人工智慧 (AI) 與類人檢測：整合 AI 提升品質的考量與挑戰
企業日益依賴人工智慧 (AI) 來跟上技術進步的步伐，因為它提供了廣泛的應用範圍，從流程與物流資料分析、品質保證、機器控制到全新的資料驅動商業模式，人工智慧 (AI) 幾乎無所不在，在測試、品質管理與視覺檢測領域，同樣如此。
人工智慧 (AI) 的定義
人人都在談論人工智慧 (AI)，但它究竟是什麼？歐洲議會 (European Parliament) 的定義如下：「人工智慧 (AI) 是指機器展現出類似人類的能力，例如：推理、學習、規劃與創造力；人工智慧 (AI) 使技術系統能夠感知其環境，處理所感知的資訊，解決問題並執行以達成特定目標；電腦可以接收資料 — 無論是預先處理的資料，還是透過自身的感測器（如攝影機）收集的資料 — 進行處理並作出回應，人工智慧 (AI) 系統能夠透過分析先前行動的影響來調整自身行為，並且能夠自主運作。」
人工智慧 (AI) 在製造業中的應用
在製造業檢測流程中整合 人工智慧 (AI) 需要策略性的佈局，企業在採用人工智慧 (AI) 驅動的檢測技術以優化營運並提升獲利能力時，應當了解在製造流程中部署這些技術的最佳實踐方法與關鍵考量。
資本支出與營運成本的權衡
人工智慧 (AI) 可以提高效率、提升準確性並在許多情境下具有成本效益，但並非適用於所有情況，雖然 人工智慧 (AI) 為各種規模的企業提供了有趣的機會，但往往需要較高程度的整合努力與前期投資成本；然而，只要規劃得當，人工智慧 (AI) 在長期內的成本效益通常是正向的，關鍵在於避免不必要的過度投資。在製造業的品質檢測與自動化測試中，以下四個關鍵因素會影響 AI 與自動化檢測技術的應用與效能：
測試速度要求
測試速度 直接影響產線的效率與生產成本，不同的產品與應用場景對測試速度的要求不同，具體考量因素包括：- 高產能生產線：
如半導體封裝、PCB 測試、汽車電子元件測試，每秒鐘需要檢測數百甚至上千個元件，A.I. 需要高速運算並即時判斷。
- 精密檢測需求：
如醫療設備或高端光學鏡頭的品質檢測，可能需要較長時間的圖像分析與資料處理，因此測試速度相對較慢，但精準度要求極高。
- 線上測試 (In-line Testing)：
要求在生產線運作時即時完成測試，例如 SMT（表面黏著技術）生產中的自動光學檢測 (AOI, Automated Optical Inspection) 必須在毫秒級時間內完成測試。
- 離線測試 (Off-line Testing)：
可允許較長時間的測試，例如：航空航太零件的結構完整性檢測，通常採用較長時間的 X 光或超音波檢測。
受測裝置 (DUT, Device Under Test) 的數量與測試量
測試系統的設計需要考量 DUT 的數量與每次測試的批量，具體考量點包括：- 單件測試 (Single DUT Testing)：
適用於高價值產品，例如：醫療儀器、航太元件，每個 DUT 需單獨測試並詳細記錄資料。
- 多件批量測試 (Batch Testing)：
適用於大批量電子產品，例如手機 IC 晶片、LED 顯示器等，每次測試可同時處理多個 DUT 以提升效率。
- 連續測試 (Continuous Flow Testing)：
在生產線上以滾動式方式測試，如汽車製造中的動態測試，系統需能持續監測與評估產品品質。
- 隨機抽測 (Sampling Testing)：
部分產品不會 100% 檢測，而是依據統計方法抽取一定比例的樣本進行測試，如食品與藥品生產。
產品與缺陷尺寸
產品尺寸與缺陷的大小 會決定測試設備的解析度、感測器種類以及影像處理技術：- 微小缺陷檢測：
- 例如：半導體晶圓、光學透鏡、精密金屬零件，其缺陷可能在數微米（µm）甚至奈米（nm）級，需要高解析度顯微檢測技術，如電子顯微鏡 (SEM) 或 X-ray。
- 典型應用：IC 晶片瑕疵檢測、雷射光學組件品質檢測。
- 毫米級缺陷檢測：
- 適用於機械零件、印刷電路板 (PCB) 或消費性電子產品，如手機螢幕的刮痕、焊點缺陷、連接器的接觸不良。
