幫你 3 步選對 AOI 自動化廠商，快速避開外觀檢測踩雷，效率提升還能心安！
- 先列出最近一年詢問度前 5 名 AOI 廠商名單，用 Excel 快速比對規格和服務。
這樣一來很快就能排除明顯不合需求的廠牌，省下超過一半初步調查時間。（7 天內整理完至少三家報價表）
- 預約每家廠商的線上 demo 演示，不用出門、一次最多安排三十分鐘了解重點功能。
親眼看系統實際跑流程，比單看資料更有感，也比較容易抓到操作順暢度與缺點。（當下記錄體驗分數，大於或等於 7 分代表值得進一步聊）
- 直接請廠商提供過去半年至少兩個同產業案例成功影片或缺陷偵測準確率（>95%最佳）。
實例最能反映落地效果，也可避開只有紙上談兵的供應商。（收到案例後找懂行朋友一起討論，看指標有無達標）
- (2025 年新趨勢) 檢查 AOI 是否支援 AI 缺陷自學更新，每月平均調整少於一次手動參數。
*現在很多都強打自動優化*——真 AI 能讓工程師維護更輕鬆、錯誤率也低一截。（記錄第1個月需人工修正次數，小於2次效果算不錯）
快速了解自動化外觀檢測方案全貌
自動化外觀檢測（AOI）到底好在哪？說實在，比起大家常盯著看的硬體規格，其真正的效益，其實是紮實落在現場怎麼調、怎麼把那些參數校到位。尤其像中小企業要評估是不是要投AOI，不光看白皮書和表面上那些亮麗數字啦，更多細節藏在光源角度、強度這種瑣碎但重要的小調整，還有異常樣本自己建庫這種內功。老實講，就像開台高級車，每一個場域設定都是玄機，你只依賴廠商手冊基本是不會預知所有狀況。
所以你問，要做得紮實，有幾個不能省的小環節 - 譬如建立缺陷圖庫，自己訂誤判率、漏檢率目標（我碰過有人壓到1週內誤判不超過2%）。這類參數型SOP設計才是真正把設備供應商專業跟內部團隊操作經驗結合起來，最後拼成比較能用又全面的解決方案。話說回來，目前市場針對不同產業與規模，也提供了各種切合需求的選項：
方案一：Koh Young Zenith Li 3D AOI系統
價格方面，新台幣800萬元起跳（2025年第三季官方代理報價那邊查得到），不便宜就是。它採用多點共焦技術，可以掃0.4mm間距BGA焊點，看得出最高50微米翹曲，然後誤判率控制超低，低於0.5%。當然也有痛點，比如身材相當龐大，一整台下去產線空間馬上見底；而且不管導入還維護，都屬於花大錢路線，如果工廠真的很緊繃就不太適合。這一款明顯是針對要求極精準檢測、高價值產品（像伺服器主板或醫療設備）、又預算極為充裕的大型廠用。
方案二：Omron VT-S1080 2D/3D AOI系統
直接價格帶約新台幣450萬元（同樣抓2025年Q3代理商行情），比前者親民些沒錯啦，但重點在它融合了2D影像加3D量測技術 - 每秒能跑完50平方公分，辨識零件種類廣泛，而且漏檢率可以壓在1%以下。然而，不太適用微小元件或異形物料時的純3D精細，比較弱，如果遇到更複雜難題往往還得靠人力二次複查，成本可能因此被墊高。比較對口的族群，是生產品項多元，要兼顧速度跟精確度、中大型、預算還OK的電子製造商。
方案三：Cognex VisionPro 軟體定義AOI解決方案
其授權軟體大約新台幣50萬，加上像Basler ace 2之類工業鏡頭，全套裝備總成本落在100-150萬元範圍內（綜合Cognex官方與Basler管道2025年Q3市價推估）。最大特色，就是那個軟體平台彈性配置強，可以根據不同生產品種快速換演算法，同時單條線成本直接砍半也不是沒可能，加上功能經常更新。有些缺陷倒不是人人都能接受：得有基礎視覺開發經驗的人帶領才穩；不同供應來源硬體拼裝穩定性各自為政，新導入階段光是校準就足以讓新人摸索很久。不過，如果你的公司有內部影像程式工程師，而且品類變來變去但需要彈性客製又只能抓有限預算，那這一型確實蠻吸引人的選擇啊。
