製造業 AI 品檢怎麼導入?從 AOI 到深度學習瑕疵檢測的完整落地指南

一條 SMT 產線,原本用的是規則型 AOI。老闆的抱怨很具體:誤判率高到讓兩個作業員整天在複判區「幫機器擦屁股」,真漏檢的又照樣流到客戶端。他問我們一句話——「AI 到底能不能取代這台 AOI?」

答案是:不能取代,但能接手它最不擅長的那一段。這也是理解 AI 品檢導入的起點。

先分清楚:AOI 和深度學習各管什麼

AOI(自動光學檢測)本質是「規則比對」。你告訴它零件該在哪、焊點該多亮、尺寸公差多少,它就照著量。這類問題它做得又快又穩。但它有個天花板:凡是需要「判斷像不像瑕疵」的模糊地帶,規則寫不完。木紋、布疋、金屬表面的刮痕、色差、髒污——同一種缺陷,一百個樣子,規則型系統只能把公差放寬(漏檢)或收緊(誤判爆炸),兩頭不討好。

深度學習補的正是這塊。它不靠人寫規則,而是從大量標好的影像裡「學」出瑕疵的樣貌。

實務上多數工廠不是二選一,而是 AOI 先做粗篩,深度學習接手灰色地帶的複判。這樣算力花在刀口上,也不用一次推翻既有設備。

第一步:資料標註,才是真正的工程量

大家以為導入 AI 品檢的難點在模型。錯了。難點在資料。

一個能上線的瑕疵模型,通常需要每種缺陷類別數百到上千張標好的影像。問題是——真實產線的良率越高,瑕疵樣本越少。你想抓的那種致命缺陷,可能一個月才出現三次。這是我們每個案子開頭都要面對的矛盾:資料最缺的,往往正是最該抓的。

處理方式有三個層次。先翻歷史:多數工廠的 AOI 早就存了幾年的複判影像,那是現成的金礦,只是沒人整理。再來是產線埋點,主動把 NG 品的影像留樣、分類。真的湊不齊,才用資料增強或合成缺陷來補。

標註本身也有雷。定義不一致是頭號殺手——A 檢驗員覺得是刮傷,B 覺得是反光,模型學到的就是一團矛盾的訊號。所以我們進場第一件事,常常不是碰模型,是和品保主管一起把「什麼叫瑕疵、幾 mm 以上算、邊緣的算不算」寫成一份標註準則,再拿幾百張圖做校準。這步跳過,後面全白做。

第二步:模型訓練,對齊的是產線的成本結構

訓練階段,真正要決定的不是用哪個網路架構,而是「你比較怕漏檢還是誤判」。

這兩者是蹺蹺板。閾值拉高,漏檢少了,誤判跟著上升,複判人力回來了;閾值拉低則反過來。沒有標準答案,只有取捨——車用、醫材漏一個可能是召回事故,寧可誤判多;快消品則相反,誤判太多會拖垮節拍。這條線該畫在哪,是品保和產線一起定的商業決策,不是資料科學家關起門調參數。

我們的做法是先跑出一條 precision-recall 曲線,攤在會議桌上,讓客戶自己指——「你要站在這個點,代價是每天多這些複判」。把取捨講白,上線後才不會吵架。

第三步:產線整合,Demo 到上線之間的那條溝

模型在筆電上跑到 99% 準確率,和它在產線上真的有用,中間隔著一整條溝。

節拍是第一關。產線一秒過三片,你的推論就得壓在 300 毫秒內,這牽涉到模型要不要壓縮、要不要上邊緣運算的 GPU。光源與治具是第二關——訓練資料的打光,和現場的打光只要差一點,準確率就崩,所以影像採集的環境必須先固定下來。第三關最容易被忽略:MES 整合。判 NG 之後呢?訊號怎麼回傳、不良品怎麼自動剔除、資料怎麼進報表,這些沒接通,AI 就只是一台更貴的顯示器。

最後一關是人。作業員信不信任這台機器,決定它會被用還是被繞過。我們看過準確率很漂亮的系統,因為沒設計好複判介面,三個月後被現場默默關掉。所以上線後那段「模型看走眼、人幫忙糾正、再回頭餵給模型」的迴圈,才是良率持續往上爬的關鍵,而不是交付當天那個數字。

導入 AI 品檢從來不是買一套軟體,而是把資料、模型、設備和作業流程,在同一條產線上真正對齊。這也是我們一貫的做法:工程師直接進場,陪產線把系統推上線、扛到現場的人願意用為止——Demo 很美不算數,產線上有人在用、良率有在動,才算數。