AOI
什麼是 AOI？智慧工廠品質資料鏈的關鍵來源
什麼是 AOI？智慧工廠品質資料鏈的關鍵來源
什麼是 AOI？智慧工廠品質資料鏈的關鍵來源
前言：
AOI（Automated Optical Inspection，自動光學檢測）是一種利用攝影機、光學系統、影像處理與演算法，自動檢查產品外觀、尺寸、焊點與製程缺陷的自動化檢測技術。廣泛應用於PCB、PCBA、SMT、半導體、電子零組件、面板與精密製造等產業。
傳統人員拿著產品，然後用眼睛檢查，判斷是否有缺陷。AOI 則是透過攝影機拍攝，然後軟體分析，並自動判定。除了降低人員疲勞與主觀判斷造成的品質差異，更重要的是建立標準化、數位化的品質檢測流程，來提升檢測效率、品質一致性，並降低漏檢風險，實現品質追溯、製程改善和智慧工廠品質資料鏈的重要來源。
作者：
製造新觀點
閱讀時間：
30 分鐘
更新日期：
2026 年 6 月 26 日
01
AOI 的核心定義與 4 大運作
AOI 是一種以機器視覺（Machine Vision）為核心的非接觸式檢測技術，結合了光學成像、電控機構與電腦影像處理演算法。在傳統產線中，人工拿放大鏡目檢容易因疲勞導致標準不一與漏檢；而 AOI 透過專用光源照射產品，利用高解析度相機捕捉影像，並交由工業電腦的演算法進行瑕疵比對，最後輸出指令給 PLC 執行良品放行或不良品剔除。理解 AOI 的定義與這套標準化運作流程，是企業將品質檢測數據化的第一步，能幫助技術團隊建立系統性的認知，正確釐清影像擷取、特徵分析與終端控制之間的運作脈絡。
照明與影像擷取（Image Acquisition）： 透過專用光源（例如. 同軸光、環形光）照射待測物，並由高解析度工業相機搭配光學鏡頭，將物理瑕疵特徵轉換為高對比度的數位影像訊號。
影像前處理與降噪（Preprocessing）： 利用工業電腦對原始圖像進行灰階轉換、濾波降噪與對比度增強，有效凸顯關鍵缺陷特徵並排除背景雜訊干擾。
特徵擷取與比對演算法（Feature Extraction & Matching）： 將預處理後的影像與黃金樣板（Golden Template）或 CAD 設計圖進行座標對齊與像素比對，精準分析尺寸、輪廓與灰階差異。
結果判定與 OK/NG 分流（Classification & Control）： 演算法判定產品特徵是否超出設定之公差閾值，並即時發送指令予 PLC 控制自動化機構進行良品（OK）放行或不良品（NG）剔除。
為什麼許多工廠導入了頂級 AOI 後，品質問題依然無法根除？
我們進一步調研，發現其根因往往不在於「光學設備不夠好」，而是在於「流程節點間的數據流並未形成閉環」。如果第四階段產生的 NG 判斷，僅僅用於機械式的剔除動作，而沒有將瑕疵特徵數據即時反饋回第一階段優化光源，或是回傳至上游製程機台進行參數修正，那麼 AOI 就永遠只是一個被動的「產線警衛」。企業必須理解，運作流程的終點不該是 NG 剔除，而是透過檢測數據驅動前端製程的零缺陷優化。
我們將光學取像與空間維度整理如下：
分類 | 光學技術與原理 | 主要檢測項目與優勢 | 主要侷限與代表場景 |
|---|---|---|---|
2D AOI（平面光學檢測） | 面陣／線陣 CCD 相機 + 多角度 LED 環形光源（紅／綠／藍光 RGB）。 | 表面色彩差異、幾何尺寸、文字 OCR、極性標記、極短開路檢測。速度快。 | 無法測量高度／厚度，對錫量不足（Insufficient Solder）或立碑（Tombstone）判斷力有限。 |
2.5D AOI（多視角／陰影檢測） | 單主相機 + 4–8 個斜角相機（Angular Camera）多角度取像。 | 可觀察元件側邊錫腳、銲錫爬升高度與陰影遮擋區域。成本介於 2D／3D 之間。 | 高度數據為推估值非絕對物理高度，無法進行精確的三維體積計算。 |
3D AOI（立體光學檢測） | 摩爾紋條紋光投影（Phase Shift Profilometry, PSP）或雷射三角測量（Laser Triangulation）。 | 精確量測物體 3D 幾何形貌（X、Y、Z 高度、體積、共面度 Coplanarity）。完全消除陰影與顏色干擾。 | 計算資料量龐大，機台成本較高，檢測速度（Tact Time）需透過硬體加速最佳化。 |
01
AOI 的核心定義與 4 大運作
AOI 是一種以機器視覺（Machine Vision）為核心的非接觸式檢測技術，結合了光學成像、電控機構與電腦影像處理演算法。在傳統產線中，人工拿放大鏡目檢容易因疲勞導致標準不一與漏檢；而 AOI 透過專用光源照射產品，利用高解析度相機捕捉影像，並交由工業電腦的演算法進行瑕疵比對，最後輸出指令給 PLC 執行良品放行或不良品剔除。理解 AOI 的定義與這套標準化運作流程，是企業將品質檢測數據化的第一步，能幫助技術團隊建立系統性的認知，正確釐清影像擷取、特徵分析與終端控制之間的運作脈絡。
照明與影像擷取（Image Acquisition）： 透過專用光源（例如. 同軸光、環形光）照射待測物，並由高解析度工業相機搭配光學鏡頭，將物理瑕疵特徵轉換為高對比度的數位影像訊號。
影像前處理與降噪（Preprocessing）： 利用工業電腦對原始圖像進行灰階轉換、濾波降噪與對比度增強，有效凸顯關鍵缺陷特徵並排除背景雜訊干擾。
特徵擷取與比對演算法（Feature Extraction & Matching）： 將預處理後的影像與黃金樣板（Golden Template）或 CAD 設計圖進行座標對齊與像素比對，精準分析尺寸、輪廓與灰階差異。
結果判定與 OK/NG 分流（Classification & Control）： 演算法判定產品特徵是否超出設定之公差閾值，並即時發送指令予 PLC 控制自動化機構進行良品（OK）放行或不良品（NG）剔除。
為什麼許多工廠導入了頂級 AOI 後，品質問題依然無法根除？
