🔧 AOI 的基本工作原理
-
影像擷取
- 使用高解析度工業相機或線掃描相機拍攝產品影像。
- 補光設備(如環形燈、同軸光、斜角光)增強表面特徵。
-
影像處理與分析
- 透過影像處理演算法分析產品影像,提取邊緣、紋理、對比度等特徵。
- 使用模板比對、特徵匹配、深度學習模型判斷產品是否合格。
-
缺陷判定
- 根據檢測標準標示不良品,如刮痕、裂紋、汙漬、異物、焊接不良等。
- 分類缺陷類型,統計良率和不良率。
-
輸出結果與設備控制
- 檢測結果回傳至控制系統(如 PLC、MES)。
- 自動剔除不良品,或發送警報通知操作人員。
🛠️ AOI 主要檢測項目
- 外觀瑕疵:刮痕、裂縫、氣泡、變色、凹痕
- 尺寸檢測:長度、寬度、高度、公差測量
- 元件檢查:元件漏裝、偏移、極性錯誤、短路焊接
- 印刷標記:雷射打標、條碼、文字 OCR 辨識
- PCB 焊接品質:焊點虛焊、錫球、錫橋、焊料不足
🚀 AOI + AI 的智慧升級
🔧 傳統 AOI 的檢測邏輯多半是基於閾值判斷,對於複雜的瑕疵可能誤判。現在許多工廠會結合 AI,讓 AOI 更聰明!
- 缺陷分類:用卷積神經網路(CNN)自動分類瑕疵類型。
- 異常偵測:用無監督學習模型(如 Autoencoder)學習正常品特徵,快速辨識異常。
- 瑕疵預測:用歷史生產數據訓練模型,分析哪個工序容易產生缺陷,提前調整製程。
📈 好處:降低漏檢率、提高良率,並能自動學習新類型的缺陷!
🎯 導入 AOI 的建議步驟
- 需求分析:確認要檢測的瑕疵類型、尺寸精度、檢測速度要求。
- 設備選型:根據產品特性,選擇 2D/3D、線掃描或點掃描 AOI。
- 光源測試:調整光源角度、波長,讓瑕疵特徵更明顯。
- 演算法開發:搭建影像處理邏輯,或訓練專用深度學習模型。
- 現場調校:調整檢測參數、移動速度,平衡檢測精度與效率。
- 數據監控與持續優化:用 AI 進行持續學習,不斷降低誤判率!
- 食品業
- 製造業
- 電子業
- 生技業
- 金屬加工業
- 汽車行業
結合 影像處理 和 AI 技術,可以讓生產線更快、更準、更穩,降低人為誤判,提升產品競爭力!

