半導體封測廠矽品自2018年導入自動瑕疵分類(Automatic Defect Classification；ADC)方案計畫，在瑕疵檢測流程中結合AI，希望改善傳統AOI設備過度篩檢的問題，整個計畫矽品僅用了9個月便順利完成開發，且實際上線後的表現也符合預期水準，但令人意外的是，由矽品技術開發處處長萬國輝帶領負責執行計畫的團隊，成員卻僅有4人，而且是招募零工作經驗的新鮮人，從公司內部培養、建構出

機器視覺與機器手臂是工廠自動化領域中兩大代表性技術，經過長年發展，應用已臻成熟，近年來智慧化浪潮襲全球製造業，工業物聯網與AI被快速導入至生產系統中，機器視覺與機器手臂成為製造智慧化的先期應用。 機器視覺是目前製造智慧化發展最快的領域。機器視覺在製造業的應用包括量測、辨識、定位、檢查，這4大項目中又以檢查的應用最高，也就是AOI(Automated Optical Inspe

前將AI應用在自動光學檢測(AOI)用以輔助其提升瑕疵辨識的準確率，被製造業鎖定為市場下一個應用著力點，然而將AI與AOI整合確有其可發揮優勢之處，但業者指出，不同產業別對於運用AI辨識瑕疵成像仍舊充滿挑戰，而有些問題，甚至會讓整個專案根本無法推動。 將AOI結合AI建置工廠內的智慧檢測設備、並成功切入光電產業的太奇雲端，從訓練光電產業超過千萬張瑕疵成像的過程中，實際摸索出一

對於極具時間敏感性的事件，AI邊緣裝置能在即時運算處理下降低延遲誤差。太奇雲端總經理李承勳認為，現今智慧應用百花齊放，但AI真正用武之地應是在於具有即時性需求的應用，如果事件沒有急迫性，從邏輯上來看其實並不一定要導入AI。 而什麼樣的事件具有時間急迫性？李承勳舉例如安控領域的入侵偵測即是一例，所有的偵測、辨識、分析都必須在邊緣端完成，才能在毫秒之內即時通報預警，或是針對危險駕

台灣過去累積硬體製造、接單快速的優勢，但也因自動化、AI、大數據的創新科技，逐漸無法仰賴傳統工廠分工邏輯。未來十年的生產模式，預計從「短鏈」進化成「碎鏈」生產。面對逐漸破碎化的供應鏈，台灣製造如何打造「未來工廠」？在佈局全球製造基地的過程，又該如何掌握關鍵的產業趨勢？ 「工業4.0」不再是口號與概念，如何接地氣順利轉型已經勢在必行。對此，DIGITIMES 2019年度全台巡

域的新創能量有多強？從雷應科技、杰倫智能科技、邑流微測這三家新創的解決方案能窺知一二。因應人工智慧技術成熟，愈來愈多方案有效提升製造場域的效能及產品良率，「技術力」始終是台灣科技產業的獨門Know-How，看看這3家新創公司的技術，對製造產業將帶來哪些幫助？ 智慧製造也需穿戴裝置？雷應科技打造設備守護者 針對人體數據的記

製造業對於品質控管的要求甚高，目前影像辨識在製造端最大的需求則來自於瑕疵檢測，然製造業因產業產品型態差異頗大，不同於零售業導入來客分析，或是安防市場用於場域監控係以人為核心，製造業在瑕疵檢測的應用上情況則相對複雜。以AI導入AOI解決方案成功切入光電產業的太奇雲端總經理李承勳則指出，由於瑕疵不好定義，而個別客戶使用情況又不儘相同，因此市場現階段欲朝通用型AI發展，仍有挑戰。

從機聯網、可視化管理等的基礎應用，進展到以AI達到生產設備預知維護保養等，智慧製造應用現今可說是百花齊放，而產業端的實際需求，更是促進智慧應用成熟發展的動力。根據工研院調查，品質與良率仍然是目前台灣製造業者最重視的議題，在此需求下，近期智慧製造相關應用中最受廣大討論的則是AOI瑕疵檢測智慧化發展，然業界則是點出，在實際操作層面上，瑕疵樣本取樣不易恐將是挑戰。 以成本為出發點，

人工智慧在製造領域的應用越來越廣泛，基於機器學習的影像識別是目前發展速度較快的應用，這也是目前台灣在發展製造領域AI的應用重點。電子代工大廠英業達去年成立AI研發中心，陸續已有相關解決方案落地，並實際於生產線啟動，其中基於電腦視覺的AI應用已落實於包括軟體測試、自動光學檢查(AOI)複檢、以及筆電表面刮痕檢測等。 製造業持續推動產業AI化，對內也自主團隊全力衝刺，結合產官學各

半導體封測業者矽品自去年開始在視覺檢測流程中導入AI，利用深度學習模型改善過去進行AOI瑕疵檢測時，約有99%機率會出現疑似瑕疵，最終仍需要人工複檢的問題，而歷經9個月開發，現已收穫相當滿意的成果，在NVIDIA「AI策略高峰會」中也大方分享成功經驗。率領團隊的矽品技術開發處長萬國輝也笑稱自己是門外漢，在計畫過程中一路從做中學，未來最終目標則是要讓封裝製程中的瑕疵檢測實現全自動化。