導入 AOI 自動光學檢測前，產線主管該問的五個問題

我們接觸過不少產線主管，導入 AOI 的動機都很單純：人工目檢太累、太慢、太容易漏。這個判斷沒有錯，AOI 確實能在速度與一致性上遠遠超過人工目檢。但把「展示很準」直接等同於「上線很準」，是最常見也最貴的誤解。

供應商的展示畫面，通常是在最理想的條件下錄製的：光線標準、瑕疵清楚居中、樣本是精挑細選過的教科書等級案例。真正的產線環境卻充滿變數——材質批次差異、機台震動、班別之間的光源色溫落差、鏡頭沾染粉塵。這些落差不會反映在供應商的展示影片裡，卻會直接反映在你上線後第一個月的良率報表上。以下五個問題，建議在簽約前就要有明確答案，而不是等到上線後才發現。

01樣本涵蓋率夠不夠廣？

供應商的展示樣本通常是「教科書等級」的瑕疵：清楚、居中、光線標準。但你的產線會出現的是各種角度、各種光源反射、各種材質批次差異下的瑕疵，甚至同一種瑕疵在不同季節、不同濕度下的外觀都可能不太一樣。上線前務必確認訓練樣本是否涵蓋你們實際會出現的瑕疵型態與環境變異，而不是只有供應商自己準備的乾淨資料集。實務上比較可靠的做法，是在簽約前先提供一批你們產線最近實際拍到的瑕疵照片（包含清楚跟模糊的），請供應商用這批資料現場測試，而不是只看對方的行銷簡報。

02誤判率的可接受門檻是多少？

AOI 永遠在「漏檢」與「誤殺」之間取捨——門檻拉緊，好料也會被判不良；門檻放鬆，瑕疵品就可能流出。這個門檻該設在哪裡，不是工程問題，是業務問題：多判一件不良品的成本（重工、報廢、產能損失），跟少判一件瑕疵流到客戶手上的成本（客訴、退貨、商譽損失），哪個你更承受得起？這件事要在導入前跟供應商用具體數字談清楚，不能只說「越準越好」。建議直接要求供應商提供混淆矩陣（誤殺率、漏檢率分開列），而不是只給一個籠統的「準確率 99%」，因為同樣是 99%，背後的漏檢與誤殺比例可能天差地遠。

03上線後由誰負責重新訓練模型？

材質換批、光源老化、產線微調，都會讓原本準確的模型慢慢「失準」而不自知，這在業界稱為模型飄移。導入前要問清楚：模型效能下滑時誰負責發現、誰負責重新標註樣本、誰負責重新訓練上線，這件事是內含在合約裡的維運服務，還是每次都要另外報價付費。也建議在合約中明訂效能監控的頻率與觸發重新訓練的門檻（例如誤判率連續兩週超過某個百分比就啟動重訓），而不是憑感覺決定要不要調整模型。沒有維運計畫的 AOI，準確率是會隨時間慢慢變差的，而且往往是在你最沒有防備的時候出問題。

04跟既有系統怎麼串接？

AOI 判定結果如果只停留在螢幕上，對產線管理沒有太大幫助。理想狀況是判定結果能即時寫回 MES 或 ERP，讓不良品自動觸發後續流程（隔離、記錄、通知相關人員），而不是仰賴作業員手動謄寫紀錄。導入前確認資料格式、API 或資料庫串接方式是否可行，資料的所有權歸屬（尤其是你們自己的瑕疵影像資料，未來能不能匯出、能不能用在其他用途），比單純評估辨識準確率同樣重要，甚至在長期維運上更重要。串接規劃沒做好，AOI 很容易變成一座資訊孤島，準確率再高也難以真正融入日常管理流程。

05導入期間產線怎麼並行運作？

沒有任何一套 AOI 系統值得你在第一天就完全信任它、撤走所有人工複檢。合理的做法是設定一段並行期，AOI 判定與人工複檢同步進行，統計兩者的判定落差，直到準確率與穩定性都達到事先定義的標準，才逐步降低人工複檢比例。導入前先講好這段並行期要多長、樣本數要多少才有統計意義、用什麼具體指標決定「可以放手了」，以及如果中途遇到新批次材質或新瑕疵型態，並行期是否需要重新啟動。沒有明確的退場標準，並行測試很容易變成無限期拖延，或是反過來太早撤除人工複檢而承擔不必要的風險。

這五個問題沒有標準答案，答案會因為你的產品、產線、容錯空間而不同。但如果供應商沒辦法針對這五點給出具體回應，只講「準確率 99%」這種單一數字，通常代表這套系統還沒有真正被放到你的產線環境裡驗證過，簽約前值得多問幾句。

常見問題