用AI+AOI，實現檢測0人力
AI可以如何進一步提升AOI檢測的效能？哪些產業適合導入AI+AOI？在開始介紹AI能應用在什麼產業之前，我們先來看看AI的開發流程。
AI 屬於一種大數據分析，因此在影像的領域中，第一步就是從「收集影像」開始。
1.收集影像：從實際的相機拍攝場景中，收集影像。
2.標記/分類：在收集完影像後，必須由人力告訴AI軟體，什麼影像是什麼結果。這也是過程中最花費時間的一個步驟，這時候，選擇能夠在最短時間內
完成這個步驟的軟體，會大大影響整個開發時程。
3.訓練模型：對許多希望導入AI的朋友來說，在眾多神經網絡中，如何挑選一個正確好用的模型來完成訓練呢？在眾多神經網絡中，從神經網絡的種類，到神經網絡撰寫，這樣的搭配，不下萬種，我們要如何挑選一個正確好用的模型來完成訓練呢？
4.測試模型：在訓練好模型後，必須驗證確保這一個AI模型是可以用的，主要是用來判斷這個模型有多高的誤判率以及漏檢率。
在自動化光學檢測中，通常會使用以下兩種AI應用方式：
1. AI覆判檢測
2. AI檢測
接下來我們先針對AI覆判檢測實際應用做介紹。
通常AI的覆判解測，是在是用來輔助AOI的檢測結果。在AI興起之前，AOI都是以大量人力用目視的方式一一的檢視影像。
這個方式雖然能夠修正過高的誤殺率及誤檢率，卻需要耗費人力及時間進行審查。在AI興起後，「影像分類」的功能即可降低誤殺率及誤檢率，並且更加即時快速，甚至可以實現0人力的目標。
案例：
在SMT、DIP製程的終檢設備中，由於PCB板上有許多線路、電子零件的規格…等等，很難以AOI的參數檢出所有瑕疵，因此在使用AOI檢測時，往往是寧可誤殺也不可漏殺，導致極高的誤判率。這時，使用AI進行覆判即可解決高誤判率的問題。以下以案例圖片說明：
AOI誤殺
AI 誤殺補償
AOI漏檢
AI 覆判為偏移
以上案例的應用與檢測是使用Astrocyte來達成的結果，用AI的方式修正AOI的弱點，不僅節省非必須的人力成本，也能提升產線良率。
如果您有類似的需求，歡迎向LINX Taiwan申請試用評估，由專門的AI工程師可以協助您進行評估、整合與開發。
下一期，我們將以實際的應用案例，介紹AOI如何以AI檢測功能取得原本難以取得的檢測參數，請多關注訂閱！