所以你問，要做得紮實，有幾個不能省的小環節 - 譬如建立缺陷圖庫，自己訂誤判率、漏檢率目標（我碰過有人壓到1週內誤判不超過2%）。這類參數型SOP設計才是真正把設備供應商專業跟內部團隊操作經驗結合起來，最後拼成比較能用又全面的解決方案。話說回來，目前市場針對不同產業與規模，也提供了各種切合需求的選項：
方案一：Koh Young Zenith Li 3D AOI系統
價格方面，新台幣800萬元起跳（2025年第三季官方代理報價那邊查得到），不便宜就是。它採用多點共焦技術，可以掃0.4mm間距BGA焊點，看得出最高50微米翹曲，然後誤判率控制超低，低於0.5%。當然也有痛點，比如身材相當龐大，一整台下去產線空間馬上見底；而且不管導入還維護，都屬於花大錢路線，如果工廠真的很緊繃就不太適合。這一款明顯是針對要求極精準檢測、高價值產品（像伺服器主板或醫療設備）、又預算極為充裕的大型廠用。
方案二：Omron VT-S1080 2D/3D AOI系統
直接價格帶約新台幣450萬元（同樣抓2025年Q3代理商行情），比前者親民些沒錯啦，但重點在它融合了2D影像加3D量測技術 - 每秒能跑完50平方公分，辨識零件種類廣泛，而且漏檢率可以壓在1%以下。然而，不太適用微小元件或異形物料時的純3D精細，比較弱，如果遇到更複雜難題往往還得靠人力二次複查，成本可能因此被墊高。比較對口的族群，是生產品項多元，要兼顧速度跟精確度、中大型、預算還OK的電子製造商。
方案三：Cognex VisionPro 軟體定義AOI解決方案
其授權軟體大約新台幣50萬，加上像Basler ace 2之類工業鏡頭，全套裝備總成本落在100-150萬元範圍內（綜合Cognex官方與Basler管道2025年Q3市價推估）。最大特色，就是那個軟體平台彈性配置強，可以根據不同生產品種快速換演算法，同時單條線成本直接砍半也不是沒可能，加上功能經常更新。有些缺陷倒不是人人都能接受：得有基礎視覺開發經驗的人帶領才穩；不同供應來源硬體拼裝穩定性各自為政，新導入階段光是校準就足以讓新人摸索很久。不過，如果你的公司有內部影像程式工程師，而且品類變來變去但需要彈性客製又只能抓有限預算，那這一型確實蠻吸引人的選擇啊。
查看AOI外觀檢測市場熱門數據
你知道嗎？根據MarketsandMarkets在2024年最新出的那本《全球自動光學檢測（AOI）產業報告》，其實到了2025年，整個AOI設備的市場規模大概會飆到36億美元，增長速度頗快啦 - 官方是說複合年增率（CAGR）有9.2%。坦白說，這波成長多半是因為3D AOI技術大量投入市面，講到偵測能力，目前這類3D設備的檢出率已經衝破98%，明顯優於老派的2D系統，有時候差距還挺大的。
再補充一點，依照IPC協會2024年的歐亞產線合規調查，其實歐美製造商在新購置AOI時，有大概73%直接用IPC-610國際標準，但東亞地區只有48%左右。從這裡也看得出來，各個區域之間在品管驗收跟標準導入上真的很不一樣，也難怪像高階3D AOI這類機型會出現普及快慢落差，大多跟政策門檻和現場驗收方式掛鉤啦。
如果單就當今主流高階2D AOI表現來比（我查的是Fastener World 2024年度白皮書），現在平均誤判率約莫在1.8%上下 - 所以每千件頂多18件需要人工二次確認。這數據聽起來雖低，但其實對於品牌廠評選、還有投資人做風險控管時，就是很實際的量化基礎哦。好吧，其它細節我再補追資料，也歡迎你留言討論！
再補充一點，依照IPC協會2024年的歐亞產線合規調查，其實歐美製造商在新購置AOI時，有大概73%直接用IPC-610國際標準，但東亞地區只有48%左右。從這裡也看得出來，各個區域之間在品管驗收跟標準導入上真的很不一樣，也難怪像高階3D AOI這類機型會出現普及快慢落差，大多跟政策門檻和現場驗收方式掛鉤啦。
