AOI與AI的差異

AOI (自動光學檢測,Automated Optical Inspection),為高速高精度光學影像檢測系統,運用機器視覺搭配rule-based algorithms做為依據,用以量測成品、半成品的尺寸規範或是檢測異物附著及外觀瑕疵等異常。在自動化產線中,過往產品外觀檢測需耗費大量人力,且為了顧及產能往往難以執行100%產品全檢,而AOI正是改善傳統以人力使用光學儀器進行檢測的缺點,可提升檢測品質穩定性,大幅縮短產品檢測時間,進而降低生產成本。

常用來與AOI做為比較的AI,通常指的是AI的其中一個分支深度學習(Deep learning),一種以類神經網路架構,透過給予大量的資料,反覆進行特徵搜尋及學習的方法。在這樣的架構中,有別於AOI需針對每一種的瑕疵可能出現的樣態,設計相對應的參數規則,AI僅需盡可能地提供所有可能出現的瑕疵圖像資料,模型(Model)即可自動進行學習,大幅度降低程式開發時間。

Type

AOI

AI

優勢

產品在開發初期或是特性為少量多樣時,AOI快速調整適應的效果較好

當瑕疵種類眾多,在有足夠圖像資料的情況下,AI可以快速的學習收斂

產品良率高,異常品難以收集時,仍可透過傳統視覺以平面、邊緣檢測進行

在製程有調整的情況下,可以舊的模型輔以新的資料進行訓練,不必從頭來過

劣勢

光線變化、震動等雜訊干擾時,傳統演算法較容易受到影響

不善於進行尺寸量測等精度較高的工作

瑕疵種類眾多或新的瑕疵出現時,需開發新的演算法來對應

不論是訓練或是線上推論,運算資源相對需求較高

適用場景

檢查零件有無缺少,量測尺寸

或是圖像背景較單純之產品

瑕疵種類多、瑕疵不規則、圖像背景較複雜之產品,如皮革紋、髮絲紋等

案例圖片

▲量測尺寸


▲瑕疵種類多/圖像背景較複雜


▲瑕疵種類多


▲髮絲紋


雖然AOIAI常被放在一起比較,但實際上兩者並不是替代品,而是相輔相成的存在,因AOI的檢測原理是以設定好的參數為基準進行邏輯判斷,這樣子的方式在外觀標準較嚴格的產業上,過度篩檢(Overkill偏高)是長期以來的問題,而為了解決這樣子的問題,不得不以人工進行第二次複檢,不僅耗時也提高了檢測成本。

AI技術的成熟,正好得以彌補AOI的缺點,提高檢測效率並有效降低過殺;而在AI導入初期,數據量較少的情況下,難以保證實際上線的準確率,AOI這時則可以輔助快速收集數據,縮短模型收斂時間,也因此「AOI+AI」來提高檢測準確率已逐漸成為主流的方法。