產業痛點

AI瑕疵檢測能夠有效解決傳統AOI檢測受限於瑕疵樣本不一、樣本數不足、誤判率高以及需人工複檢等瓶頸，加上液態材料檢測技術，對於品質要求日益嚴苛的電子業、環境工程而言，絕對是未來產業升級更好的選擇。

  • 什麼是AI瑕疵檢測？

AI瑕疵檢測結合高階AI運算技術，可依據檢測需求進行學習以及瑕疵分級&分類，不僅提高機器檢測的可靠性，改善傳統AOI檢測的誤判率，且因不需人工複檢，辨識速度亦大幅加速。

AI瑕疵檢測透過人工智慧學習技術來進行產品或材料的瑕疵檢測或缺陷檢測。此種檢測方法通常應用於工業製造和生產中如電子元件、汽車零件等，確保製程中的產品質量。AI瑕疵檢測通常包含以下幾個步驟：

  1. 建立數據資料庫：累積正常和有瑕疵樣本資料，根據所累積之數據建立&驗證AI模型。

  2. 資料前處理：在分析演算法之前，對Raw data進行處理，確保資料質量和一致性，避免模型因資料瑕疵發生誤判，提升預測效果。

  3. 模型訓練：針對所標記之資料庫進行訓練，旨在學習準確辨識正常和有瑕疵樣本的模式，使其學習資料的模式和特徵，以便精準預測以及分類新資料。

  4. 瑕疵檢測：將完成訓練的模型應用於須檢測之產品上，進行產品瑕疵檢測或缺陷檢測。

  5. 結果評估：模型的預測結果愈穩定，相關人員以及生產線監控系統並能藉由精準之分析結果即時處理製程中所出現的問題。

綜合上述可知，AI瑕疵檢測的優點包括高效、準確而且自動化。相比傳統的人工檢測，AI瑕疵檢測可以更快速地處理大量數據，並提高檢測的準確性和一致性，達到降低生產成本、提高生產效率和產品品質之目標。

  • AI瑕疵檢測與傳統AOI的差異

自動光學檢測（AOI）也是工業製造中常用的檢測手法，和AI瑕疵檢測間略有差異，包括：

  1. AOI依賴預先定義的規則和特徵進行瑕疵檢測，利用預先編寫的算法和影像處理技術，比對標準影像和正常產品。而AI瑕疵檢測則利用學習大量經過處理的資料庫，進而自主學習瑕疵檢測的模式和特徵。

  2. 如遇不同產品或生產情境，傳統AOI需透過人工調整規則和特徵，以因應不同的生產狀況。AI瑕疵檢測則能夠根據新數據集自動調整和優化模型，並處理不同類型的瑕疵和變體。

  3. AI瑕疵檢測是透過學習大量數據資料以提高檢測準確性。而AOI檢測則受限於預先定義的規則，無法精準辨識較複雜或變異的瑕疵。

  4. AI瑕疵檢測的模型具有自主學習的能力，它可以在不斷累積和處理新的數據時提高性能。模型可以從錯誤中學習並自我修正，進一步改進瑕疵檢測的能力。而傳統AOI則需要人工的更新和調整。

總的來說，AI瑕疵檢測相對於傳統AOI具有更高的準確性和靈活性。它能夠自主學習和適應不同的產品和環境，提供更精確的瑕疵檢測能力，同時降低了人力成本和時間成本。然而，AI瑕疵檢測也需要更多的數據集和計算資源來進行訓練和運行，並且可能需要更多的技術專業知識來開發和維護模型。

之間存在一些差異。以下是這兩種方法之間的一些主要差異：

  1. 檢測方法：傳統AOI主要依賴於預先定義的規則和特徵來檢測瑕疵。它使用預先編寫的算法和圖像處理技術，對標準和正常產品進行比對。相反，AI瑕疵檢測利用機器學習和深度學習模型，通過學習大量標記的數據集，能夠自主學習檢測瑕疵的模式和特徵。

  2. 彈性大：傳統AOI通常需要人工設計和調整規則和特徵，以適應不同的產品和生產環境。AI瑕疵檢測可根據不同數據集自動調整和優化模型，並能夠處理不同類型的瑕疵和變體。

  3. 準確性：由於AI瑕疵檢測使用機器學習和深度學習模型，它可以通過學習大量數據和特徵來提高檢測的準確性。相比之下，傳統AOI可能受限於預定義的規則和特徵，對於複雜或變異的瑕疵可能無法提供高度準確的檢測。

  4. 自主學習能力：AI瑕疵檢測模型具有自主學習的能力，它可以在不斷累積和處理新的數據時提高性能。模型可以從錯誤中學習並自我修正，進一步改進瑕疵檢測的能力。而一般AOI則需人工更新和調整。