- 典型應用：汽車零件檢測、SMT 元件焊接品質檢測。
- 公分/公尺級缺陷檢測：
- 例如：建築材料、玻璃面板、車輛塗裝品質，需要較大範圍的影像檢測技術，如超音波、熱成像或機器視覺掃描。
- 典型應用：汽車車體塗裝瑕疵檢測、航太結構完整性測試。
結果的重複性與可追溯性
測試結果的 一致性與可追溯性 是確保產品品質與符合國際標準的關鍵，主要考量點包括：- 結果的重複性 (Repeatability)：
- 同一批次產品在相同測試條件下應該產生一致的結果。
- 測試系統需具備高穩定性，以減少環境變數影響，如光線變化、機械振動或溫度波動。
- 測試結果的可追溯性 (Traceability)：
- 需記錄每次測試的資料，包括：測試時間、操作人員、環境條件，以便回溯品質問題。
- 例如：在汽車電子元件的測試中，每個元件的測試結果都會關聯到其序列號，以便在發生故障時進行回溯分析。
- 合規性與標準要求：
- 不同產業的測試結果需要符合特定標準，如 ISO 9001（品質管理系統）、IEC 62368（音頻/視頻/資訊技術設備安全標準）等。
- 在醫療與航太領域，產品測試需符合嚴格的監管要求，如 FDA（美國食品藥物管理局）與 DO-178（航太軟體標準）。
企業在導入 A.I. 自動化檢測系統時，應根據自身產品特性與生產需求，制定最佳策略，以確保高效能、低成本並符合產業標準的測試解決方案。
目前，許多情境下自動化乃至人工智慧 (AI) 都已成為未來智慧工廠的必然趨勢，在評估是否適合導入人工智慧 (AI) 時，應進行全面的分析，並考量以下因素：
✔ 具有複雜測試參數且測試時間有限的 DUT
✔ 高產量 DUT 需要快速測試或 24/7 全天候運作
✔ DUT 的缺陷或特徵需要與自動測試相同的（光學）硬體來進行人工檢測
✔ 測試特性不易由人眼識別
✔ 測試要求結果的 100% 可重複性，並禁止主觀判斷
自動化與 人工智慧 (AI) 的整合
一旦企業決定基於成本效益分析進行自動化與人工智慧 (AI) 轉型，接下來的步驟就是進行整合；然而，轉向人工智慧 (AI) 及類人檢測技術並非簡單的過程，而是需要大量的時間、資源與培訓投資；此外，完善的版本管理（Version Management）計畫亦至關重要，確保企業在技術轉型或產品開發過程中能夠穩定、安全且高效地推進，這對於導入人工智慧 (AI) 和自動化檢測技術尤為重要，因為這類系統涉及演算法更新、設備軟體升級、測試資料版本控制等，若管理不善，可能會導致生產異常或品質問題以確保技術順利過渡。需要注意的是，雖然人工智慧 (AI) 能夠模仿人類的行動與決策，但迄今為止仍無法完全取代經驗豐富的操作員；因此，企業必須在人工智慧 (AI)、機電系統與人類專業知識之間找到最佳平衡點，以獲得最佳結果，在專業技術人才短缺的時代，這或許是引入經驗豐富的合作夥伴的最佳時機。
促進更好的品質保證
品質保證 (QA) 是自動化檢測系統迅速發展的領域之一，這些系統採用先進技術，如光譜分析 (spectroscopy)，可識別肉眼無法察覺的缺陷；此外，紫外線 (UV) 與紅外線 (infrared) 檢測的應用，有助於揭示隱藏的瑕疵。然而，這些檢測系統的設計必須慎重考量影像硬體的選擇。不僅僅是拍攝高解析度影像來檢測缺陷，還需要預測產品生命週期中可能出現的缺陷，雖然更高的解析度可能會增加硬體成本，但同時也可能影響資料處理與儲存相關的營運開支。
機械結構
導入人工智慧 (AI) 與類人檢測技術時，機械結構與運動系統是至關重要但經常被忽略的關鍵因素，精確的運動系統可降低影像變異性，從而簡化人工智慧 (AI) 演算法的訓練過程；此外，運動系統的選擇大幅取決於產品與缺陷的尺寸，例如：檢測數微米大小的缺陷（如針尖）與檢測數毫米大小的缺陷（如建築產品）需要不同的運動系統。
影像擷取