我們進一步調研，發現其根因往往不在於「光學設備不夠好」，而是在於「流程節點間的數據流並未形成閉環」。如果第四階段產生的 NG 判斷，僅僅用於機械式的剔除動作，而沒有將瑕疵特徵數據即時反饋回第一階段優化光源，或是回傳至上游製程機台進行參數修正，那麼 AOI 就永遠只是一個被動的「產線警衛」。企業必須理解，運作流程的終點不該是 NG 剔除，而是透過檢測數據驅動前端製程的零缺陷優化。
我們將光學取像與空間維度整理如下：
分類 | 光學技術與原理 | 主要檢測項目與優勢 | 主要侷限與代表場景 |
|---|---|---|---|
2D AOI（平面光學檢測） | 面陣／線陣 CCD 相機 + 多角度 LED 環形光源（紅／綠／藍光 RGB）。 | 表面色彩差異、幾何尺寸、文字 OCR、極性標記、極短開路檢測。速度快。 | 無法測量高度／厚度，對錫量不足（Insufficient Solder）或立碑（Tombstone）判斷力有限。 |
2.5D AOI（多視角／陰影檢測） | 單主相機 + 4–8 個斜角相機（Angular Camera）多角度取像。 | 可觀察元件側邊錫腳、銲錫爬升高度與陰影遮擋區域。成本介於 2D／3D 之間。 | 高度數據為推估值非絕對物理高度，無法進行精確的三維體積計算。 |
3D AOI（立體光學檢測） | 摩爾紋條紋光投影（Phase Shift Profilometry, PSP）或雷射三角測量（Laser Triangulation）。 | 精確量測物體 3D 幾何形貌（X、Y、Z 高度、體積、共面度 Coplanarity）。完全消除陰影與顏色干擾。 | 計算資料量龐大，機台成本較高，檢測速度（Tact Time）需透過硬體加速最佳化。 |
02
建構 AOI 檢測設備的 6 大組件
一套穩定度高的 AOI 檢測系統，是由光學、電控、機構與運算單元等六大核心組件相互配合而成。若將 AOI 比喻為一個人，相機與鏡頭是眼睛、光源是光照環境、機構是骨骼、PLC 是運動神經，而工業電腦則是腦幹。任何一個組件選型不當（例如. 光源無法凸顯劃痕、鏡頭畸變過大、機構震動），都會直接導致檢測精度失敗。明確掌握這六大組件的職能與協同機制，能幫助技術團隊在評估硬體規格時具備精準的判斷力，確保機台在高產速運轉下仍能保持公厘乃至微米等級的重複定位與檢測精度。
工業相機（Camera）： 負責光電訊號轉換，分為逐行掃描的面陣相機（Area Scan）與適合連續捲對捲高速檢測的線陣相機（Line Scan）。
光學鏡頭（Lens）： 決定光學解析度與視野（FOV），高精度檢測常採用遠心鏡頭（Telecentric Lens）以消除視差與物距變化造成的放大率誤差。
專用光源（Light Source）： 透過同軸光、環形光、背光或特定波長（例如. 紅外光、紫光）配置，極大化瑕疵特徵與背景之間的對比度。
自動化機構（Mechanical Mechanism）： 提供高平穩度的載台移動與三軸（X/Y/Z）精準定位，防止檢測過程中的機械震動造成影像模糊。
可程式邏輯控制器（PLC）： 負責機台的安全迴路、氣動元件控制、Sensor 訊號傳遞與載台伺服馬達的精密運動控制。
工業電腦（IPC）： 搭載高效能 CPU/GPU 與影像擷取卡（Frame Grabber），專職執行龐大圖像資料的即時運算與演算法比對。
事實上，過度追求頂規相機或超高運算資源 IPC，若沒有匹配合適的光風場設計，只會造成成本增加和散熱風險。反思硬體構成的根因，光學檢測的精髓在於「對比度」，而非單純的像素高低。一個設計巧妙的專用光源，往往能用三分之一的硬體成本，達到比頂規相機更清晰的瑕疵顯影效果。因此，決策者應建立「系統均衡匹配」的思維，讓六大組件在特定檢測場景下發揮加乘綜效，而非盲目堆砌單一元件的規格。
組件名稱 | 系統角色 | 關鍵規格 / 選型重點 |
|---|---|---|
工業相機 | 光電訊號轉換 | 解析度（MP）、幀率（FPS）、面陣 vs 線陣 |
光學鏡頭 | 影像成像與聚焦 | 遠心度（Telecentricity）、畸變率、工作距離 |
專用光源 | 瑕疵對比度顯影 | 波長（顏色）、照射角度（同軸/環形/低角度） |
自動化機構 | 載台平穩位移 | 重複定位精度（µm）、花崗岩基座抗震性 |
PLC 控制器 | 運動與安全控制 | 訊號響應時間（ms）、工業通訊協定支援 |
工業電腦 | 核心演算法運算 | GPU/NPU 運算能力（TOPS）、PCIe 通道頻寬 |
02
建構 AOI 檢測設備的 6 大組件
一套穩定度高的 AOI 檢測系統，是由光學、電控、機構與運算單元等六大核心組件相互配合而成。若將 AOI 比喻為一個人，相機與鏡頭是眼睛、光源是光照環境、機構是骨骼、PLC 是運動神經，而工業電腦則是腦幹。任何一個組件選型不當（例如. 光源無法凸顯劃痕、鏡頭畸變過大、機構震動），都會直接導致檢測精度失敗。明確掌握這六大組件的職能與協同機制，能幫助技術團隊在評估硬體規格時具備精準的判斷力，確保機台在高產速運轉下仍能保持公厘乃至微米等級的重複定位與檢測精度。
工業相機（Camera）： 負責光電訊號轉換，分為逐行掃描的面陣相機（Area Scan）與適合連續捲對捲高速檢測的線陣相機（Line Scan）。
光學鏡頭（Lens）： 決定光學解析度與視野（FOV），高精度檢測常採用遠心鏡頭（Telecentric Lens）以消除視差與物距變化造成的放大率誤差。
專用光源（Light Source）： 透過同軸光、環形光、背光或特定波長（例如. 紅外光、紫光）配置，極大化瑕疵特徵與背景之間的對比度。
自動化機構（Mechanical Mechanism）： 提供高平穩度的載台移動與三軸（X/Y/Z）精準定位，防止檢測過程中的機械震動造成影像模糊。
可程式邏輯控制器（PLC）： 負責機台的安全迴路、氣動元件控制、Sensor 訊號傳遞與載台伺服馬達的精密運動控制。
