質穩定度，更逐步將品質管理由人工經驗判斷轉化為數據化管理模式，強化產品品質追溯能力，並為後續智慧製造與持續改善奠定基礎。
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，也增加返工與教育訓練成本。
圖5 傳統組裝作業以師徒制進行知識傳承
（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）
為降低人員操作差異並提升知識傳承效率，企業首先將老師傅的作業經驗進行標準化整理，建立數位化作業流程與影像教材，逐步建構E-SOP模組，如圖6所示。
圖６ 將組裝作業知識數位化，建立E-SOP標準作業模組
（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）
E-SOP（Electronic Standard Operating Procedure，電子化標準作業程序）係將傳統紙本作業指導書與現場經驗數位化，透過文字、圖片及影像化流程呈現標準作業步驟，協助作業人員依循一致流程執行工作，同時保留關鍵作業知識，降低對個人經驗的依賴。
為解決上述問題，企業推動精實生產改善，將組裝知識與作業步驟轉化為E-SOP標準模組，並進一步結合AOI不良偵測與警示系統。透過E-SOP影像化流程，作業人員可依系統指引逐步完成組裝作業，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，當作業結果符合標準時方可進入下一工序；若發現異常則立即發出警示並要求修正，有效降低人為疏失。導入後，組裝錯誤率由原先10%至15%降至接近0%。
相較於傳統僅於製程完成後進行抽驗的方式，E-SOP結合AOI可於作業過程中即時確認組裝結果，將品質管制提前至製程階段，降低後續返工與品質異常風險。
圖7 結合E-SOP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）
透過「E-SOP + AOI」的整合應用，企業不僅縮短新人培訓時間，更將過往依賴個人經驗的作業知識轉化為可複製、可傳承的數位化流程，同時提升品質穩定度與生產效率，展現知識管理與智慧製造結合的實際效益。對於面臨缺工與技術傳承挑戰的製造業而言，此模式亦提供了建立標準化作業與數位知識管理的重要參考。
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模型訓練效率受限，進而影響辨識準確率與系統導入時程。
為克服上述問題，某技術團隊導入3D建模與模擬資料生成技術。透過建立虛擬場景，設定不同的條件、角度、材質與環境效果，可快速生成多樣化AOI訓練樣本。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，降低實際資料蒐集與人工標註負擔。
圖8 導入3D建模與模擬資料生成示意圖
（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）
為驗證模擬資料生成技術在AI模型訓練上的可行性，技術團隊亦將相同概念應用於全球通用車牌辨識模組開發。由於不同國家車牌格式、光源環境、拍攝角度及遮擋情況差異甚大，長期面臨資料蒐集困難與標註成本高昂等問題，因此成為驗證模擬資料技術成效的重要場域。
團隊透過3D建模技術建立多種車牌樣式與環境情境，模擬不同光源、角度、污損及遮擋條件，自動生成大量訓練資料，並搭配深度學習模型進行訓練與驗證。透過此方法，資料蒐集與標註時間由半年縮短至兩週，標註效率由每日數百張提升至每日超過萬張，標記正確率達99.99%。同時，模型準確率由98%提升至99.99%，有效降低資料偏差與隱私限制所帶來的影響。
在此架構下，團隊同步優化資料流程與模型訓練方式，即使在有限真實資料情況下，仍能維持高辨識率與低誤判率，展現模擬資料技術在AI模型訓練上的應用潛力。
圖9 運用3D建模與模擬資料提升AI車牌辨識模型訓練效率
（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）
三、結語與建議
AOI正逐步從單純的檢測工具，發展成為企業推動智慧製造的重要基礎能力。從本文案例可發現，AOI的價值已不僅在於提升檢測效率與產品良率，更可進一步結合知識管理、流程管理及人工智慧技術，協助企業建立數位化品質管理機制。
依據輔導經驗，企業導入AOI時可優先聚焦以下三個方向：
1.系統整合與流程連動
AOI若僅作為單點檢測工具，其效益相對有限。當AOI與E-SOP、MES等系統整合後，可將檢測結果即時回饋至生產現場，讓異常於第一時間被發現與修正，進一步提升品質管理效率與作業一致性。案例二所展示的E-SOP結合AOI模式，即為知識傳承與品質管理整合應用的實際案例。
2. 建立數據化品質管理能力
隨著產品複雜度提升，企業可透過AOI累積檢測影像與品質數據，逐步建立品質追溯與分析機制。當品質管理由人工經驗判斷轉向數據化管理後，不僅有助於持續改善，也能作為未來導入AI應用的重要基礎。
3. 善用AI與模擬資料技術
面對不良樣本不足、資料蒐集成本高等挑戰，企業可透過3D建模、模擬資料生成及AI技術應用，提升模型訓練效率與辨識能力。案例三顯示，模擬資料技術已能有效協助解決資料不足問題，未來亦可應用於更多智慧檢測場景。
除製造業品質檢測外，AOI結合AI影像辨識技術的應用範圍亦持續擴展至農漁業、醫療及其他智慧感測領域。透過影像分析與模型判斷，可協助提升辨識效率與決策品質。圖10為結合AI與水下影像技術於養殖產業之應用案例。
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）
值得注意的是，AOI並非適用於所有檢測情境。顧問於實務導入過程中發現，對於高反光材質的不銹鋼模具、全黑表面產品（如輪胎），以及受環境光源影響較大的檢測場域，仍可能面臨辨識準確度與穩定性挑戰。因此企業在規劃導入前，應先評估產品特性、光學條件及檢測需求，選擇合適的感測設備與檢測方案。
整體而言，AOI的導入不應僅著眼於提升良率或降低成本，而應視為企業建立品質數據、累積製程知識及推動智慧製造的重要基礎。從本文案例可發現，企業可透過AOI建立品質追溯機制、透過E-SOP保存與傳承關鍵作業知識，並結合AI與模擬資料技術提升智慧檢測能力。透過系統整合、數據應用與AI技術結合，企業將更有機會提升競爭力，並加速數位轉型與產業升級。