工業(yè)&4.0 在全球制造業(yè)掀起智能化浪潮，通過智能制造系統(tǒng)，制造流程將可大幅優(yōu)化，進而提升產(chǎn)線效能、降低成本支出，在智能制造系統(tǒng)中，人工智能扮演了重要角色，尤其是深度學習（Deep Learning）演算法更開始被應用到產(chǎn)線系統(tǒng)中的視覺檢測，快速而精準的判別產(chǎn)品瑕疵。

機器視覺檢測有效取代人眼，全靠“深度學習”

深度學習屬于機器學習的領域，其演算方式是通過不斷重復判別物件獲得龐大數(shù)據(jù)，再經(jīng)過大量的運算讓精準度不斷接近完美，臺達指出，目前深度學習已經(jīng)被大量應用于各種領域，制造業(yè)的視覺檢測則是其中重點應用。

產(chǎn)品檢測是制造業(yè)質量管理的一環(huán)，過去皆由現(xiàn)場作業(yè)員親力親為，然而人眼有其極限，檢測速度與正確率會隨著作業(yè)時間拉長降低，再加上產(chǎn)線速度越來越快、產(chǎn)品體積逐漸輕薄短小，后期機器視覺開始取代人眼，成為產(chǎn)線檢測主流。

在產(chǎn)線中，視覺檢測有四大主要功能，包括量測、辨識、定位、檢查等，而檢測是所有功能中最困難的部分，由于現(xiàn)場人員對瑕疵的認知不同，因此即便是已然自動化的機器視覺，仍會存在因系統(tǒng)設定或現(xiàn)場質管人員不同，導致出貨產(chǎn)品質量無法一致性的問題，要解決此一問題，臺達指出深度學習將會是最佳方式。

純&AOI 系統(tǒng)將快速消失，結合&AI 成轉型關鍵

將深度學習導入至產(chǎn)線檢測，對制造業(yè)與系統(tǒng)供應商兩端來說，都可提升工作效率。在使用者端，視覺檢測系統(tǒng)可以省下大量人眼檢核的成本，機器視覺軟硬件架構的準確率與判斷速度，已遠遠超過人眼，而且設定完成后，即可長時間不間斷且以一致標準的工作，將可為制造業(yè)者省下大量的人力成本。

過往的機器視覺系統(tǒng)，每一次上線都必須不斷調(diào)整設定，在智能制造概念中，產(chǎn)線必須可快速回應訂單，彈性調(diào)整生產(chǎn)內(nèi)容，現(xiàn)行機器視覺檢測的繁復設定將難以滿足彈性化生產(chǎn)需求，深度學習架構只要事先通過訓練，即可快速上線使用，且還能自主學習，系統(tǒng)可以自動找出最佳的&OK/NG 參數(shù)，不必再由人員調(diào)整，在此狀態(tài)下，各設備的瑕疵檢測標準將可一致性，不會因品牌、使用時間的不同產(chǎn)生差別。

至于系統(tǒng)整合商，運用人工智能也將強化市場競爭力。人工智能在視覺檢測市場正加速普及，純&AOI 系統(tǒng)在制造業(yè)的競爭力將會快速消失，不過臺達也指出，現(xiàn)在市場對人工智能的導入也有迷思，多數(shù)廠商認為將&AOI 全面替換為人工智能，將可立即降低漏檢與誤判機率，然而這種一步到位的想法在實際狀況中并不可行，反而會讓漏檢和誤檢率大幅增加，建議應該保留現(xiàn)行&AOI 功能并結合人工智能，才能迭加兩者的優(yōu)勢。

產(chǎn)品漏檢率趨近于零，誤判率極低

臺達針對視覺檢測所推出的&DAVS 即是以人工智能為核心的運送系統(tǒng)，此系統(tǒng)可以結合既有的&AOI 系統(tǒng)，讓既有設備可延長使用年限，以此保障制造業(yè)者過去的投資，而人工智能與&AOI 整合的模式，也提升了產(chǎn)品的檢出率。

以SMT用電感(用于手機/小型化PCB)為例，除非是嚴重裂紋，否則傳統(tǒng)的&AOI 系統(tǒng)常無法判斷影像中的線條是原有紋路或裂痕，且AOI對其中度裂紋的檢出率小于&50％，輕微裂紋檢出率更是在&5％&以下，加裝&DAVS 之后，檢出率大幅提升，不但漏檢率為零，誤判率更低于&0.3％。

臺達指出，工業(yè)&4.0 強調(diào)產(chǎn)線彈性化與快速自主學習，DAVS 通過人工智能與&AOI 的結合，以深度學習解決了現(xiàn)在&AOI 系統(tǒng)難以檢測的產(chǎn)品瑕疵，同時讓漏檢率趨近于零，達到超高檢出率需求，藉此提升出貨產(chǎn)品質量。

此外&DAVS 容易安裝的特色，可讓檢控設備建置在產(chǎn)線中的每一個重要環(huán)節(jié)，一旦制造過程中出現(xiàn)錯誤，系統(tǒng)就可立即提醒改善，避免將錯誤累積到最后檢測端，造成更大的成本浪費，也由于&DAVS 可大幅減少人力與管理成本，其投資可在&0.8～1.5 年之間回收。臺達以自身打造AOI設備的扎實經(jīng)驗，建議制造業(yè)者可依自身需求，于AOI設備加裝建置便利的人工智能視覺檢測系統(tǒng)，向智能制造更邁近一步。