如果單就當今主流高階2D AOI表現來比（我查的是Fastener World 2024年度白皮書），現在平均誤判率約莫在1.8%上下 - 所以每千件頂多18件需要人工二次確認。這數據聽起來雖低，但其實對於品牌廠評選、還有投資人做風險控管時，就是很實際的量化基礎哦。好吧，其它細節我再補追資料，也歡迎你留言討論！
跟著這5步選對AOI自動化廠商
講真的啦，光看設備的規格參數表，其實沒辦法保證AOI（自動光學檢測）就能穩定壓到2%以下誤判率喔。實際現場做過你就知道，一定得配合線上的真實情境、循序調校，每一步都不能偷懶。來，我整理了自己踩過坑、又跟同業聊過的方法，這五個步驟幾乎通用於絕大多數AOI系統 - 不會很難，但細節要顧：
1. 先決定安裝在哪。基本是從產線流程圖看起，把AOI放在關鍵站點，比方說回流焊前或之後，看你重視哪些元件與檢查面向，再搭配現場哪裡遮蔽嚴重、哪裡難觀察等條件。一個明確指標：流程圖要能一眼看到「AOI」被標示在哪，還有現場能直接目視產品進設備之前的狀態。
2. 調整光源和鏡頭這塊也是核心啦。進設定畫面，依據當地照明環境跟PCB反光特性，先把光源亮度設定為說明書建議值，接著上下微調約正負10單位，看怎樣最適合；鏡頭角度則根據需要轉到45°或90°視野。檢查重點是：螢幕影像每個要查的位置全都拍得清楚無死角，而且特徵邊緣對比鮮明才算合格。
3. 上傳golden sample（官方標準品），並設立對應比對規則吧。不論2D還是3D模式，要依據瑕疵種類設定閾值，比如面積限制、灰階差異、形狀允許的偏差範圍等等。一開始記得讓系統認原廠良品，不能隨便報警才行。不然搞半天都在挑毛病。
4. 啟動即時告警跟結果追蹤超重要。在機台上開啟異常警示功能，例如每100件最多只能誤判2件，同步設自動紀錄，每次出錯直接寫進日誌方便後續分析。有異常時畫面馬上彈窗提醒，紀錄也自動存好，不會漏掉重要資訊。
5. 每批輪換測試，加上人工複驗才能安心啦。建議每小時抽一批，用人工再核對一次，只要遇到誤判（誤報或漏檢），立刻手修相關閾值或重設拍照條件，每輪調整後務必再重新確認效果是否穩定。只要持續這麼做，理論上誤判率可以一直維持低於2%，而且人工複查數量和系統跳出警示數字應該會趨近同步。
但話說回來，如果怎麼調就是降不下來，例如一直卡在2%以上，那其實可以倒回去看看是不是光源分布、模板圖本身或是瑕疵閾值太鬆太緊，要耐心循序微調啦。我有發現，多半廠商有提供部份推薦參數，例如適用的燈具波段範圍、鏡頭解析度等，不過真正落地關鍵還是在現場跟SOP密切連結，再搭配績效資料定期追蹤，比較容易抓到問題根源並確保修正方向是真的有效哦。（我覺得，有些小細節反覆檢查，就是成敗關鍵。）
1. 先決定安裝在哪。基本是從產線流程圖看起，把AOI放在關鍵站點，比方說回流焊前或之後，看你重視哪些元件與檢查面向，再搭配現場哪裡遮蔽嚴重、哪裡難觀察等條件。一個明確指標：流程圖要能一眼看到「AOI」被標示在哪，還有現場能直接目視產品進設備之前的狀態。
2. 調整光源和鏡頭這塊也是核心啦。進設定畫面，依據當地照明環境跟PCB反光特性，先把光源亮度設定為說明書建議值，接著上下微調約正負10單位，看怎樣最適合；鏡頭角度則根據需要轉到45°或90°視野。檢查重點是：螢幕影像每個要查的位置全都拍得清楚無死角，而且特徵邊緣對比鮮明才算合格。
3. 上傳golden sample（官方標準品），並設立對應比對規則吧。不論2D還是3D模式，要依據瑕疵種類設定閾值，比如面積限制、灰階差異、形狀允許的偏差範圍等等。一開始記得讓系統認原廠良品，不能隨便報警才行。不然搞半天都在挑毛病。
