汽車產線上的點焊機器人,數十年前就能照預先編好的路徑精準作業;雷射視覺等技術更讓機器能追蹤焊縫,在位置偏移時即時修正。但面對船體、儲槽等大型鋼構,問題不僅在焊縫位置。一道深槽可能要分好幾十道填滿,每焊一道,眼前的幾何與熱變形隨之變化,有賴焊工持續判斷下一道的位置、速度與焊接參數。
如今,這類過往高度仰賴人類經驗的複雜任務,正在迎接新的自動化可能性。在邊緣算力支持下,視覺、雷射等多種感測資料開始與AI模型、機器人控制結合,讓整套系統逐漸具備掃描實際工件、規畫並執行多道焊接的能力。AI為工業機器視覺帶來的變化,正在這些「不完全可控」的現實世界裡浮現。
機器視覺助力工業自動化已經有將近50年歷史。研華物聯網自動化事業群副總經理林清波回憶,1990年代末在做PCB板的視覺品檢時,當時的做法是所謂的「規則式」判別。也就是工程師會預先把判定良品、不良品的尺寸、位置、灰階等規則寫好,再交由系統自動找出異常,攔阻不良品。在單點上,只要精準控制光源、角度與距離等成像條件,準確度就可以非常高。
然而,產線上許多參數無法完全控制,包括受檢品本身。例如,清洗晶圓留下的水漬、電池極片上的銅箔褶皺,這類不規則、不易描述的狀態,很難以規則窮舉。甚至廠房員工經過產線、暫時遮住光線,也可能干擾判斷。
「想檢測的東西愈來愈複雜、愈來愈多,不確定性愈來愈大。」林清波解釋。不走規則描述、有能力直接從樣本中學習特徵的深度學習技術,對業者的吸引力也愈來愈大。
機器看得愈細、檢測做得愈密,廠內通訊基礎建設也得跟上。工業通訊業者四零四科技(Moxa)亞太區市場事業處總監劉孟迪觀察,隨著檢測影像解析度提高、檢測節點增加,產線需要搬運的影像資料隨之成長。以部分高價值AI晶片與先進封裝應用為例,檢測可能從過往成品抽檢,走向更多製程節點,甚至更高比率的全檢。
AOI、AI「互補」抓漏,雙重驗證才是100分
劉孟迪指出,過去1G網路足以應付的設備,如今已有客戶要求2.5G、甚至直接上10G規格,為更高解析度影像與未來資料量預留空間。
工業自動化大廠所羅門深耕AI視覺多年,視覺事業部資深協理鍾毓修指出,規則式AOI(Automated Optical Inspection,自動光學檢測)在品檢上原本就有一項常見挑戰:過殺(overkill)。為了降低漏檢風險,工程師將判斷規則寫得嚴苛,「寧願錯殺也不要漏掉。」因而有些瑕疵並不嚴重,或是能靠修復、清洗救回來的產品被判NG。
對此,過往常見做法是在AOI系統後補一道人工檢測,把能救的產品救回來。但當產品單價不高,花人力複檢不一定合乎成本效益。如今,深度學習也能加入複判,協助降低人工檢查負擔。
「(規則式)AOI與AI本來就不衝突。也沒有誰比較厲害、誰比較不厲害。」鍾毓修直言,「我們認為加起來才是100分。」
如今主流機器視覺平台多已整合規則式工具與AI能力,擴大了工業現場的應用範圍。跨出產線,從進料、包裝出貨到倉儲物流,可能都有角色。
機器視覺應用擴張,不一定意味著取代人力。所羅門2026年推出的AR智慧配線引導系統,便以人機協作的形式支援AI伺服器、資料中心設備與電控盤等仍高度仰賴人工的配線工作。系統透過擴增實境(AR)技術,把下一步作業指示直接疊加在操作員視野中,「導航」人員依序完成複雜的配線工作。藉此提升作業效率,並降低錯接、漏接與重工風險。這套系統已在美國AI伺服器EMS組裝廠完成落地驗證。
「AI已進入百工百業,各種應用百家爭鳴。」鍾毓修表示,「但哪些讓業主願意為它付費,反而是不斷在探索的過程。」
前沿VLM其實看更深,為何工廠不急著用?
大語言模型崛起,以及多模態能力的發展,被鍾毓修視為深度學習以降最關鍵的技術轉折。關鍵不在於用視覺語言模型(Vision-Language Model,VLM)這類前沿AI升級既有的AOI系統,而是拓展AI能解的任務範圍。
例如,車牌辨識已是相當普及的機器視覺應用,這類單純的任務不需要動用VLM處理。但結合車牌辨識、出入人員管制、場域異常通報等多種功能於一身的智慧門禁系統,可能需要更強的邊緣AI能力。鍾毓修直言,「原本解得很好的問題,不需要因為有了新方法就想用新方法去解。」除非採用新方法在成本效益上合理,而且「一舉多得」。
視覺語言模型:業界稱VLM(Vision Language Model),能同時處理影像與文字的多模態AI模型。能依指令判讀畫面,執行分類、描述、問答等任務,讓機器視覺理解更複雜多元的情境。
林清波也指出,VLM的突破在於系統擁有更通用的「理解」力。他看好VLM運用在AGV、AMR與AI機器人這類需要理解情境、執行反應行動的任務,例如倉儲物流。固定產線品檢上,目前還沒有看見非用VLM不可的需求。
他認為,在工廠裡,規則式系統、專用AI視覺模型與VLM等不同工具將同時存在,後者不會取代前者。「規則並沒有不好。它可以把事情簡單化、成本降低。」林清波舉例,就像有了汽車,腳踏車也沒有絕跡,「只是使用方式不一樣。」
早在2017年就收購深度學習AI公司的機器視覺大廠康耐視(Cognex),在2026年發布一份針對全球500多家製造商、設備商與系統整合商的調查,顯示57%受訪者已在機器視覺任務中使用AI,另有30%計畫近期部署。使用AI視覺超過3年的企業,有更高比率認為系統容易快速開發、部署,也能跨不同據點擴張。
康耐視執行長Matt Moschner近期也預測,未來5年,機器視覺將從單點式解決方案,演化為遍及整家工廠的「神經系統」,成為連結「感知」與「行動」的關鍵環節。到時,加速工業自動化的「機器之眼」,或許已不足以形容工業視覺的新角色。
**鍾毓修|2018年加入所羅門,現任視覺事業處資深協理。職涯橫跨業務、行銷與營運管理,曾任上海多家科技公司主管。
**林清波|2002年加入研華,曾任硬體、軟體研發部門主管,現為物聯網自動化事業群副總經理,主責工業自動化及工業通訊與無線事業群。