工業電腦（IPC）： 搭載高效能 CPU/GPU 與影像擷取卡（Frame Grabber），專職執行龐大圖像資料的即時運算與演算法比對。
事實上，過度追求頂規相機或超高運算資源 IPC，若沒有匹配合適的光風場設計，只會造成成本增加和散熱風險。反思硬體構成的根因，光學檢測的精髓在於「對比度」，而非單純的像素高低。一個設計巧妙的專用光源，往往能用三分之一的硬體成本，達到比頂規相機更清晰的瑕疵顯影效果。因此，決策者應建立「系統均衡匹配」的思維，讓六大組件在特定檢測場景下發揮加乘綜效，而非盲目堆砌單一元件的規格。
組件名稱 | 系統角色 | 關鍵規格 / 選型重點 |
|---|---|---|
工業相機 | 光電訊號轉換 | 解析度（MP）、幀率（FPS）、面陣 vs 線陣 |
光學鏡頭 | 影像成像與聚焦 | 遠心度（Telecentricity）、畸變率、工作距離 |
專用光源 | 瑕疵對比度顯影 | 波長（顏色）、照射角度（同軸/環形/低角度） |
自動化機構 | 載台平穩位移 | 重複定位精度（µm）、花崗岩基座抗震性 |
PLC 控制器 | 運動與安全控制 | 訊號響應時間（ms）、工業通訊協定支援 |
工業電腦 | 核心演算法運算 | GPU/NPU 運算能力（TOPS）、PCIe 通道頻寬 |
03
AOI 橫跨的 3 大關鍵行業領域
隨著電子產品朝向輕薄短小與高密度封裝發展，AOI 的應用場域從早期的印刷電路板組裝擴展至半導體先進封裝與精密機械加工。不同行業對於 AOI 的檢測重點不同，PCB 關注線路斷短路，半導體關注微米級微塵與銲球瑕疵，而零組件則關注幾何公差與表面刮傷。掌握 AOI 在這三大關鍵行業的應用特徵，能協助企業對標產業標竿做法，精準定義自身產線的檢測需求與設備導入目標。
PCB 與 SMT 電子製造： 應用於裸板線路斷短路、銅箔瑕疵檢測，以及 SMT 表面貼裝製程中的缺件、偏位、錫橋、立碑與空焊等缺陷。
半導體前段與先進封裝（Semiconductor）： 應用於晶圓（Wafer）表面微塵顆粒檢測、Die 刮傷、CoWoS/先進封裝銲球（Bump）尺寸與連錫檢測。
精密機械與電子零組件（Components）： 針對金屬沖壓件、被動元件、車用連接器與齒輪等，進行幾何尺寸公差（GD&T）測量與表面刮痕檢測。
「行業 Know-How 的深度」決定了光學演算法的成敗。許多通用型 AOI 設備進入半導體先進封裝或 PCB 軟板（FPC）場域時，常因無法適應材料的屈折光學特性或高動態變形而失敗。這提醒我們，企業在引進 AOI 方案時，不應只評估設備廠的純技術指標，更要考量其是否深耕該行業的製程細節。我們將光學技術與特定的行業製程知識深度綁定，AOI 才能真正成為驅動該產業品質優化的核心引擎。
SMT / 半導體產線關鍵檢測站別對照：
檢測站別 | 位置與技術規格 | 主要攔截之缺陷類型 | 戰略價值與修補成本 |
|---|---|---|---|
SPI（錫膏印刷檢測） | 鋼板錫膏印刷（Solder Paste Printing）之後、貼片之前。採用 3D 條紋光。 | 錫膏少錫、多錫、橋接（Bridge）、偏移、錫膏體積（Volume）不佳。 | 修補成本：低。 70% 的 SMT 缺陷來自印刷；發現後直接洗板重印，成本最低。 |
Pre-Reflow AOI（回流焊前檢測） | 元件貼片（Pick & Place）之後、過迴焊爐（Reflow Oven）之前。2D／3D 光學。 | 缺件（Missing）、錯件（Wrong Part）、極性反（Polarity）、極大幅度偏移。 | 修補成本：中。 可在銲錫融化前人工夾取更正，防止昂貴元件過爐後損毀。 |
Post-Reflow AOI（回流焊後檢測） | 過迴焊爐（Reflow Oven）冷卻之後。3D 光學 + 側視相機。 | 立碑（Tombstone）、空焊（Cold Solder）、橋接短路、錫球、銲錫爬升不足。 | 修補成本：高。 銲點已固定，需透過烙鐵或返修站（Rework Station）人工重修。 |
AXI（自動 X 射線檢測） | 主要用於 Post-Reflow 之後，特別針對 BGA／QFN／CSP 等不透明封裝。X-ray 穿透。 | BGA 內部氣孔（Voiding）、內部橋接、雙面板底層隱蔽銲點瑕疵。 | 修補成本：極高。 避免不可見瑕疵流向客戶，維護品牌終端品質與可靠度。 |
03
AOI 橫跨的 3 大關鍵行業領域
隨著電子產品朝向輕薄短小與高密度封裝發展，AOI 的應用場域從早期的印刷電路板組裝擴展至半導體先進封裝與精密機械加工。不同行業對於 AOI 的檢測重點不同，PCB 關注線路斷短路，半導體關注微米級微塵與銲球瑕疵，而零組件則關注幾何公差與表面刮傷。掌握 AOI 在這三大關鍵行業的應用特徵，能協助企業對標產業標竿做法，精準定義自身產線的檢測需求與設備導入目標。
PCB 與 SMT 電子製造： 應用於裸板線路斷短路、銅箔瑕疵檢測，以及 SMT 表面貼裝製程中的缺件、偏位、錫橋、立碑與空焊等缺陷。
半導體前段與先進封裝（Semiconductor）： 應用於晶圓（Wafer）表面微塵顆粒檢測、Die 刮傷、CoWoS/先進封裝銲球（Bump）尺寸與連錫檢測。
精密機械與電子零組件（Components）： 針對金屬沖壓件、被動元件、車用連接器與齒輪等，進行幾何尺寸公差（GD&T）測量與表面刮痕檢測。
「行業 Know-How 的深度」決定了光學演算法的成敗。許多通用型 AOI 設備進入半導體先進封裝或 PCB 軟板（FPC）場域時，常因無法適應材料的屈折光學特性或高動態變形而失敗。這提醒我們，企業在引進 AOI 方案時，不應只評估設備廠的純技術指標，更要考量其是否深耕該行業的製程細節。我們將光學技術與特定的行業製程知識深度綁定，AOI 才能真正成為驅動該產業品質優化的核心引擎。
SMT / 半導體產線關鍵檢測站別對照：