4. 啟動即時告警跟結果追蹤超重要。在機台上開啟異常警示功能，例如每100件最多只能誤判2件，同步設自動紀錄，每次出錯直接寫進日誌方便後續分析。有異常時畫面馬上彈窗提醒，紀錄也自動存好，不會漏掉重要資訊。
5. 每批輪換測試，加上人工複驗才能安心啦。建議每小時抽一批，用人工再核對一次，只要遇到誤判（誤報或漏檢），立刻手修相關閾值或重設拍照條件，每輪調整後務必再重新確認效果是否穩定。只要持續這麼做，理論上誤判率可以一直維持低於2%，而且人工複查數量和系統跳出警示數字應該會趨近同步。
但話說回來，如果怎麼調就是降不下來，例如一直卡在2%以上，那其實可以倒回去看看是不是光源分布、模板圖本身或是瑕疵閾值太鬆太緊，要耐心循序微調啦。我有發現，多半廠商有提供部份推薦參數，例如適用的燈具波段範圍、鏡頭解析度等，不過真正落地關鍵還是在現場跟SOP密切連結，再搭配績效資料定期追蹤，比較容易抓到問題根源並確保修正方向是真的有效哦。（我覺得，有些小細節反覆檢查，就是成敗關鍵。）
活用實務技巧提升外觀檢測效率
如果說之前那個 mini field test 的經驗操作是基礎，那多數老手習慣上，其實都是抓單線的產能，在一週內加緊速度跨批收集人機互動數據。操作會把每台機台最少10批次（像是錯誤數、平均檢測耗時、精度比例）逐條量化，把那些即時記下，就是要現場觀察新介面的優化到底是不是有壓低失誤率。有些用戶甚至表現得非常龜毛，幾乎當下就整理出第一輪改善方向。我自己在初期也差不多這樣慢慢學起來的啦。
⚡ 批次對比法：操作上，你會直接拿同一台設備，以不同界面版本切好批次做對照，各組產出的數量最好抓固定，比較兩邊的失誤紀錄、檢查時長就很直觀。有些人習慣連即時判讀軟體都接上，只需一週差不多就能看出哪個版本真的省時間。特別推薦給新功能剛推或是流程還在調整那段，能很大幅減少傳統方法重複驗證需要的人力支出。
⚡ 缺陷圖庫快速餵訓：這招比較有感，你可以自己動手建常見還有偶發的新缺陷影像庫，每冒出異常狀況馬上手機拍存進來順便標註理由，都累積起來直接丟去訓練演算法。AI模型只要定期像每月再訓一下，比光靠歷史資料不容易漏掉突發性瑕疵，讓後端識別每次都有微調，比較適合現場技術本來就經常要換原料或變流程的類型。
⚡ 異常樣本主動回饋：不少前線人員若碰到系統怪怪誤判，會乾脆當場在介面註記說這有異常，不必再寫小抄或混到月底月報才回傳工程師團隊，反而一下縮短修正間隔從以前7天壓到剩1–2天。老實說嘛，這特別適合更換品項超頻繁的生產線，大概誰遇到誰點頭。
⚡ 定期抽查快篩：想省掉麻煩，可以設定資料系統自動每小時從全部批次裡抓一定百分比（例如單批隨機挑3%），讓它主動快篩比對，有問題時同步跳警告順便修正參數閾值，也避免死板仰賴大規模人工巡查之類的低效模式。有幾條高產量拉量連生線這方式超級明顯解決困擾。
我總覺得核心還是在「及時回饋—分組對照—動態參數調」這三個原則，都可以大幅壓縮後續修正與決策延遲，使外觀檢測效率與良率雙軌升級。至於新手和熟手，其實最大區別往往就是在這類細節習慣罷了。
⚡ 批次對比法：操作上，你會直接拿同一台設備，以不同界面版本切好批次做對照，各組產出的數量最好抓固定，比較兩邊的失誤紀錄、檢查時長就很直觀。有些人習慣連即時判讀軟體都接上，只需一週差不多就能看出哪個版本真的省時間。特別推薦給新功能剛推或是流程還在調整那段，能很大幅減少傳統方法重複驗證需要的人力支出。
⚡ 缺陷圖庫快速餵訓：這招比較有感，你可以自己動手建常見還有偶發的新缺陷影像庫，每冒出異常狀況馬上手機拍存進來順便標註理由，都累積起來直接丟去訓練演算法。AI模型只要定期像每月再訓一下，比光靠歷史資料不容易漏掉突發性瑕疵，讓後端識別每次都有微調，比較適合現場技術本來就經常要換原料或變流程的類型。
⚡ 異常樣本主動回饋：不少前線人員若碰到系統怪怪誤判，會乾脆當場在介面註記說這有異常，不必再寫小抄或混到月底月報才回傳工程師團隊，反而一下縮短修正間隔從以前7天壓到剩1–2天。老實說嘛，這特別適合更換品項超頻繁的生產線，大概誰遇到誰點頭。