總體而言，AI瑕疵檢測與傳統AOI檢測最大不同之處在於：有效資訊量。一般AOI檢測的瑕疵樣本常不一致，不容易累積到足夠樣本，且單一鏡頭亦無法同時檢測多重瑕疵類別，導致誤殺率過高、需人力進行複檢，進而造成人力以及原物料成本。加上傳統AOI檢測僅適用物體表面、乾式樣品，如遇上液態材料或是液體微汙染便大大不足。而AI瑕疵檢測則能運用大量有效資料並透過高階學習技術執行快速訓練，自動化歸納最佳OK&NG參數，確保檢驗標準的一致性，大幅提升辨識準確率。

#想了解更多AI瑕疵檢測應用？歡迎與邑流聯繫！👉快速聯繫

邑流應用

  • AI瑕疵檢測優勢說明

過去AOI是透過比對待測物影像與標準影像的差異作為判斷基準，辨別產品良率與完整性。因此必須先定義好瑕疵樣本才能進行檢測。且作為比對標的的標準影像，其細節愈完整，比對的精準性就愈高。換言之，AOI設備只能仰賴經驗法則先定義好的指令檢測，如出現新瑕疵或定義不明，設備可能就無法進行判斷。這也正是AOI需再次運用人力或固定參數進行複查的原因。加上一般AOI以拍攝樣品表面影像作為判斷依據，所以待測物影像也必須夠穩定，才能被正確區別。只要光源、高度、平坦度、產品反光性等其中一項參數跑掉，就可能造成判讀結果失真。

隨著檢測條件日趨複雜、愈來愈多難以具體描述的瑕疵出現時，傳統AOI便開始不敷使用，而高效靈活的AI瑕疵便能補足AOI這部分的弱點。AI瑕疵檢測能透過數據學習，主動辨識未知的瑕疵，並做進一步判斷分析。

總結來說，相較傳統AOI檢測，AI瑕疵檢測整合機器視覺&機器學習，可判斷邏輯性錯誤，不僅大幅降低誤判率亦可有效取代人工複檢的成本及負擔。

  • AI瑕疵檢測實際應用案例

如何掌握液體中的粒徑分布狀況、即時檢測出微汙染(瑕疵)，以找出研磨最佳效益，對電子廠製程漿料產業而言是非常重要的命題。

然而，傳統訊號式的粒徑分布檢測，遇到濃度高的液體時，常會發生粒子間訊號互相干擾，導致數據結果與預期中不同、數據不可靠之狀況。別於傳統粒徑分布檢測技術，FlowVIEW 全自動微流影像分析儀結合粒徑分析Sizer與粒子計數Counter兩大重點功能，可同時針對粒子尺寸與粒子數量進行分析，取代過去既有分析技術，成為強而有力的問題對策工具。全自動微流影像分析儀不僅可針對粒子尺寸&數量，更可檢測液體中的微汙染物。透過100%全景深擷取的特殊設計搭配高階AI瑕疵檢測技術，精準分辨出汙染物是結晶、粉塵或毛絮，進而排除特定的幾個可能汙染源。

而台灣知名化工大廠的曝氣槽微生物檢測，過去在執行廢水及汙水處理時，常以光訊號式counter搭配光學顯微鏡檢測微生物種類及數量。但根據會遇到許多技術上的限制。例如，過去的檢測方式無法即時整合所觀察到的微生物種類及數量，且須仰賴人工土法煉鋼比對，過程中還常因為過多的人為因素，影響到檢測結果之客觀性。最困擾的是，整體流程需耗費大量人力、時間及非必要的成本支出，種種因素都導致過往檢測方式無法產出有效且精準的檢測結果。邑流微測以特殊光學設計搭配自動化分析模式，並搭配高階影像分析及AI深度學習系統，不僅可判讀液體中的半透明顆粒、氣泡、不規則外緣等等物質原始樣貌，即時呈現液體的顆粒數量、濃度以及整體粒徑分布，也做到自動比對曝氣池水質資訊、計算後段營養劑添加時機點，提升水質穩定度同時降低維護成本。總體而言，此項技術強化過去相關檢測的可靠度，協助產出可用之檢出報告。非常適合應用於曝氣池微生物檢測以及環境廢水檢測等相關應用。此外，AI瑕疵檢測可透過影像分析和機器學習技術自動化檢測藥粉或藥液中的瑕疵、潔淨度等問題。

▶延伸閱讀：粒徑分析儀選擇重點：你適合哪種粒徑分析儀量測？

▶延伸閱讀：粒徑分布分析：透過CMP Slurry製程，了解分析困境與解決方案