檢測站別 | 位置與技術規格 | 主要攔截之缺陷類型 | 戰略價值與修補成本 |
|---|---|---|---|
SPI（錫膏印刷檢測） | 鋼板錫膏印刷（Solder Paste Printing）之後、貼片之前。採用 3D 條紋光。 | 錫膏少錫、多錫、橋接（Bridge）、偏移、錫膏體積（Volume）不佳。 | 修補成本：低。 70% 的 SMT 缺陷來自印刷；發現後直接洗板重印，成本最低。 |
Pre-Reflow AOI（回流焊前檢測） | 元件貼片（Pick & Place）之後、過迴焊爐（Reflow Oven）之前。2D／3D 光學。 | 缺件（Missing）、錯件（Wrong Part）、極性反（Polarity）、極大幅度偏移。 | 修補成本：中。 可在銲錫融化前人工夾取更正，防止昂貴元件過爐後損毀。 |
Post-Reflow AOI（回流焊後檢測） | 過迴焊爐（Reflow Oven）冷卻之後。3D 光學 + 側視相機。 | 立碑（Tombstone）、空焊（Cold Solder）、橋接短路、錫球、銲錫爬升不足。 | 修補成本：高。 銲點已固定，需透過烙鐵或返修站（Rework Station）人工重修。 |
AXI（自動 X 射線檢測） | 主要用於 Post-Reflow 之後，特別針對 BGA／QFN／CSP 等不透明封裝。X-ray 穿透。 | BGA 內部氣孔（Voiding）、內部橋接、雙面板底層隱蔽銲點瑕疵。 | 修補成本：極高。 避免不可見瑕疵流向客戶，維護品牌終端品質與可靠度。 |
04
AI 驅動 AOI 的 4 大突破性特徵
傳統 AOI 依賴人工設定幾何規則（Rule-based），當面對複雜的表面紋理（例如. 金屬拉絲、反光銲點）或非幾何形狀的自然瑕疵（例如. 微小刮痕、污漬）時，經常出現大量的誤判與過拋。 AI + AOI 透過深度學習將檢測機制升級為「語意特徵理解」。深入剖析 AI 驅動 AOI 的四大突破特徵，能幫助技術團隊掌握 AI 在特徵學習、過拋控制與動態演化上的實質優勢，為產線智慧化升級提供堅實的評估依據。
免寫死規則的自主瑕疵特徵學習： 透過輸入標註好的 OK/NG 影像樣本，AI 能萃取微小與不規則瑕疵的抽象特徵，大幅縮短新產品開線設定（Recipe）時間。
大幅度降低過拋率（False Alarm Rate）： AI 能準確辨識無害的背景反光、清洗水痕與真正的功能性瑕疵，避免將良品誤判為不良品。
高難度未知瑕疵的非監督式 Anomaly 檢測： 利用 Autoencoder 等非監督式 AI 模型學習正常產品特徵，當出現從未見過的新型態瑕疵時能立即發出警報。
與時俱進的模型持續自我進化能力： 產線收集到的邊緣瑕疵數據可定期回傳重新訓練 AI 模型，使檢測精度隨生產時間推移而越發強大。
當我們沉浸於 AI 帶來的超高辨識率時，AI 是否成為了工程師逃避光學基本功的藉口？
很多時候，產線因為光學照明設計不良導致影像模糊，卻寄望於 AI 演算法能神奇地「通靈」出瑕疵。這種忽視光學取像而過度依賴 AI 模型的做法，往往會導致 AI 模型過度擬合（Overfitting）且極度脆弱。真正的 AI-AOI 升級，應該建立在「高品質光學取像」的基礎上，讓 AI 專注於高階的語意判斷，才能打造出堅固、穩定的智慧品檢系統。
04
AI 驅動 AOI 的 4 大突破性特徵
傳統 AOI 依賴人工設定幾何規則（Rule-based），當面對複雜的表面紋理（例如. 金屬拉絲、反光銲點）或非幾何形狀的自然瑕疵（例如. 微小刮痕、污漬）時，經常出現大量的誤判與過拋。 AI + AOI 透過深度學習將檢測機制升級為「語意特徵理解」。深入剖析 AI 驅動 AOI 的四大突破特徵，能幫助技術團隊掌握 AI 在特徵學習、過拋控制與動態演化上的實質優勢，為產線智慧化升級提供堅實的評估依據。
免寫死規則的自主瑕疵特徵學習： 透過輸入標註好的 OK/NG 影像樣本，AI 能萃取微小與不規則瑕疵的抽象特徵，大幅縮短新產品開線設定（Recipe）時間。
大幅度降低過拋率（False Alarm Rate）： AI 能準確辨識無害的背景反光、清洗水痕與真正的功能性瑕疵，避免將良品誤判為不良品。
高難度未知瑕疵的非監督式 Anomaly 檢測： 利用 Autoencoder 等非監督式 AI 模型學習正常產品特徵，當出現從未見過的新型態瑕疵時能立即發出警報。
與時俱進的模型持續自我進化能力： 產線收集到的邊緣瑕疵數據可定期回傳重新訓練 AI 模型，使檢測精度隨生產時間推移而越發強大。
當我們沉浸於 AI 帶來的超高辨識率時，AI 是否成為了工程師逃避光學基本功的藉口？
很多時候，產線因為光學照明設計不良導致影像模糊，卻寄望於 AI 演算法能神奇地「通靈」出瑕疵。這種忽視光學取像而過度依賴 AI 模型的做法，往往會導致 AI 模型過度擬合（Overfitting）且極度脆弱。真正的 AI-AOI 升級，應該建立在「高品質光學取像」的基礎上，讓 AI 專注於高階的語意判斷，才能打造出堅固、穩定的智慧品檢系統。
05
AOI 發展的 3 大趨勢
隨著 AI 伺服器、高效能運算（HPC）與車用電子的爆發性成長，檢測標的物的幾何結構越來越立體，產線對檢測速度的要求也跟著提升。傳統 2D 平面檢測已無法滿足高凹凸起伏與立體結構的檢測需求。透過瞭解 AOI 的三大前瞻趨勢，能幫助企業在採購新設備時具備前瞻視野，避免買到即將被淘汰的舊規格機台。
從平面 2D 走向高精度 3D 光學顯像： 結合摩爾紋干涉光（Moire）或雷射條紋投影技術，量測產品的三維高度、體積與幾何形變（例如. 銲點高度與爬錫狀況）。
邊緣 AI 晶片硬體加速（Edge AI Infrastructure）： 將 AI 推理演算法直接內建於工業相機或邊緣推理卡中，實現即時、極速瑕疵辨識。
