傳統 AOI 與 AI 深度學習瑕疵檢測各有擅長的場景。本文從判斷原理、誤殺與漏檢、換線成本比較兩者差異，並整理導入前該先確認的三件事。
產線上的外觀檢查，過去多半靠人工目視或傳統 AOI（自動光學檢測）。近幾年 AI 深度學習被大量導入瑕疵檢測，但這並不代表傳統 AOI 已經過時。兩者的判斷方式完全不同，適合的場景也不同，選錯工具，常見的結果不是誤殺太多，就是漏檢太多。
傳統 AOI 怎麼判斷？
傳統 AOI 是**規則式（Rule-based）**的判斷：工程師先定義好規則與參數，例如灰階門檻、邊緣位置、標準樣板比對、尺寸公差，影像只要落在規則之外，就判定為不良。
它的優點是邏輯清楚、結果可預期，特別適合尺寸量測這類有明確數值標準的檢查。缺點是規則寫死了，遇到光影變化、背景紋理，或從來沒定義過的瑕疵，就容易誤判或漏判。
AI 深度學習怎麼判斷？
AI 瑕疵檢測則是讓類神經網路從大量影像中自己學習特徵。工程師提供標註好的良品與瑕疵影像，模型在訓練過程中找出「什麼樣子算瑕疵」，之後再對新的影像進行推論。
因為判斷依據是學來的特徵，而不是固定規則，AI 對光線變化、背景干擾、形狀不規則的瑕疵，通常有更好的容錯能力。
兩者比較
| 比較項目 | 傳統 AOI | AI 深度學習瑕疵檢測 |
|---|---|---|
| 判斷機制 | 規則式與固定參數 | 類神經網路自主學習特徵並推論 |
| 最適用場景 | 少樣多量、規格固定、絕對尺寸量測 | 多樣少量（可搭配只需良品訓練的異常檢測）、非結構化瑕疵、背景複雜 |
| 誤殺（Overkill） | 易受光影干擾而偏高 | 容錯與環境適應力較佳 |
| 漏檢（Underkill） | 未定義過的瑕疵容易漏判 | 能捕捉複雜、非標準化的異常 |
| 換線與設定 | 需數天至數週重新調機與編寫程式 | 可透過遷移學習，在數小時至數天內完成 |
什麼情況適合傳統 AOI？
- 產品規格固定、少樣多量，長期生產同一種料號
- 檢查項目是尺寸、位置、有無，有明確的數值標準
- 取像環境穩定，光源與治具位置都能控制
什麼情況適合 AI？
- 多樣少量、經常換線，每次重新寫規則成本太高。這類產線往往很難替每個料號收集大量瑕疵影像，此時可採用只需良品影像訓練的異常檢測，或以遷移學習在少量樣本上快速微調
- 瑕疵型態多變，例如刮痕、髒污、壓傷、異物，很難用規則描述
- 背景複雜，例如金屬反光、紋理材質、深淺不同的包裝
- 人工目視判斷標準因人而異，希望把老師傅的經驗「教」給系統
實務上兩者也常搭配使用：由傳統 AOI 負責尺寸量測，AI 負責外觀瑕疵判斷，各自發揮所長。
導入 AI 瑕疵檢測前，先確認三件事
1. 有沒有累積瑕疵樣本？ 掌握數據，就掌握 AI。如果產線已經累積瑕疵品或瑕疵影像，導入速度與檢出率都能大幅提升。就算現在還沒有要導入，也建議開始保留瑕疵樣本。瑕疵真的很少見時，也可以改用只需要良品訓練的異常檢測。
2. 產線自動化程度到哪裡？ 檢出瑕疵之後要做什麼？觸發機台警報、控制輸送帶剔除，還是上傳 MES？後段能串接到什麼程度，決定了系統能發揮多大的效益。
3. 驗收標準怎麼訂？ 不要只看「準確度」。在良率很高的產線上，準確度數字很容易失真，建議以檢出率與過殺率作為驗收指標。詳細說明可參考〈AI 檢測準確度 98% 為什麼可能是陷阱？〉。
結語
AOI 與 AI 沒有絕對的好壞，關鍵在於檢查項目與產線條件。淩琦科技提供 AI 視覺檢測系統，從光學取像、模型訓練到設備訊號串接一次完成；也歡迎提供樣品或瑕疵照片，由工程師協助評估適合的做法。