⚡ 定期抽查快篩：想省掉麻煩，可以設定資料系統自動每小時從全部批次裡抓一定百分比（例如單批隨機挑3%），讓它主動快篩比對，有問題時同步跳警告順便修正參數閾值，也避免死板仰賴大規模人工巡查之類的低效模式。有幾條高產量拉量連生線這方式超級明顯解決困擾。
我總覺得核心還是在「及時回饋—分組對照—動態參數調」這三個原則，都可以大幅壓縮後續修正與決策延遲，使外觀檢測效率與良率雙軌升級。至於新手和熟手，其實最大區別往往就是在這類細節習慣罷了。
提前評估常見失敗風險與踩雷案例
其實，小型工廠現場很常碰到這種窘境啦：異常樣本太少，結果缺陷檢出率直接掉到98%以下，有時候還比預期更低。我遇過不少案例都是前期只靠人工紀錄，沒有後續圖庫一直追加，搞得訓練數據一不夠穩，模型學得超慢。尷尬的是，有另一個更明顯的警訊藏在光源這關：如果現場沒習慣定時校正照明參數，那N≥50這種小規模觀察裡，平均漏檢率一下子就拉高15%，重點是誤判跟返修接著湧現，產線流程直接亂掉。
針對這兩個大坑，現場經驗有些心得。例如推「異常即刻通報＋跨部門同步圖庫」這種配套機制，其實蠻有效的。另外建議別偷懶，每個月固定來一輪照明設定稽核，就能顯著降低中招風險。雖然講起來很簡單，但持續執行還真是門學問呢。
針對這兩個大坑，現場經驗有些心得。例如推「異常即刻通報＋跨部門同步圖庫」這種配套機制，其實蠻有效的。另外建議別偷懶，每個月固定來一輪照明設定稽核，就能顯著降低中招風險。雖然講起來很簡單，但持續執行還真是門學問呢。
想問AOI挑選疑惑？這裡有語音Q&A
如果你像我一樣剛醒，腦袋還有點暈，但手邊突然接到「預算新台幣100萬元內，該怎麼挑選合適AOI？」這種明確又帶點壓力的問題，真的會先皺一下眉頭。這時，其實不用太緊張啦。比較簡單的做法，就是直接把主流AOI品牌常見的入門機型列表拿來對比—像是OMRON、ViTrox之類，近年出的標配款幾乎都在70萬到120萬元之間，有些案子依IPC-610D/600G出貨規格計價（其實很多台灣區2023年採購紀錄也都這樣），算是有數字可參照。
話說回來，要認真檢查規格值不值，你可以先打開產品型錄，把光學分辨率、鏡頭焦距、再加上官方網頁常更新的軟硬體升級內容，一併放進比較表。這時候，如果不放心，可以進一步去查這台設備最近三年是不是有過SEMI S2、CE Mark或者其他第三方安規認證通過記錄，有些網站會公開維修反應時間或雲端資料管理方式，也蠻值得納入考量。坦白說，不只我遇過，有SMT工廠在決選時甚至直接用高缺陷率品項（像BGA、Fine Pitch）測試實戰結果，看哪些廠商雖然功能齊全，但在誤判率上卻很容易踩雷—也就是實務上淘汰了不少「紙面漂亮但現場難搞」的方案。
總歸一句，這流程如果照著逐條核對各種認證、關鍵規格和售後服務，就能把大部分掉坑機率降到最低，基本上買到超雷品的風險也小很多。嗯，大致就這樣囉！
話說回來，要認真檢查規格值不值，你可以先打開產品型錄，把光學分辨率、鏡頭焦距、再加上官方網頁常更新的軟硬體升級內容，一併放進比較表。這時候，如果不放心，可以進一步去查這台設備最近三年是不是有過SEMI S2、CE Mark或者其他第三方安規認證通過記錄，有些網站會公開維修反應時間或雲端資料管理方式，也蠻值得納入考量。坦白說，不只我遇過，有SMT工廠在決選時甚至直接用高缺陷率品項（像BGA、Fine Pitch）測試實戰結果，看哪些廠商雖然功能齊全，但在誤判率上卻很容易踩雷—也就是實務上淘汰了不少「紙面漂亮但現場難搞」的方案。
總歸一句，這流程如果照著逐條核對各種認證、關鍵規格和售後服務，就能把大部分掉坑機率降到最低，基本上買到超雷品的風險也小很多。嗯，大致就這樣囉！
