相較於半導體、電子代工大廠，台灣相對屬於中小規模的傳產製造、機械設備業，由於早在工業4.0問世後，疫情推動數位轉型浪潮以來，便已習慣透過各種視/力覺感測系統蒐集累積製程中/後段產生的大數據，用來監控品質、預測診斷零組件壽命，乃至於售後維運服務所需的生產履歷。

其中隨著2010年製造業邁向工業4.0時代，終端客戶對於同步提升產品品質和生產良率的要求日益嚴苛，使得量檢測精度與頻率逐步增加。量檢測流程也從傳統為了確保品質，開始上溯到即時品質回饋；再結合AIoT技術即時提供量測數據，供製程設備修改參數，以符合最終產品的品質規範，甚至希望能達到不產出不良品，使得即時量測流程的重要性，幾乎已不亞於製程生產設備！

AI影像辨識更是實現智慧製造的關鍵技術，不僅帶來了巨大的商業潛力，更為傳統產業的轉型升級提供了強勁動力，克服傳統工廠使用人工目視去判斷製程的瑕疵檢測，往往須耗費大量人力與時間，長期反映在墊高整體的生產成本上。且就檢測品質而言，容易因為長時間觀看導致視覺疲勞、或是肉眼觀察的細緻度不足，造成誤判的風險，難以保持品質穩定。

加上目前自動光學檢測（AOI）技術已廣泛使用在各個領域，對各類產品使用光學鏡頭取代人眼做檢測，容易發生誤判的狀況，常見的問題包括未詳細定義到的漏判，或是為避免檢測漏判，調高檢測的敏感度與標準值而出現過殺，導致仍須仰賴人力進行二次複檢。

回顧2013~2023年間Alphago屢戰屢勝圍棋界棋王的「AI 1.0階段」，掀起一波鑑別式（Discriminative）AI熱潮，當模型輸入越多越好的資料再經過大量標記後，進行深度學習訓練辨識與監督分類，並結合AOI、機器視覺等應用，在智慧製造領域擴散。

用來提高加工零組件與產品的自動化檢測速度與準確性，執行品質檢測、設備健康診斷，降低人力需求與誤判率；進而提升人員安全與作業效能，確保工作場域環境安全，初步展現AI應用方案價值。

AI智慧瑕疵學習則能補足AOI檢測的不足，將兩者結合打造完整檢測解決方案，可使得AOI具有更精準的決策能力，即先由AOI檢出80%瑕疵問題，若有辨識困難和定義不明的瑕疵，再交由AI進行最後決斷。AI還可在一定程度上模仿人類，將「經驗法則」應用到影像辨識中，得以解決剩餘20%的問題，有效解放人力與成本。

圖一 : AI可在一定程度上模仿人類，將「經驗法則」應用到影像辨識中，得以解決剩餘20%的問題，有效解放人力與成本。

宇瞻智動化 跨足異質檢測領域

如宇瞻智慧物聯網近期推出的「自動化光學（異質）檢測設備規劃建置」，即可經由客製化規劃，專業設計開發AI+AOI光學檢測機台，應用於重點產業的相關產品。可串連現有機台，設計全新自動化流程，以提升瑕疵檢測的效率、降低人力成本。適用於半導體、面板業、生技藥品、食品包裝等產業對各式瑕疵檢測應用，至今已能提供全方位的總體解決方案。

同時具備高度彈性，可針對應用產業的測項和產能效率等不同檢測需求，快捷調整參數設定、開發最適化演算法；再搭配自動化應用，降低人力手動放置產品或調整機台的時間，有效解放人力需求、降低成本。例如為客戶既有產品與包材設計專屬檢測機台，便可結合既有自動化產線設備進行整體設計規劃，不但能為業主降低人力成本，更能大幅提升檢測品質與包裝效率、產能。

並利用客製化資料庫管理系統開發和設計諮詢，可協助整合MES/Shop Flooor等生產系統，預留智慧升級彈性；支援CoreSnapshot資料庫秒速備份復原韌體技術，避免因資料損壞或停機造成營運損失。