與 MES / 智慧產線串接形成數據閉環（Closed-loop）： AOI 檢測出的瑕疵數據即時回傳給上游製程設備（如印刷機、貼片機），自動調整參數進行實時補償。
許多企業盲目引進高昂的 3D AOI，卻發現自身產線的產品根本不需要高度資訊，造成設備產能嚴重浪費。發展趨勢的背後，核心課題始終是「商業場景的適配度」。企業在擁抱 3D 與 AI 閉環等前沿趨勢時，必須回歸製造本質，精算技術升級所帶來的良率收益是否能覆蓋硬體建置成本。唯有將前瞻技術精準落腳於解決特定製程痛點，趨勢才能轉化為企業核心競爭力。
05
AOI 發展的 3 大趨勢
隨著 AI 伺服器、高效能運算（HPC）與車用電子的爆發性成長，檢測標的物的幾何結構越來越立體，產線對檢測速度的要求也跟著提升。傳統 2D 平面檢測已無法滿足高凹凸起伏與立體結構的檢測需求。透過瞭解 AOI 的三大前瞻趨勢，能幫助企業在採購新設備時具備前瞻視野，避免買到即將被淘汰的舊規格機台。
從平面 2D 走向高精度 3D 光學顯像： 結合摩爾紋干涉光（Moire）或雷射條紋投影技術，量測產品的三維高度、體積與幾何形變（例如. 銲點高度與爬錫狀況）。
邊緣 AI 晶片硬體加速（Edge AI Infrastructure）： 將 AI 推理演算法直接內建於工業相機或邊緣推理卡中，實現即時、極速瑕疵辨識。
與 MES / 智慧產線串接形成數據閉環（Closed-loop）： AOI 檢測出的瑕疵數據即時回傳給上游製程設備（如印刷機、貼片機），自動調整參數進行實時補償。
許多企業盲目引進高昂的 3D AOI，卻發現自身產線的產品根本不需要高度資訊，造成設備產能嚴重浪費。發展趨勢的背後，核心課題始終是「商業場景的適配度」。企業在擁抱 3D 與 AI 閉環等前沿趨勢時，必須回歸製造本質，精算技術升級所帶來的良率收益是否能覆蓋硬體建置成本。唯有將前瞻技術精準落腳於解決特定製程痛點，趨勢才能轉化為企業核心競爭力。
06
AOI 串接 IoT 的 4 個核心價值
傳統單機運作模式下，AOI 檢測完畢後的判定結果往往只留在本機日誌中，無法發揮更大價值。當 AOI 透過工業物聯網（IoT）技術，將檢測數據、影像與瑕疵座標實時上傳至雲端或中央資料庫時，這些品質數據便轉化為極具價值的生產情報。理解 AOI 串接 IoT 所產生的四大數據價值，能幫助企業 IT 與品保團隊重新規劃品質數據流，實現「主動」品質預測」。
建立單件產品全生命週期品質履歷（Traceability）： 透過條碼/QR Code 綁定 AOI 檢測影像與結果，實現產品出貨後全流程的極致可追溯性。
實時 SPC 統計製程管制與品質預警： 當某類瑕疵（例如. 偏位）發生率達到統計臨界面積時，系統自動發出警報，防止成批不良品產生。
遠端集中式複檢（Centralized Classification）： 將多條產線的 AOI 待確認影像傳至中央伺服器，由少數專業人員遠端二次確認，極大化人力效率。
回饋上游預測性維護（Predictive Maintenance）： 結合瑕疵分布數據與機台感測器，預測上游設備（例如. 貼片機嘴、刀具）磨損或噴嘴堵塞狀況。
06
AOI 串接 IoT 的 4 個核心價值
傳統單機運作模式下，AOI 檢測完畢後的判定結果往往只留在本機日誌中，無法發揮更大價值。當 AOI 透過工業物聯網（IoT）技術，將檢測數據、影像與瑕疵座標實時上傳至雲端或中央資料庫時，這些品質數據便轉化為極具價值的生產情報。理解 AOI 串接 IoT 所產生的四大數據價值，能幫助企業 IT 與品保團隊重新規劃品質數據流，實現「主動」品質預測」。
建立單件產品全生命週期品質履歷（Traceability）： 透過條碼/QR Code 綁定 AOI 檢測影像與結果，實現產品出貨後全流程的極致可追溯性。
實時 SPC 統計製程管制與品質預警： 當某類瑕疵（例如. 偏位）發生率達到統計臨界面積時，系統自動發出警報，防止成批不良品產生。
遠端集中式複檢（Centralized Classification）： 將多條產線的 AOI 待確認影像傳至中央伺服器，由少數專業人員遠端二次確認，極大化人力效率。
回饋上游預測性維護（Predictive Maintenance）： 結合瑕疵分布數據與機台感測器，預測上游設備（例如. 貼片機嘴、刀具）磨損或噴嘴堵塞狀況。
07
導入 AOI 的效益與風險
導入 AOI 是一項龐大的資本支出（CAPEX），雖然它能帶來提升檢測效率與降低人為漏檢等顯著優勢，但若事前沒有釐清光學限制、高過拋率等潛在風險，專案極可能陷入「買了卻不敢全自動上線」的狀況。我們需要同時透視效益與風險兩端，透過全面、客觀且具備量化依據的商業評估報告，從而精算專案投資回報率（ROI），並在合約與規格簽署前擬定風險規避策略，確保自動化投資能帶來實質的營運效益。
4 大核心效益（Advantages）：
極高檢測速度與穩定度： 實現 100% 全檢，解決人工目檢疲勞導致的品質波動。
微米級高精度辨識能力： 可穩定辨識人眼無法察覺的微小瑕疵與精密幾何尺寸。
數位化品質數據積累： 檢測結果全程留痕，有利於大數據分析與製程改善。
降低長期人力成本負擔： 顯著減少品檢人員配置，化解招工困難問題。
3 個潛在風險（Risks）：
光學死角與陰影遮蔽（Shading Limit）： 2D 光學無法穿透遮蔽物（例如. 高元件陰影下或封裝內部）。
高過拋率導致人工複檢負擔： 演算法設定過嚴會將無害特徵誤判為 NG，造成二次複檢瓶頸。
高額初期設備與維護成本： 高階機台採購與專用光學元件耗損昂貴，小規模產線回收期長。
我們發現，許多企業忽略了「過拋率風險所衍生的人工複檢成本」。當 AOI 因為光學死角或過度敏感而將 15% 的良品判為 NG 時，工廠就必須安排額外的人力在機台後方進行二次人工確認。因此，高階管理人員在評估 AOI 專案時，必須將「過拋率控制能力」與「軟體複檢機制」列為關鍵 KPI，才能精準鎖定效益、避開盲目投資的陷阱。
07
導入 AOI 的效益與風險