影像擷取系統是類人檢測系統設計的核心，多種技術可用於從影像中提取豐富的訊息，甚至超越人類操作員能夠辨識的範圍，例如，光學搜尋 (light search) 技術可確保影像始終清晰對焦；環境因素，如環境光線與振動，可能影響自動檢測系統的效率；雖然這些因素通常可控，但若在設計初期忽略，將可能造成重大挑戰，例如，實驗室燈光可能會隨時間變化，影響檢測結果。因此，確保設備能適應產品演進，對於未來發展至關重要。
資料品質
在人工智慧 (AI) 和自動化檢測技術中，資料標註（Data Annotation）是訓練 AI 演算法的核心環節，因為 AI 需要透過大量標註過的資料學習如何辨識產品的良品與缺陷；標註品質的好壞直接影響 AI 模型的準確度與穩定性，因此，企業在導入 AI 自動化檢測時，需要建立完善的標註流程與品質管理機制；以下針對四個關鍵標註原則進行說明。→ 讓多位操作員標註相同的資料集，並比較結果以識別異常值
在標註過程中，為了確保資料的一致性與準確性，應該由多位操作員對相同的資料集進行標註，然後比較彼此的標註結果，以識別可能的異常值；這是因為不同的標註員可能會因為經驗、或個人判斷標準的不同，而對同一個缺陷做出不同的判定。
舉例來說，在某些產品的檢測過程中，部分標註員可能會認為某個刮痕是嚴重的缺陷，而其他人則可能認為該刮痕對產品功能沒有影響，因此不應視為缺陷；透過讓多位標註員進行交叉比對，就可以找出這些不一致的標註，進而調整標註標準，確保 AI 所學習到的資料具有更高的準確性；此外，透過計算標註員之間的一致性指標，例如：Cohen’s Kappa 係數，還可以量化標註的可靠程度，進一步提高標註品質。
舉例來說，在某些產品的檢測過程中，部分標註員可能會認為某個刮痕是嚴重的缺陷，而其他人則可能認為該刮痕對產品功能沒有影響，因此不應視為缺陷；透過讓多位標註員進行交叉比對，就可以找出這些不一致的標註，進而調整標註標準，確保 AI 所學習到的資料具有更高的準確性；此外，透過計算標註員之間的一致性指標，例如：Cohen’s Kappa 係數，還可以量化標註的可靠程度，進一步提高標註品質。
→ 建立詳細的標註指南，包括產品屬性與模糊案例處理指引
建立詳細的標註指南也是確保標註一致性的重要步驟，這份指南應該清楚定義產品的標準屬性，例如：尺寸、材料，以及允許的公差範圍；此外，也需要針對不同類型的缺陷，例如：裂痕、刮傷、變色等，訂定明確的判斷標準；在標註指南中，應該明確說明「刮傷的長度超過 1mm 就應該視為缺陷」，而不是讓標註員自行判斷「這道刮痕是否明顯」。
另外，針對某些不易判斷的模糊案例，例如：輕微變色是否應視為缺陷，也應該提供可視化的範例，讓所有標註員參考，確保每個人的標準一致；這樣的標註指南不僅可以幫助新進標註員快速上手，也能確保 AI 訓練資料在長期內保持一致性，避免因為標準變動而影響 AI 的學習效果。
另外，針對某些不易判斷的模糊案例，例如：輕微變色是否應視為缺陷，也應該提供可視化的範例，讓所有標註員參考，確保每個人的標準一致；這樣的標註指南不僅可以幫助新進標註員快速上手，也能確保 AI 訓練資料在長期內保持一致性，避免因為標準變動而影響 AI 的學習效果。
→ 確保標註過程的一致性，並維護版本控制與整體資料標註品質
除了標註標準的一致性，企業還需要確保標註過程的版本管理，以維持資料的可追溯性，因為 AI 模型的學習是依據過去的標註資料，而如果標註標準發生變化，可能會導致新版本的 AI 模型無法與舊版本的測試結果保持一致。
為了避免這種情況，應該建立清楚的標註版本管理機制，記錄每次資料標註的變更歷史，並確保 AI 模型的訓練資料能夠回溯到特定的版本，例如，當 AI 檢測系統升級時，若發現新版本的模型檢測結果與舊版本不同，就可以透過版本管理系統回溯過去的標註資料，確認變化是否來自於標註標準的調整，還是 AI 模型的學習偏差；此外，在標註過程中，也應該定期進行品質檢查，例如：透過隨機抽樣的方式驗證標註結果的準確性，確保 AI 訓練資料始終符合高品質標準。
→ 確保訓練資料集中包含足夠的低頻缺陷，以提升檢測演算法的準確性
