檢測設備與供應鏈已相當成熟,真正的瓶頸,轉移到了檢測之後。
AOI 為了不漏抓缺陷,往往寧可多報。其中相當比例是誤報,仍得逐張交給人確認。
複判站需要大量人力長時間盯著影像,速度與判斷的一致性都受影響,也拖慢出貨節奏。
熟練的複判人員不易培訓與留任。人力成本與對個人經驗的依賴,成為產線的隱性風險。
多數 AOI 以固定的規則和標準影像做比對。只要畫面和標準「不一樣」,就可能判為 NG,即使那只是正常的變化。
門檻調鬆,怕漏掉真缺陷;調嚴,誤報就變多。這是規則比對本身的取捨。
派思不改動 AOI 的設定,而是在它之後,用從貴廠影像中學到的判斷,分辨「真的不良」和「只是看起來不一樣」。
產線照原本的方式運作。派思只接手 AOI 判為 NG 的影像,先把誤報擋下,再把真正需要的交給複判站。
您的 AOI 維持原有作業,把判為 NG 的缺陷影像與相關資訊交出來。
判讀每張影像是真缺陷還是誤報,並給出信心分數。高信心的誤報自動放行。
真缺陷與沒把握的影像,一律交回原複判站。原系統蓋不住的確認與回饋,由派思的多點複檢介面輔助處理,結果留在廠內,越用越準。
「寧可多交給人工,也不放過一個真缺陷。」
減少需要人工逐張判讀的影像量,複判人員可轉往更需要經驗的工作。
誤報不再排隊等人看,缺陷影像處理得更快,減少等待與出貨前的時間成本。
高信心的誤報不再當成不良品排隊。過殺降下來,直通率跟著提高,人工留給真正的邊界案例。
實際成效須以貴廠現場資料驗證。在驗證之前,我們不提出保證數字;降幅由雙方在簽約前共同議定。
複判最怕的是漏放真缺陷。每一項設計,都以此為出發點。
每條產線各配一個 Edge 端,只負責收資料、送資料;所有產線的資料匯集到廠內的 AI 複檢 Server,統一判讀、統計與更新模型,並提供多工、多點的圖形化複檢介面,輔助原複判站。兩層都在貴廠內網,影像不出廠。
每條產線各配一個 Edge 端,接在該線的 AOI 設備旁,接收缺陷影像(含參考圖或量測值)與 Machine ID、Lot ID、Wafer ID、Process 等製程資訊,整理後傳送到 AI 複檢 Server。加一條線,就加一個 Edge。第一條線先接一個 AOI 品牌。
所有產線的資料在這裡統一處理:AI 判讀並給出信心分數;跨產線依機台、批號、Wafer、製程統計誤報與放行數據;新版模型也在這裡訓練、評估,經簽章驗證才上線,可回復舊版。複判以原廠複判站為主,派思的圖形化複檢介面作為輔助,支援多工、多點作業,多位人員可在不同站點同時處理原系統蓋不住的確認與回饋。修正結果留在廠內作為學習資料。
任何一層出問題,都退回人工,不會默默放行。Edge 連不到 Server 時先在本機暫存,該線改為全部交回人工,恢復後補送;Server 異常同樣自動降級。Edge 收到影像即計算雜湊值,Server 比對確認資料未被改動。判定結果由 Server 寫回原複判站或 MES。
每筆影像都和機台、批號、Wafer ID 與製程綁定,判定可回查到原始資料與所用的模型版本。並行期只留比對紀錄;通過檢核後,高信心誤報才從原複判站佇列移除。
不必為了導入 AI 而汰換設備。長期可接不同品牌;第一條線先把一個 AOI 品牌的資料接完整。混用多品牌、又要在廠內用自己的複判結果重訓的產線,最適合從這裡開始。
以上為規劃中的切入場景,實際缺陷類別依貴廠 AOI 的輸出而定。面板、電池等其他產業,歡迎來信討論是否適合。
開案前約兩週,先確認四件事:參考圖或量測值出不出得來、每日複判點數與人數、明顯誤報占比、終端客戶是否允許自動放行。車用、醫療、航太若必須人眼過目,先做排序與預分類。
進三個月之前,先用約兩週回答四個問題:資料接不接得出來、每天看多少、明顯誤報占多少、終端規範允不允許自動放行。明顯誤報占比蓋不住人力,就不進入驗證。每個階段未達標,就不進下一階段。
AI 複判的前提,是 AOI 取得的影像本身夠清楚。若光源、對焦或解析度不足,AI 也無法彌補;遇到這種情況,我們會在評估階段先告訴您,並建議與設備商一起確認取像條件。
時程依現場狀況調整。兩週可行性確認可抵驗證費;驗證以專案計價,通過後改為機台授權與年費,[費用依現場評估報價]。若成效與自動放行比例連動,成功費有上限,真缺陷放行率一超過議定門檻即停止計付。
π 是圓周與直徑之比,一個永遠算不完、卻決定了「準不準」的常數。
AOI 之後的複判,要的正是穩定而一致的精準。派思以 π 為名,用科學的方法,把 AI 帶進對精度最苛刻的製造現場。
長年投入影像處理與高效能軟體開發,完整經歷產品從研發到量產的開發與管理;近年專注 AI 技術開發,持續探索它在製造業的應用。派思科技,把這些經驗帶進產線的 AI 智慧複判現場。
每一百張警報有多少真的需要人看,要用您產線自己的資料來回答。我們先做離線評估,再決定值不值得往下走。