導入 AOI 是一項龐大的資本支出（CAPEX），雖然它能帶來提升檢測效率與降低人為漏檢等顯著優勢，但若事前沒有釐清光學限制、高過拋率等潛在風險，專案極可能陷入「買了卻不敢全自動上線」的狀況。我們需要同時透視效益與風險兩端，透過全面、客觀且具備量化依據的商業評估報告，從而精算專案投資回報率（ROI），並在合約與規格簽署前擬定風險規避策略，確保自動化投資能帶來實質的營運效益。
4 大核心效益（Advantages）：
極高檢測速度與穩定度： 實現 100% 全檢，解決人工目檢疲勞導致的品質波動。
微米級高精度辨識能力： 可穩定辨識人眼無法察覺的微小瑕疵與精密幾何尺寸。
數位化品質數據積累： 檢測結果全程留痕，有利於大數據分析與製程改善。
降低長期人力成本負擔： 顯著減少品檢人員配置，化解招工困難問題。
3 個潛在風險（Risks）：
光學死角與陰影遮蔽（Shading Limit）： 2D 光學無法穿透遮蔽物（例如. 高元件陰影下或封裝內部）。
高過拋率導致人工複檢負擔： 演算法設定過嚴會將無害特徵誤判為 NG，造成二次複檢瓶頸。
高額初期設備與維護成本： 高階機台採購與專用光學元件耗損昂貴，小規模產線回收期長。
我們發現，許多企業忽略了「過拋率風險所衍生的人工複檢成本」。當 AOI 因為光學死角或過度敏感而將 15% 的良品判為 NG 時，工廠就必須安排額外的人力在機台後方進行二次人工確認。因此，高階管理人員在評估 AOI 專案時，必須將「過拋率控制能力」與「軟體複檢機制」列為關鍵 KPI，才能精準鎖定效益、避開盲目投資的陷阱。
08
傳統 Rule-based 與 AI 的差異
傳統 Rule-based AOI 建立在幾何數學邏輯上，執行速度極快且結果具備 100% 可解釋性；而 AI 視覺 AOI 則擅長處理模糊、不規則與複雜背景的瑕疵。我們需要一套結構化的多維度對比框架，從開線門檻、過拋率、運算成本與除錯難易度等面向進行權衡，進而為不同的產線站別選配最合適且具高性價比的檢測方案。
開線教導與開模門檻（Setup Effort）： 傳統型需要專業影像工程師精細設定邊緣與顏色門檻，耗時較長；AI 型僅需提供標註影像進行訓練，開線門檻較低。
過拋率與假報控制能力（False Positive Rate）： 傳統型對光學反射與表面些微差異極度敏感，過拋率高；AI 型具備語意理解力，能有效排除偽瑕疵。
軟硬體建置成本與運算資源需求： 傳統型僅需一般 CPU 工業電腦即可順暢運算；AI 型則需配置高規 GPU/NPU 運算資源卡與 AI 軟體授權，初期成本較高。
邏輯可解釋性與除錯難易度： 傳統型邏輯透明，可明確找出判定錯誤原因；AI 型屬於黑盒子模型，需依賴熱力圖（Heatmap）輔助分析。
很多團隊認為既然有了 AI 技術，就應該全面取代傳統演算法，結果卻在進行簡單的尺寸測量或元件定位時，花費了高 GPU 運算與訓練成本，反而拖垮了檢測節拍（Takt Time）。聰明的決策者應該認識到，最適方案往往是「架構混合化」，在需要剛性尺吋量測的站別採用傳統 Rule-based 演算法以確保速度與準確率；在表面瑕疵檢測站別導入 AI 演算法以控制過拋。唯有按站別特性分流，才能達成品質與成本的最佳平衡。
比較維度 | 傳統 Rule-based AOI | AI 視覺 AOI |
|---|---|---|
開線門檻 | 高（需精細調校幾何參數與門檻） | 低（透過樣本標註自動訓練） |
過拋控制 | 較差（對背景反射與微小變異敏感） | 極佳（具備語意理解，能過濾偽瑕疵） |
硬體成本 | 低（僅需標準 CPU 工業電腦） | 高（需高規 GPU/NPU 運算資源與授權） |
可解釋性 | 完全透明（明確數學門檻） | 黑盒模型（需透過 Heatmap 輔助判讀） |
08
傳統 Rule-based 與 AI 的差異
傳統 Rule-based AOI 建立在幾何數學邏輯上，執行速度極快且結果具備 100% 可解釋性；而 AI 視覺 AOI 則擅長處理模糊、不規則與複雜背景的瑕疵。我們需要一套結構化的多維度對比框架，從開線門檻、過拋率、運算成本與除錯難易度等面向進行權衡，進而為不同的產線站別選配最合適且具高性價比的檢測方案。
開線教導與開模門檻（Setup Effort）： 傳統型需要專業影像工程師精細設定邊緣與顏色門檻，耗時較長；AI 型僅需提供標註影像進行訓練，開線門檻較低。
過拋率與假報控制能力（False Positive Rate）： 傳統型對光學反射與表面些微差異極度敏感，過拋率高；AI 型具備語意理解力，能有效排除偽瑕疵。
軟硬體建置成本與運算資源需求： 傳統型僅需一般 CPU 工業電腦即可順暢運算；AI 型則需配置高規 GPU/NPU 運算資源卡與 AI 軟體授權，初期成本較高。
邏輯可解釋性與除錯難易度： 傳統型邏輯透明，可明確找出判定錯誤原因；AI 型屬於黑盒子模型，需依賴熱力圖（Heatmap）輔助分析。
很多團隊認為既然有了 AI 技術，就應該全面取代傳統演算法，結果卻在進行簡單的尺寸測量或元件定位時，花費了高 GPU 運算與訓練成本，反而拖垮了檢測節拍（Takt Time）。聰明的決策者應該認識到，最適方案往往是「架構混合化」，在需要剛性尺吋量測的站別採用傳統 Rule-based 演算法以確保速度與準確率；在表面瑕疵檢測站別導入 AI 演算法以控制過拋。唯有按站別特性分流，才能達成品質與成本的最佳平衡。
比較維度 | 傳統 Rule-based AOI | AI 視覺 AOI |
|---|---|---|
開線門檻 | 高（需精細調校幾何參數與門檻） | 低（透過樣本標註自動訓練） |
過拋控制 | 較差（對背景反射與微小變異敏感） | 極佳（具備語意理解，能過濾偽瑕疵） |
硬體成本 | 低（僅需標準 CPU 工業電腦） | 高（需高規 GPU/NPU 運算資源與授權） |
