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瑕疵檢測與傳統AOI的差異

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。

▶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