用AI把關品質，從一條產線走向500站點

自動光學檢測設備（AOI）是電子產品生產線上的品質防線，以影像比對自動找出零件錯置、異物或外觀瑕疵。但傳統AOI依賴固定演算法與預先設定的參數，一旦機種、料件或成像條件改變，就必須重新調整。

隨著近年筆記型電腦生產從「多量少樣」轉向「少量多樣」，每次換線或更換料號都得重新設定檢測條件，AOI也易產生誤判。仁寶電腦共同軟體研發本部副總經理陳益昌坦言，有些AOI到最後「幾乎就是擺著好看而已。」

為擺脫傳統AOI對固定規則的依賴，仁寶電腦導入AI視覺辨識平台「智造之眼」，從單一產線逐步驗證、擴大，如今已部署到跨廠區500多個站點。導入後，檢測效率提升2倍，AOI測試率提升逾30％，誤報情形也改善逾97％，誤報率已壓低至１％。仁寶也因此摘下「智造升級轉型獎」大型企業首獎。

複判員升級主力檢測

仁寶電腦策略長陳信仲表示，仁寶長期以PC為核心，面對AI快速改變產業競爭，決定從客戶、產品到製造端全面擁抱AI。「智造之眼」便是製造端轉型的重要起點。

這個AI專案從一個只有5人的小團隊起步，從讀論文、測模型、反覆實驗開始，一步步建立資料清洗、模型訓練與部署能力。摸索了兩年，才把系統誤判率降到約1％。

但真正的突破，是重新思考AI在產線上的角色。起初，團隊只是把AI當成AOI的「複判員」：先由AOI判定異常，再交給AI確認，以降低人工重判的負擔。

然而，只要AOI仍然沿用原本的固定模板與參數，工程師就還是得不斷維護與調整，工作負擔並沒有減輕。於是團隊做出更大的改變，不再只讓AI負責複判，而是把取像、影像辨識到判斷流程重新整合進自建AI系統。

至於AI如何在數以萬計、規格各異的材料號中做到規模化？若每個機種、SKU（庫存單位）都建一套模型，很快就會陷入難以維護的「一機種一模型」。因此，團隊重新定義辨識單位，把上萬個材料料號歸納成80～100種元件類別，如電阻、電容與IC、排線、卡勾，再搭配料號規則建立少數共用模型。如此一來，同一套模型就能延伸至不同機種與產線，建模工作量降低超過90％。

模型能共用後，還得跟上產線速度。部分產線每6～10秒就要產出1台筆電，產品不可能為了拍攝而停下。團隊於是從軟體一路做到光學與硬體，解決高速移動下的取像與運算問題，讓產品能在傳送帶上完成拍攝與AI判讀。

然而，剛導入第一條產線時，第一線人員並不埋單。陳益昌讓數據說話，從規則較明確、風險較低的Logo檢測切入，安排AI與人工在相同條件下交叉比對，結果人工誤判率達5％、AI則約1％。經過這場「人機PK」，現場人員開始願意接受AI的判斷。

從單點走向規模化

但一條產線成功，並不等於整套系統能夠複製。要將「智造之眼」從單點擴展到500多個檢測站點。團隊必須先回頭釐清一個基礎問題：到底什麼才算異常？於是將品質細分為9個等級，讓不同產線對齊判定標準，再交由AI學習。這一步成為「智造之眼」從單點走向規模化的關鍵，只有標準一致，模型才能跨機種、跨產線使用。

團隊也刻意讓AI「無痕」進入產線。系統直接串接既有設備與流程，現場人員沿用原本的介面與操作方式。當AI接手大量重複性的視覺判斷，人員也能從長時間盯螢幕複判，轉向製程管理與異常處理等更高價值的工作。

下一步，仁寶希望讓AI不只看見問題，還能一路追到問題源頭。

從一條產線起步，仁寶要打造的，不只是一套AI檢測技術，而是一套能跨產線、跨廠區複製，並持續自我改善的品質管理能力，才能讓轉型效益極大化。