可解釋性 | 完全透明（明確數學門檻） | 黑盒模型（需透過 Heatmap 輔助判讀） |
09
降低 AOI 假報率的 3 個策略
為了解決機台過度敏感所造成的產線壅塞與二次複檢瓶頸，你一定得先認識過拋（False Alarm），也就是 AOI 將合格產品誤判為瑕疵品。過高的過拋率不僅需要安排大量人工進行二次確認，造成極大的人力浪費，更極易因複檢人員長期 Fatigue 而將真正的不良品漏放至下一站。
優化光學照明取像配置與光學濾波： 調整光源角度、顏色或改用偏光鏡（Polarizer），從源頭消除產品表面的無害反光、水痕與背景雜訊。
實施多重動態區域門檻（Dynamic Region Thresholding）： 針對產品的不同區域（如關鍵導電區與次要防焊區）設定差異化的容忍門檻，避免一刀切的嚴苛標準。
外掛 AI 影像二次過濾軟體（AI Re-judge System）： 將 AOI 判為 NG 的影像實時轉傳至邊緣 AI 模組進行二次快速推論，自動將誤判的 OK 品直接放行。
過拋到底代表了什麼？許多工程師習慣將責任歸咎於演算法寫得不好，但根因往往是「廠內對瑕疵標準（Defect Standard）定義模糊」。當品保部門與製造部門對什麼是「無害外觀變異」沒有共識時，工程師只能將 AOI 門檻調得極度嚴格以求自保，最終導致過拋率飆升。因此，解決過拋率的最終解答，我們相信不只是導入 AI 複判系統或優化光源，更多的是將不同部門串連，並將品質標準重新定義。
09
降低 AOI 假報率的 3 個策略
為了解決機台過度敏感所造成的產線壅塞與二次複檢瓶頸，你一定得先認識過拋（False Alarm），也就是 AOI 將合格產品誤判為瑕疵品。過高的過拋率不僅需要安排大量人工進行二次確認，造成極大的人力浪費，更極易因複檢人員長期 Fatigue 而將真正的不良品漏放至下一站。
優化光學照明取像配置與光學濾波： 調整光源角度、顏色或改用偏光鏡（Polarizer），從源頭消除產品表面的無害反光、水痕與背景雜訊。
實施多重動態區域門檻（Dynamic Region Thresholding）： 針對產品的不同區域（如關鍵導電區與次要防焊區）設定差異化的容忍門檻，避免一刀切的嚴苛標準。
外掛 AI 影像二次過濾軟體（AI Re-judge System）： 將 AOI 判為 NG 的影像實時轉傳至邊緣 AI 模組進行二次快速推論，自動將誤判的 OK 品直接放行。
過拋到底代表了什麼？許多工程師習慣將責任歸咎於演算法寫得不好，但根因往往是「廠內對瑕疵標準（Defect Standard）定義模糊」。當品保部門與製造部門對什麼是「無害外觀變異」沒有共識時，工程師只能將 AOI 門檻調得極度嚴格以求自保，最終導致過拋率飆升。因此，解決過拋率的最終解答，我們相信不只是導入 AI 複判系統或優化光源，更多的是將不同部門串連，並將品質標準重新定義。
10
AOI 整合 PLC 的 3 個步驟
在自動化產線中，AOI 必須與 PLC 以及自動化機構進行即時訊號交握（Handshake）。例如手臂將產品放至載台後，PLC 發送「到位訊號」給 AOI；AOI 拍照檢測完畢後，即時回傳「OK/NG 判定」與「物料座標」給 PLC，控制手臂進行分類堆疊。釐清這套軟硬體整合的落地步驟，是自動化工程團隊確保檢測站機能順暢運行的關鍵所在。
規劃硬體 I/O 與工業乙太網通訊協定： 採用 I/O 乾接點傳輸緊急停機與觸發訊號，並透過 Modbus TCP、Profinet 或 EtherNet/IP 傳輸動態座標與檢測結果。
設計嚴密的軟硬體狀態交握邏輯： 制定「請求放料 > 放料完成 > 啟動檢測 > 檢測完成 > 取走料件」的閉環訊號時序圖，防止機構誤撞。
整合自動化不良品標記與分流機構： 根據 AOI 輸出的 NG 訊號，由 PLC 精準驅動氣動吹氣閥、噴印打點機或多軸機械手臂，將瑕疵品自動分類至廢品盒。
為什麼有些無人化檢測站在上線後，反而成為整條產線的瓶頸？問題通常出在「交握時序（Handshake Timing）與異常容錯機制的缺失」。許多團隊在設計時，只考慮了產品正常運作下的順暢時序，卻忽略了當 AOI 運算卡頓 0.5 秒或訊號封包遺失時的例外處理邏輯，導致 PLC 陷入無止境的等待或機構誤撞。建構成功的無人化品檢站，工程團隊必須抱持「防呆與極限例外思維（Edge Case Design）」，將異常重試與安全退場機制融入 PLC 與 AOI 的交握協定中，才能打造出高容錯率且不停機的智慧檢測站。
10
AOI 整合 PLC 的 3 個步驟
在自動化產線中，AOI 必須與 PLC 以及自動化機構進行即時訊號交握（Handshake）。例如手臂將產品放至載台後，PLC 發送「到位訊號」給 AOI；AOI 拍照檢測完畢後，即時回傳「OK/NG 判定」與「物料座標」給 PLC，控制手臂進行分類堆疊。釐清這套軟硬體整合的落地步驟，是自動化工程團隊確保檢測站機能順暢運行的關鍵所在。
規劃硬體 I/O 與工業乙太網通訊協定： 採用 I/O 乾接點傳輸緊急停機與觸發訊號，並透過 Modbus TCP、Profinet 或 EtherNet/IP 傳輸動態座標與檢測結果。
設計嚴密的軟硬體狀態交握邏輯： 制定「請求放料 > 放料完成 > 啟動檢測 > 檢測完成 > 取走料件」的閉環訊號時序圖，防止機構誤撞。
整合自動化不良品標記與分流機構： 根據 AOI 輸出的 NG 訊號，由 PLC 精準驅動氣動吹氣閥、噴印打點機或多軸機械手臂，將瑕疵品自動分類至廢品盒。
為什麼有些無人化檢測站在上線後，反而成為整條產線的瓶頸？問題通常出在「交握時序（Handshake Timing）與異常容錯機制的缺失」。許多團隊在設計時，只考慮了產品正常運作下的順暢時序，卻忽略了當 AOI 運算卡頓 0.5 秒或訊號封包遺失時的例外處理邏輯，導致 PLC 陷入無止境的等待或機構誤撞。建構成功的無人化品檢站，工程團隊必須抱持「防呆與極限例外思維（Edge Case Design）」，將異常重試與安全退場機制融入 PLC 與 AOI 的交握協定中，才能打造出高容錯率且不停機的智慧檢測站。
