產品外觀缺陷檢測自動化廠商怎麼選？AOI技術能力評估

先說結論

嗯...選AOI廠商，技術規格真的只是其次。重點不是誰的相機解析度最高、或誰的AI模型最神。說真的，那都只是行銷話術。

核心只有一個：這家廠商的方案，跟你工廠的「問題複雜度」和「團隊能力」匹不匹配。選錯了，就像叫一個博士去掃地，或是叫小學生解微積分...都會是災難。

問題在哪？為何這麼難選

看了一堆資料，每家都說自己準確率99%。 聽起來都很棒，但魔鬼都在細節裡。傳統AOI（Automated Optical Inspection）的極限很明顯，對於沒見過的瑕疵、或是表面材質反光不一的狀況，誤判率就開始飆高。這也是為什麼現在大家都在喊「AI AOI」。

但AI也不是萬靈丹。導入AI，代表需要大量的瑕疵圖片來「餵」給模型學習。 你的產線有這麼多NG品讓你收嗎？收來的樣本夠不夠多樣？這都是成本。而且，AI模型需要懂的人去調校、去維護，你公司有這個人嗎？這些問題，銷售業務通常不會主動告訴你。

國外有些分析提到，選整合商時要看他對你產業的了解深度，這點很重要。 台灣的廠商在這點上就有地理優勢，特別是在PCB或半導體領域，很多廠商都已經有特化的解決方案。 但反過來說，如果你的產品很特殊，這些「公版」方案就不一定適用。

評估三階段：從 PoC 到導入

與其聽業務說得天花亂墜，不如直接動手測。我自己的習慣是走這三步，很花時間，但能避開九成的坑。

第一階段：定義「清楚的問題」

這一步最關鍵，但最多人跳過。不要只跟廠商說「我要檢測外觀瑕疵」。你要準備一個「考題包」。

• OK 樣本 (Golden Sample): 準備至少 20 個你認為絕對完美的產品。
• NG 樣本: 盡可能收集所有類型的瑕疵品，刮傷、髒污、色差、尺寸不符、印刷偏移...每種至少 5-10 個。 瑕疵越刁鑽越好。
• 挑戰樣本 (Borderline Sample): 那種在及格邊緣、連老師傅都要想一下的，這才是真正考驗廠商演算法能力的東西。

把這些樣本拍照、編號，清楚定義每一個瑕疵是什麼、在哪裡。這份文件就是你的驗收標準。

第二階段：辦一場 PoC 測驗

把你的「考題包」複製幾份，發給你正在評估的 2-3 家廠商。告訴他們，請用你們的設備和軟體來測，然後給我一份報告。這就是Proof of Concept (PoC)。

看報告時，重點不是總準確率，而是這幾個指標：

• 漏判率 (Escape Rate): 這是最重要的。把NG品判成OK品，絕對是災難。這個數字要越低越好。
• 誤判率 (False Alarm Rate): 把OK品判成NG品。這個數字太高，會讓產線人員花一堆時間去複檢，失去自動化的意義。
• 設定時間 (Setup Time): 他們花多久時間才完成這個檢測專案？如果搞了好幾個禮拜，代表這套系統的彈性可能很低，未來換產品或換標準時會很痛苦。
• 檢測速度 (Inspection Speed): 每分鐘能檢測多少個 (UPM)，這個必須符合你產線的節拍。

第三階段：看技術以外的事

PoC 跑完，技術能力大概就有底了。接下來要談的，就是更軟性的東西。

• 整合與擴充性: 系統好不好跟你現有的MES整合？未來如果想增加檢測站，或換成更快的相機，架構支援嗎？
• 技術支援: 半夜產線掛了，找得到人嗎？是電話支援還是能到場？國外整合商可能會有時差問題，這點本土廠商相對吃香。
• 教育訓練: 他們會不會教你的員工怎麼操作、怎麼做基本的參數調整？還是什麼都要靠他們？這決定了你未來的維護成本。

技術再強，產線卡住、沒人會用，一切都是白搭。

三種主流方案，怎麼挑？

市面上的方案大概可以分成這三種，沒有絕對好壞，只有適不適合。

AI 檢測的迷思

最後想提一下 AI。現在沒掛個 AI 好像就落伍了。但 AI 檢測有幾個現實問題要考慮。

第一，資料。AI 的基礎是大量、高品質的標註資料。 如果你的瑕疵很少出現，或是瑕疵種類千變萬化，AI 模型就很難學得好。最近有些廠商開始用生成式 AI 來「創造」瑕疵樣本，這是一個有趣的趨勢，但生成樣本跟真實樣本之間還是有差距。

第二，算力。AI 模型，特別是深度學習，需要強大的 GPU 運算。這代表硬體成本會更高。有些廠商提供雲端訓練服務，但這又牽涉到資料上傳的資安問題。

第三，可解釋性。AI 判斷一個產品是 NG，但它不一定能清楚告訴你「為什麼」。它可能只是覺得「這裡看起來怪怪的」。這對於你要回頭去改善製程，其實幫助有限。

所以，不要一聽到 AI 就高潮。先回頭看看你的問題：傳統 AOI 演算法是不是真的解決不了？問題的根源，真的是檢測站嗎？還是製程本身就不穩定？有時候，花錢升級 AI，不如把錢拿去改善製程，從源頭減少瑕疵，可能更有效。