在 AI 模型的訓練過程中，企業還應該確保資料集中包含足夠的低頻缺陷，避免 AI 無法學習到這些罕見缺陷的特徵；一般來說，AI 會更容易學習到常見缺陷，例如：大面積的裂痕或嚴重變色，因為這類缺陷在生產過程中出現的頻率較高，訓練資料相對充足；然而，某些低頻缺陷，如極細微的裂紋、或特定環境下才會顯現的變形，可能在整個資料集中只占極小比例，導致 AI 無法有效識別這些問題。
為了解決這個問題，可以透過幾種方式來平衡訓練資料，例如：使用資料增強技術來產生更多類似的低頻率缺陷樣本，或者在標註過程中特別關注這些低頻率缺陷的收集，確保 AI 能夠學習到這些異常模式；此外，企業還可以透過主動學習 (Active Learning) 技術，讓 AI 先學習初步的資料，然後針對模型表現較差的缺陷類別進行額外標註與強化訓練，確保低頻缺陷也能被有效檢測。
為了解決這個問題，可以透過幾種方式來平衡訓練資料，例如：使用資料增強技術來產生更多類似的低頻率缺陷樣本，或者在標註過程中特別關注這些低頻率缺陷的收集，確保 AI 能夠學習到這些異常模式；此外，企業還可以透過主動學習 (Active Learning) 技術，讓 AI 先學習初步的資料，然後針對模型表現較差的缺陷類別進行額外標註與強化訓練，確保低頻缺陷也能被有效檢測。
綜合來看，資料標註的品質管理是一個影響 AI 檢測系統準確性與可靠性的關鍵環節；透過讓多位操作員交叉標註並比對結果，可以減少人為誤差並提高標註一致性；建立詳細的標註指南，則能確保不同標註員在標準上的統一性；透過版本管理來記錄標註資料的變更歷史，可以確保 AI 模型在不同階段的學習結果可追溯，降低因標準變更導致的偏差；而確保低頻率缺陷的資料充足，則可以讓 AI 在現實應用中能夠更全面地辨識各類缺陷，提高檢測準確率；透過這些標準化流程，企業可以建立更精確、高效的 AI 檢測系統，進一步提升產品品質與生產效率。
了解 Averna 能為您提供的解決方案
更快速驗證產品特性 - 透過 Averna 屢獲殊榮的測試儀器，確保最嚴格、符合標準的測試工具，助您加速產品開發並提升測試精確度。RF 訊號測試儀
AST-1000 是一款全功能射頻訊號解決方案，專為無線電、導航、影音及連接性測試設計，支援 AM/FM、DAB、DRM、HD Radio、GNSS 等多種協定；結合 NI VST 與 LabVIEW，AST-1000 提供高效的系統驗證與模組級測試，實現快速、靈活且可重複的射頻測試。AST-1000 全功能向量訊號產生器 >
智慧資料管理
Averna Proligent™ Analytics 提供高效的網頁化資料分析與報告工具，幫助製造業優化產能、提升產品品質，即時掌握關鍵績效指標（KPIs），加速決策！Proligent Analytics - 全面站點智慧製造分析 >
協定測試解決方案
Averna Jupiter 310 系統為 DOCSIS 測試領域的標準化平台，是一套高度自動化的測試工具，結合 CableLabs© PHY 層測試計劃（ATP），不僅縮短了 CPE 設計驗證週期，還提高了產品品質和市場競爭力；Jupiter 系統支援 DOCSIS 3.0、3.1 和 4.0 裝置測試，提供即時分析報告、測試計劃編輯功能，以及診斷和故障排除工具，成為認證實驗室和製造商不可或缺的測試利器。DOCSIS 自動化設計驗證系統 >
根據您的需求客製化平台
透過 Averna 極為精準的標準化平台，快速交付無瑕疵的相機與 LiDAR 模組、MEMS 裝置、晶片級感測器、LED 及雷射車燈，以及其他高端產品，確保品質與一致性。了解 Averna 如何透過一個便捷的平台實現高效測試 >
觀看影片 >
總結
人工智慧 (AI) 與傳統視覺檢測並非所有問題的萬能解決方案，對產品的深入評估，加上高品質的資料與應用目標，將直接影響最終成果，這一點同樣適用於運動系統與光學系統的選擇。另一方面，理解並善用人工智慧 (AI) 與類人檢測技術的雙重優勢，可以徹底改變製造業；然而，有效的落實策略需要仔細考量、精明的投資決策，以及對相關技術的全面理解，把握這些關鍵要素，將能顯著提升製造流程效率、促進盈利增長，並在高度競爭的市場中鞏固領先地位。