分享這篇文章
分享這篇文章
製造問與答
製造問與答
01
如何判斷 AOI 誤報率是多少？是否導入了 AI 進行二次判定以釋放人力？
誤報率的計算公式為 「誤報點數 ÷ 總檢測點數」。若您的品檢員整天忙於在維修工作站（Review Station）點擊「Pass」確認那些被 AOI 誤判為瑕疵的正常焊點，這就代表誤報率過高。我們建議引進 AI 深度學習（例如. CNN 卷積神經網路）進行二次判定。AI 透過學習數萬張真實良品與不良品影像，能自動過濾 90% 以上的虛驚誤報。在麥肯錫的案例中，這讓複檢人力直接釋放了 70%，且達成零漏檢。
01
如何判斷 AOI 誤報率是多少？是否導入了 AI 進行二次判定以釋放人力？
誤報率的計算公式為 「誤報點數 ÷ 總檢測點數」。若您的品檢員整天忙於在維修工作站（Review Station）點擊「Pass」確認那些被 AOI 誤判為瑕疵的正常焊點，這就代表誤報率過高。我們建議引進 AI 深度學習（例如. CNN 卷積神經網路）進行二次判定。AI 透過學習數萬張真實良品與不良品影像，能自動過濾 90% 以上的虛驚誤報。在麥肯錫的案例中，這讓複檢人力直接釋放了 70%，且達成零漏檢。
02
如何判斷 AOI 數據是否與前端製程設備實施「閉環控制」？
判斷指標在於 「數據的逆向反饋與設備的自適應調校能力」。若 AOI 偵測到貼片元件有微米級的零件偏位（Shift），系統只會停機或報警，這就不是閉環。真正的閉環控制，是 AOI 即時將偏位座標與變異趨勢逆向回傳給前端的貼片機，驅使貼片機在不停機的前提下，自動修正吸嘴的取放補償參數。這種數據閉環，能將製程缺陷在發生的前兆階段就提前消滅。
02
如何判斷 AOI 數據是否與前端製程設備實施「閉環控制」？
判斷指標在於 「數據的逆向反饋與設備的自適應調校能力」。若 AOI 偵測到貼片元件有微米級的零件偏位（Shift），系統只會停機或報警，這就不是閉環。真正的閉環控制，是 AOI 即時將偏位座標與變異趨勢逆向回傳給前端的貼片機，驅使貼片機在不停機的前提下，自動修正吸嘴的取放補償參數。這種數據閉環，能將製程缺陷在發生的前兆階段就提前消滅。
03
面對少量多樣的換線趨勢，AOI 的「程式編寫與調校工時」如何精簡？
精簡的核心在於導入 「CAD/Gerber 自動轉檔」與「中央式演算法特徵庫」。傳統換線需要工程師逐一對著元件調校光學參數，耗時數小時。現在的 AOI 能直接匯入設計端的 Gerber 檔，即時生成檢測路徑，並從雲端特化資料庫中自動比對標準元件特徵（例如. 01005 晶片）。工程師只需進行首件（FAI）微調，將換線調校工時從 2 小時縮短至 15 分鐘內，大幅提升少量多樣的綜合設備效率（OEE）。
03
面對少量多樣的換線趨勢，AOI 的「程式編寫與調校工時」如何精簡？
精簡的核心在於導入 「CAD/Gerber 自動轉檔」與「中央式演算法特徵庫」。傳統換線需要工程師逐一對著元件調校光學參數，耗時數小時。現在的 AOI 能直接匯入設計端的 Gerber 檔，即時生成檢測路徑，並從雲端特化資料庫中自動比對標準元件特徵（例如. 01005 晶片）。工程師只需進行首件（FAI）微調，將換線調校工時從 2 小時縮短至 15 分鐘內，大幅提升少量多樣的綜合設備效率（OEE）。
04
針對高難度的「3D 檢測需求」，我們如何評估 2D 與 3D AOI 的投資報酬率？
評估關鍵在於 「缺陷逃逸成本（Escape Cost）與製程容忍度」。2D 適合檢查錯件、缺件、極性反等平面指標；但面對元件翹腳（Tombstoning）、錫少或 BGA 晶片共面度等「高度/體積」缺陷，2D 有先天盲點。若您的產品屬於高價值、高信賴度領域（例如. 車用、醫療），漏檢一項缺陷的客退召回代價極高。我們建議您建立財務模型，當 3D AOI 降低的客退成本與重工人工費，能在 18 個月內沖銷設備溢價時，即具備高 ROI。
04
針對高難度的「3D 檢測需求」，我們如何評估 2D 與 3D AOI 的投資報酬率？
評估關鍵在於 「缺陷逃逸成本（Escape Cost）與製程容忍度」。2D 適合檢查錯件、缺件、極性反等平面指標；但面對元件翹腳（Tombstoning）、錫少或 BGA 晶片共面度等「高度/體積」缺陷，2D 有先天盲點。若您的產品屬於高價值、高信賴度領域（例如. 車用、醫療），漏檢一項缺陷的客退召回代價極高。我們建議您建立財務模型，當 3D AOI 降低的客退成本與重工人工費，能在 18 個月內沖銷設備溢價時，即具備高 ROI。
05
如何判斷 AOI 是否具備「異質光源與多角度打光」的動態配置彈性？
高反射率的晶片表面與粗糙的 PCB 基板所需的打光完全不同，其判斷標準在於系統能否針對不同材質進行 「軟體定義光源（Software-defined Lighting）」。具備彈性的 AOI 整合了紅、綠、藍（RGB）同軸光、低角度環形光與多頻段數位投影（PMP）。您可以檢查系統介面：在切換不同機種時，光源的角度與亮度是否能直接寫入配方（Recipe）自動動態切換，而非仰賴工程師手動調整調整硬體。
05
如何判斷 AOI 是否具備「異質光源與多角度打光」的動態配置彈性？
高反射率的晶片表面與粗糙的 PCB 基板所需的打光完全不同，其判斷標準在於系統能否針對不同材質進行 「軟體定義光源（Software-defined Lighting）」。具備彈性的 AOI 整合了紅、綠、藍（RGB）同軸光、低角度環形光與多頻段數位投影（PMP）。您可以檢查系統介面：在切換不同機種時，光源的角度與亮度是否能直接寫入配方（Recipe）自動動態切換，而非仰賴工程師手動調整調整硬體。
製造業的朋友們，我們誠摯邀請您一同建立需求，請您提出問題，我們將安排專業的顧問為您解答。