此外，所有出廠的自動化設備皆預留智慧升級彈性，可提供ODM設計開發服務，以因應工廠未來的機聯網與工業4.0管理需求，並支援多種智慧升級方案。可協助整合老舊設備聯網，再將生產數據與設備狀態拋轉至現場電子看板及網站，呈現即時數據；支援ESG能源管理，監控設備電能，讓工廠現場管理與能源管理更加簡便即時，推動企業邁向ESG永續發展。

自從切入自動化光學檢測領域以來，宇瞻便相當著重面板產業。包含LCD、LED、OLED到Mini LED/Micro LED、Micro OLED等產品，皆不斷提升其檢測能力。藉此能超越人眼，揪出各種面板種類的瑕疵，從目前廣泛應用在各種生活中的螢幕面板，從路上或商場經常可見的大型廣告螢幕、汽車上的各尺寸車載顯示面板，甚至小至僅1~3吋的穿戴式VR/AR眼鏡面板，皆涵括在宇瞻的智動化光學檢測範圍中。

隨著現今多家面板業大廠持續進行海內外產品與生產技術佈局，結合宇瞻擁有業界少有的光譜儀檢測技術與光學開發經驗，自行研發光學照度計及光學輝度計，並整合高階攝像頭、圖形產生器等光學儀器與自動化人機系統。

將光譜儀技術導入在客製自動化檢測設備後，應用於檢測面板產業鏈上下游，涵蓋多種材料、尺寸的面板及光學材料等各種檢測需求，包含：增亮膜、偏光板、導光板、彩色濾光片、擴散片、量子膜等光學材料；面板玻璃、膜材、背光模組等上游材料元件，直到中下游的各式應用面板，各有不同的檢測項目與標準。

另針對面板自動化檢測Turn-Key Service，宇瞻還能提供高度客製化的使用者操作介面、智動化設備設計開發服務，致力為業主降低變革轉型成本。並協助自行開發AI+AOI光學檢測軟體程式、高速影像處理演算法，擁有精準的判斷檢測能力，已經過市場充分驗證。

宇瞻還能協助客製化規劃進行不同瑕疵與精度的混合檢測，並透過多重視角、不同光源、多方向性手法量測，精準檢驗出光學材料的各種瑕疵，像是異物、摺痕、壓痕、PVA紋路等。同時利用其專業的檢測技術，為其他材料與零組件設計開發專屬高精度的AOI檢測機台，例如像是面板玻璃、背光模組，甚至能檢出鎳板模仁這類金屬治具的微小瑕疵與深度，已累積多樣實績案例。

目前已將之獨到技術和自動化設備開發經驗，擴展至生技藥廠、半導體及食品等相關產業應用，對於產品瓶身、包裝等自動化光學檢測擁有豐富的實戰經驗，可有效為客戶提升產能效率及產品品質。

圖二 : 宇瞻智慧物聯今年首度展出專為生技藥業設計的智動化設備解決方案，助力生技藥廠實現分階段智慧轉型目標。（source：宇瞻智慧物聯）

宇瞻智慧物聯今年也首度展出專為生技藥業設計的智動化設備解決方案，包含：「Vial瓶標籤檢測暨自動落盤包裝機」、「枕式瓶光學檢測設備」等實績案例，助力生技藥廠實現分階段智慧轉型目標。

其中「標籤檢測暨自動落盤包裝機」為多功能In-line自動化設備，適用於俗稱疫苗瓶、西林瓶的Vial Bottle。該機台結合包裝與檢測雙重功能，獨創的落盤包裝設計能在短短一分鐘內自動分離Tray盤，並將超過100個Vial瓶裝入盤中；設備直接連結產線既有貼標機，透過AOI技術進行貼標瑕疵檢測。該機台最大的亮點為可透過軟體自動切換不同尺寸的Vial瓶，實現一機多用的同時，無須操作人員進行換模作業。

