工业 4.0 在全球制造业掀起智能化浪潮，通过智能制造系统，制造流程将可大幅优化，进而提升产线效能、降低成本支出，在智能制造系统中，人工智能扮演了重要角色，尤其是深度学习(deep learning)演算法更开始被应用到产线系统中的视觉检测，快速而精准的判别产品瑕疵。

机器视觉检测有效取代人眼，全靠“深度学习”

深度学习属于机器学习的领域，其演算方式是通过不断重复判别物件获得庞大数据，再经过大量的运算让精准度不断接近完美，台达指出，目前深度学习已经被大量应用于各种领域，制造业的视觉检测则是其中重点应用。

产品检测是制造业质量管理的一环，过去皆由现场作业员亲力亲为，然而人眼有其极限，检测速度与正确率会随着作业时间拉长降低，再加上产线速度越来越快、产品体积逐渐轻薄短小，后期机器视觉开始取代人眼，成为产线检测主流。

在产线中，视觉检测有四大主要功能，包括量测、辨识、定位、检查等，而检测是所有功能中最困难的部分，由于现场人员对瑕疵的认知不同，因此即便是已然自动化的机器视觉，仍会存在因系统设定或现场质管人员不同，导致出货产品质量无法一致性的问题，要解决此一问题，台达指出深度学习将会是最佳方式。

纯 aoi 系统将快速消失，结合 ai 成转型关键

将深度学习导入至产线检测，对制造业与系统供应商两端来说，都可提升工作效率。在使用者端，视觉检测系统可以省下大量人眼检核的成本，机器视觉软硬件架构的准确率与判断速度，已远远超过人眼，而且设定完成后，即可长时间不间断且以一致标准的工作，将可为制造业者省下大量的人力成本。

过往的机器视觉系统，每一次上线都必须不断调整设定，在智能制造概念中，产线必须可快速回应订单，弹性调整生产内容，现行机器视觉检测的繁复设定将难以满足弹性化生产需求，深度学习架构只要事先通过训练，即可快速上线使用，且还能自主学习，系统可以自动找出最佳的 ok/ng 参数，不必再由人员调整，在此状态下，各设备的瑕疵检测标准将可一致性，不会因品牌、使用时间的不同产生差别。

至于系统整合商，运用人工智能也将强化市场竞争力。人工智能在视觉检测市场正加速普及，纯 aoi 系统在制造业的竞争力将会快速消失，不过台达也指出，现在市场对人工智能的导入也有迷思，多数厂商认为将 aoi 全面替换为人工智能，将可立即降低漏检与误判机率，然而这种一步到位的想法在实际状况中并不可行，反而会让漏检和误检率大幅增加，建议应该保留现行 aoi 功能并结合人工智能，才能迭加两者的优势。

产品漏检率趋近于零，误判率极低

台达针对视觉检测所推出的 davs 即是以人工智能为核心的运送系统，此系统可以结合既有的 aoi 系统，让既有设备可延长使用年限，以此保障制造业者过去的投资，而人工智能与 aoi 整合的模式，也提升了产品的检出率。

以smt用电感(用于手机/小型化pcb)为例，除非是严重裂纹，否则传统的 aoi 系统常无法判断影像中的线条是原有纹路或裂痕，且aoi对其中度裂纹的检出率小于 50%，轻微裂纹检出率更是在 5% 以下，加装 davs 之后，检出率大幅提升，不但漏检率为零，误判率更低于 0.3%。

台达指出，工业 4.0 强调产线弹性化与快速自主学习，davs 通过人工智能与 aoi 的结合，以深度学习解决了现在 aoi 系统难以检测的产品瑕疵，同时让漏检率趋近于零，达到超高检出率需求，藉此提升出货产品质量。

此外 davs 容易安装的特色，可让检控设备建置在产线中的每一个重要环节，一旦制造过程中出现错误，系统就可立即提醒改善，避免将错误累积到最后检测端，造成更大的成本浪费，也由于 davs 可大幅减少人力与管理成本，其投资可在 0.8～1.5 年之间回收。台达以自身打造aoi设备的扎实经验，建议制造业者可依自身需求，于aoi设备加装建置便利的人工智能视觉检测系统，向智能制造更迈近一步。

以上是网络信息转载，信息真实性自行斟酌。