AOI 是自動光學檢測的概念，而 AI 是其中一種可以使用的影像分析技術。
傳統 AOI 常使用規則式影像處理，例如：

• 灰階分析
• Blob
• Edge
• Pattern Match
• 尺寸量測
• 位置判斷
• OCR
• Barcode

AI 瑕疵檢測則透過訓練資料學習產品正常與異常的影像特徵。

因此更精確的理解是：

AOI 是「自動檢測系統」，AI 是「影像判斷技術之一」。

AI 可以整合進 AOI，而不是一定要與 AOI 二選一。

不一定。

如果檢測項目非常明確，例如尺寸、位置、孔徑、數量、文字內容或條碼內容，傳統規則式 AOI 往往可以提供穩定且容易驗證的結果。

如果產品瑕疵具有高度變異，例如：

• 外觀刮傷
• 污漬
• 色差
• 表面異常
• 不規則缺陷
• 難以建立固定規則的瑕疵

則 AI 瑕疵檢測可能更適合。

當瑕疵的形狀、大小、位置或灰階變化較大，而且難以透過固定影像規則準確描述時，可以考慮 AI。

例如同一種產品的刮傷可能有不同：

• 長度
• 方向(角度)
• 深淺
• 位置
• 形狀

此時若完全依靠固定閾值與幾何規則，可能需要建立大量條件；AI 則可以透過樣本學習這些外觀差異。

如果檢測項目具有明確的幾何或數值標準，例如：

• 尺寸量測
• 孔洞有無
• 元件有無
• 位置偏移
• 數量確認
• Barcode
• QR Code
• OCR
• Pattern Match

通常可以優先評估傳統 AOI。

因為這類問題具有較明確的判斷條件，規則式演算法通常比較容易建立與驗證。

通常需要一定數量且具有代表性的訓練資料。

資料不只是「越多越好」，更重要的是資料是否涵蓋實際產線可能出現的變化，例如：

• 不同批次
• 不同光線
• 不同產品姿態
• 不同瑕疵尺寸
• 不同瑕疵位置
• 正常品變異

如果訓練資料與實際產線差異太大，即使模型在訓練資料上的結果很好，實際導入時仍可能出現誤判。

可以，而且實際工業應用中經常會採用混合式架構。

例如：

第一階段：

傳統 AOI → 定位產品

第二階段：

傳統影像處理 → 檢查尺寸與位置

第三階段：

AI → 判斷外觀瑕疵

第四階段：

OCR／Barcode → 讀取產品資訊

最後再將所有結果整合：

OK／NG → PLC／MES

這種方式可以讓不同技術處理自己最適合的檢測項目。

在部分應用中可以大幅降低人工檢查需求，但是否能完全取代人工，需要依照產品特性、瑕疵種類、允收標準與驗證結果決定。

導入前通常需要使用實際產品樣品進行 PoC 測試，確認 AI 模型的 Recall、Precision、誤判率與漏判率是否符合產線需求。

不一定。

成本取決於產品、相機數量、檢測速度、AI模型複雜度、設備架構與軟體功能。

如果只是單純尺寸與位置檢查，傳統 AOI 可能更有效率；如果是複雜外觀瑕疵，雖然 AI 初期需要建立訓練資料，但可能可以降低傳統規則開發的複雜度。

因此不應只比較「AI與AOI哪個便宜」，而應比較整體導入成本與實際檢測效果。

不一定。

AI模型的辨識能力不只取決於相機規格，影像品質同樣受到鏡頭、光源、曝光、解析度、FOV、工作距離與產品姿態影響。

如果影像本身沒有清楚呈現瑕疵，再好的 AI 模型也很難穩定判斷。

因此 AI 視覺檢測的基本原則仍然是：

先把影像拍好，再談 AI 演算法。

可以先依照瑕疵特性判斷。

規則明確 → 傳統 AOI

外觀變異大 → AI

兩者都有 → 混合式 AOI

例如尺寸、位置、數量與 Barcode 可以使用傳統演算法；外觀刮傷、污漬或不規則瑕疵則可以評估 AI。

常見應用包括：

• 刮傷
• 凹痕
• 污漬
• 色差
• 裂痕
• 缺料
• 異物
• 表面異常
• 印刷異常
• 外觀缺陷

實際可檢測項目仍需要依照產品影像與瑕疵特徵進行 PoC 評估。

可以。

許多 AOI 系統本身就可以利用傳統影像處理完成尺寸、位置、數量、OCR、Barcode、Pattern Match、Blob 等檢測。

AI 是 AOI 可以採用的其中一種技術，而不是 AOI 的必要條件。