AOI 與 AI 視覺有什麼不同？
工廠導入前該懂的事
「我們要上 AI 檢測」幾乎成了產線升級的代名詞。但 AOI 與 AI 視覺其實是兩種思路——選錯了，不只多花錢，還可能讓誤判率不降反升。
先講結論：AOI 與 AI 視覺不是「舊」與「新」的關係，而是「明確規則」與「樣態學習」的差別。理解這條分界，你就能判斷自己的產品該用哪一種，或——更常見的——該怎麼把兩者搭在一起。
先把名詞講清楚：AOI 不等於 AI
AOI（Automated Optical Inspection，自動光學檢測）是一個大範疇，指「用相機與光學取像、再由軟體自動判定良窳」的整套作法。傳統 AOI 的判定核心是人寫好的規則：尺寸要在公差內、灰階對比要超過門檻、特定位置要有或沒有某個特徵。規則明確、可追溯，但需要工程師逐項定義。
AI 視覺則是把判定交給深度學習模型。你不再逐條描述「什麼叫缺陷」，而是餵給模型大量「良品」與「缺陷」影像，讓它自己歸納出辨識的特徵。它能處理人難以用規則描述的複雜紋理與多變外觀。
所以正確的說法是：AI 視覺是 AOI 的一種判定引擎，而不是 AOI 的替代品。兩者可以、而且經常同時存在於同一台設備裡。
規則式 AOI 擅長什麼
- 幾何與尺寸量測：孔徑、線寬、間距、偏移——只要能用數值定義，規則式判定又快又準，重複精度可達次像素等級。
- 高對比、規格固定的缺陷：例如焊點短路、缺件、印刷錯位。背景單純、特徵穩定時，規則式檢測的速度與成本優勢明顯。
- 需要可追溯判定依據：每一次 NG 都對應到「哪一條規則、超出多少」，對需要稽核與製程回饋的場域特別友善。
它的弱點也很清楚：當缺陷的外觀千變萬化、或良品本身就帶有自然紋理變異（金屬髮絲紋、布料、隱形眼鏡的水波紋）時，規則會越寫越多、越寫越脆弱，最後落到「為了不漏檢，只好把門檻放寬，結果過殺一堆」的兩難。
AI 視覺擅長什麼
- 外觀多變、難以言喻的缺陷：刮傷、髒污、色差、不規則崩缺——人眼一看就知道是壞的，卻很難寫成規則，這正是深度學習的主場。
- 容忍背景變異：模型學的是「缺陷長什麼樣」，能在有自然紋理的背景上抓出異常，大幅降低過殺。
- 持續進化：產線跑出新型態缺陷時，補進樣本、再訓練，模型就能跟上，不必整套規則重寫。
代價是：AI 需要有代表性的樣本與一次訓練流程，判定理由也較不直觀（這也是為什麼信心分數與缺陷熱區圖很重要）。樣本太少、或良品定義不穩定時，它的表現會打折。
規則式 AOI 回答「這個數值有沒有超標」；AI 視覺回答「這看起來像不像缺陷」。問對問題，才選得對工具。
三個問題，幫你判斷該用哪一種
- 缺陷能不能用數值或固定特徵描述？可以——優先考慮規則式 AOI；很難——AI 視覺更合適。
- 良品本身的外觀穩不穩定？背景單純、批次一致，規則式就夠；背景帶自然紋理、批次差異大，AI 能省下大量過殺。
- 缺陷樣本拿不拿得到、會不會一直新增？樣本充足且型態會持續演化，AI 的學習能力是長期資產；樣本極稀少又規格明確，規則式反而更省。
別把「導入 AI」當成目標，把「把漏檢與過殺同時壓下來」當成目標。技術只是手段——很多時候，先用規則式 AOI 處理掉八成的明確缺陷，再用 AI 補上那兩成難搞的，整體成本反而最低。
最佳解通常是「AOI + AI」混合
在實際產線上，我們很少看到純規則或純 AI 的極端配置。更常見的是分工協作：規則式引擎負責尺寸量測與明確缺陷，速度快、依據清楚；AI 引擎接手外觀類、紋理類的疑難雜症，降低過殺。兩者的結果再經過一層邏輯整合，輸出最終判定。
這也是強視 AI / AOI 自動檢查機的設計思路——同一套取像硬體上，讓規則與模型各司其職。對客戶來說，重點從來不是「我用了哪種演算法」，而是「漏檢率、過殺率、節拍時間有沒有同時達標」。
如果你正在評估產線該走哪條路，最快的方式是拿你的實際樣品來談——讓我們依產品特性，幫你判斷規則、AI 或混合方案哪一種最划算。
