AI 如何應用在瑕疵檢測上

AOI 雖能輔助判定，但仍不夠準確

瑕疵檢測廣泛應用於各個製造領域，如電子元件、電路板、金屬鑄件、紡織皮革工業等，常見的瑕疵類型包括刮痕、裂痕、污染、形狀錯誤和顏色異常等，目前多數產業中，多半會使用自動光學檢查（AOI）技術或設備輔助進行，AOI 是一種常見的技術，主要透過高畫質攝影機擷取影像並進行分析，偵測物品是否有瑕疵，檢測流程通常包括影像擷取、影像處理和分析、瑕疵判定等步驟。

傳統的瑕疵檢測方法主要依賴特徵提取和基於規則的演算法判定，人工智慧科技基金會整理了常見的四大方法：

• 統計方法（Statistical）：透過統計影像中的灰階值或 RGB 分佈，判斷是否有瑕疵。
• 結構方法（Structural）：透過偵測影像邊緣的不規則性來判斷瑕疵。
• 濾波方法（Filter based）：透過傅立葉變換等技術，擷取特定頻率範圍內的影像資訊來偵測瑕疵。
• 模型方法（Mode based）：設計特定的演算法或模型針對不同場域使用。

傳統瑕疵檢測雖然已經自動化，並帶來較高的效率，但因為只能偵測預先定義的瑕疵類型，面對複雜或未定義的瑕疵時表現較差，也可能因為光照變化或裝置微調導致檢測結果不準確。且為了確保檢測的全面性，常會設定較高的閾值，導致許多正常產品被誤判為瑕疵品，增加了人工複檢的成本。

加入 AI 後的瑕疵檢測

引進 AI 技術可以有效彌補傳統方法的不足，透過機器學習模型，AI可以更準確地識別和分類瑕疵，降低誤判率和漏檢率。此外，藉由自動化特徵提取，深度學習模型可以自動從影像中提取特徵，無需人工干預，提高了檢測的自動化程度。AI 模型透過學習大量的正常和瑕疵樣本，識別出複雜和多樣化的瑕疵類型。

實際應用上，AI 瑕疵檢測主要透過監督學習和非監督學習兩種方式實現，監督學習是透過標註大量的有瑕疵和無瑕疵樣本，訓練 AI 模型進行分類和檢測。常見的模型包括卷積神經網路（CNN）等。非監督學習則透過學習正常樣本的分佈，當新樣本與正常樣本差異較大時，判定其為瑕疵，常見的非監督式學習模型包括自編碼器等。

近年來，深度學習的發展使得特徵提取和瑕疵檢測可以在一個端到端的模型中完成，大大提高了檢測的效率和準確性。例如，YOLO（You Only Look Once）模型可以在單次處理過程中同時完成目標偵測和分類任務，非常適合即時瑕疵偵測應用。

藉由 AI 技術雖然提高了瑕疵檢測的準確度，但同樣也面臨了瑕疵資料不足的瓶頸，因此，可以透過生成式 AI 輔助生成訓練用的瑕疵資料，讓瑕疵檢測可以更精準、更符合快速更迭的產線週期。常用的方法如 Generative Adversarial Network（GAN）或是使用Stable Diffusion、Diffusion Based 等，以解決在高良率情況下，瑕疵資料較少的一個問題。

生成式 AI 如何輔助瑕疵資料生成？詳細案例示範請看【AI CAFÉ 線上聽】大家來找碴：AI 於瑕疵檢測的應用：