另有今年進一步升級「枕式瓶光學檢測設備」的機構設計和檢測方式，大幅提升檢測效率，僅需不到1.5秒即可完成一排6~10連支的枕式瓶檢測；搭載AI人工智慧的AOI系統，不僅讓瓶間縫隙的瑕疵無所遁形，對於瑕疵的判斷也更迅速精準，能準確分析出如瓶內積料與氣泡的差異。

湯姆森獲補助 導入印刷用AI

圖三 : 湯姆森企業公司透過AI影像辨識技術，有效提升軟性印刷產品品質與效率。（source：經濟部）

經濟部產業發展署近期也委託印刷創新科技研究發展中心，輔導湯姆森企業公司將傳統製程導入AI影像辨識技術，而成功提高產品良率從85%提升至99%，並將包裝出貨時間縮短80%，不僅提升產品品質與效率，也突破了軟性印刷材料作業流程上的限制，成為傳統產業升級至智慧製造的典範。

雖然該公司為台灣最早投入超細纖維無塵擦拭布製造業者，擁有豐富生產經驗，包含晶圓代工、面板等製造廠等皆為其客戶。卻因為擦拭布材質柔軟無法像紙張般平整，必須仰賴人工清點分裝才能出貨，不僅耗時耗力；且隨著訂單增加及產業缺工，終究要面對日益嚴格的品質要求及缺工問題，出貨效率也成為一大瓶頸，傳統人工檢測方式已無法滿足業者的需求。

為了在競爭激烈的產業供應鏈中保持優勢，湯姆森公司積極尋求技術升級導入各項優化措施以克服上述挑戰。因此在原料布的品質檢測上，使用「智慧化視覺檢測瑕疵技術」，蒐集布料表面瑕疵的資料；並建置AI檢測數據資料庫，以偵測器取代人眼進行品質管控，將產品良率由85%提升至99%。

在清點產品及包裝出貨上，同樣導入「AI影像辨識技術」，透過演算法搭配相機鏡頭進行堆疊數量計算，原以人工作業每疊100片布料需花費5分鐘，現在只需人員進行少量增補作業即可快速精確包裝出貨，作業時間因此縮短僅需1分鐘，人力也從2人減少至1人。

突破異質檢測限制 融入生成式AI應用可期

值得一提的是，自從2022年底生成式（Generative）AI橫空出世後，開始出現邊緣Edge AI導入客製化大語言模型（LLM）加速落地發展，各家大廠也紛紛投入添購GPU、記憶體等硬體（鏟子）的軍備競賽，開發訓練AI視覺新演算法，強調將大幅提升其自動化彈性、高速與準確度。

但有別於過去AI 1.0階段的性能表現在特殊專才領域為強項，卻無法被複製到跨領域應用（遷移學習），例如將醫療CT辨識病灶模型轉移至AOI辨識產品瑕疵；且耗費算力資源較少，面對新問題還是需要從頭蒐集、標註大量參數資料，訓練監督式模型迭代進化，耗費大量時間與成本；待使用超過一段時間還要重新訓練，以免準確度衰減。

圖四 : 加入生成式AI的Foundation Model部署會更容易，適合多樣跨領域產業，讓AOI使用樣本數越少，分別找出OK/NG件的準確度已不輸人眼，還能24/7天全年無休。

進入AI 2.0階段的生成式AI基礎模型（Foundation Model）式結構則具備較為簡單、容易再訓練的通才特性，強調可藉不斷擴大語言模型和參數訓練，對於資料量和運行、訓練資源的需求較大，並搭配適合的硬、軟體，減少使用資料量與時間。

將之下載後壓縮至10~20%參數量的樣本數，使該模型前中段產生的瑕疵特徵僅約耗用1/10資源即可運行，以導入傳統AOI瑕疵檢測常見異常檢測、物件計數等高度通用性場域。經過遷移學習轉化後部署更容易，適合多樣跨領域產業，而不必大量標記資料重新訓練，就能觸類旁通，快速瞭解與應用，訓練將更有效率。並將之導入邊緣（Edge）AI應用加值，未來AOI應善用AI 1.0~2.0特性，使用樣本數越少越容易學習，分別找出OK/NG件的準確度已不輸人眼，還能24/7天全年無休。