制造业的目视检验：四种方法、三道极限，以及摄影机还看不到的地方

❓制造业的目视检验是什么？

制造业的目视检验（Visual Inspection）是用眼睛，或借助光学与摄影设备，检查零件、组件或作业本身有没有缺陷。工厂的做法大致分成四种：工站上的人工目检、远端目视检测、AOI 与机器视觉，以及针对组装动作本身训练的 AI 视觉。

在一条人工组装线上，有两个数字划出了目视检验做得到的范围。

第一个是 660，EMS 产线上一位作业员一个白班大约经手的零件数。这位作业员身边，是几十条产线、几百位同事、几千个作业步骤，以及寥寥几位要照顾这一切的工业工程师。

第二个是 不到 2 秒。一个每小时放行 220 台的线尾检验站，每台大约分到 16 秒，而这 16 秒要包含拿起来、翻面、记录结果、放下去。所以如果你的允收标准列了八个项目，每一项真正用眼睛看的时间不到 2 秒。

这就是注意力的预算。下面谈的每一件事，都得塞进这个预算里。

 

美国桑迪亚国家实验室（Sandia National Laboratories）让 82 位检验员检查 140 个零件、八种缺陷类型。结果他们 正确剔除了 85% 的不良品，却也误判剔除了 35% 的良品，而研究指出，这样的命中率「并没有比 80% 的产业平均高出多少」。(See, Human Factors, 2015)

📖 本文將帶你看：

• 四种目视检验方法，依实际抓得到什么排出名次
• 每套检验制度都会撞上的三道墙：抽样、延迟、主观
• 涵盖范围、延迟、证据与成本，一张表比较
• 某全球前五大 EMS 在东南亚的 15 个工站，改变了什么

目视检验在制造业指的是什么，工厂又是怎么安排这四种做法的

凡是靠「看起来怎么样」来下判断的检查，都算目视检验：一个表面、一个摆放位置、一个颜色、一道间隙、一串动作的顺序。看的那只眼睛，可以是人，可以是跑固定规则的摄影机，也可以是跑训练模型的摄影机。

下面四种方法只用一个问题排名：在产生缺陷的那些作业里，这个方法看得到多少？成本与成熟度的排序几乎刚好相反，这也是为什么四种到今天都还在用。

工站上的人工目检

在工作台上，作业员或专职检验员拿产品对照书面标准，有时借助放大镜或量具。在台湾、中国与东南亚的多数工厂，它仍是人工组装的主要检查手段，而原因不只是便宜。四种方法里，只有经验老到的检验员抓得到一个没人写下来的缺陷。模型只找得到它学过的东西，规则只找得到它被设定的东西。一位在这条线上待了六年的人，拿起一个机壳，翻过来，放到一边，事后才想明白是哪里不对劲。

但它撑不住的，是整个班次的专注。桑迪亚的数字，来自在受控任务、有人观察下作业的检验员，而不是夜班第七个小时的检验员。

判定：第三。 四种里判断范围最宽的一种，却只套在最窄的一段时间上。

远端目视检测

远端目视检测（Remote Visual Inspection, RVI）把光学设备送到人进不去的地方：伸进焊接组件里的内视镜（borescope）、压力容器里的爬行摄影机，或是把一个工站的画面串流给别处的审查人员。在 EMS 产业，最后一种最常见，例如台北的工程师看槟城的产线。它解决的是进入与距离的问题，却没有改变方法本身，因为看的仍然是人。眼睛换了位置，预算还是原来那一份。

判定：生产缺陷排第四，人到不了的地方排第一。 评估它看的是可及性，不是涵盖范围。

AOI 与机器视觉

自动光学检测（Automated Optical Inspection, AOI）与机器视觉，把摄影机固定在一个位置，配上受控的打光与明确的触发条件。产品一进画面，系统就拿它和标准影像或公差比对，输送带还没往前走，屏幕上的判定已经从 OK 翻成 NG，不到 1 秒。在表面黏着技术（Surface Mount Technology, SMT）产线上，板子能以现在的量出货，靠的就是 AOI。它每一片都检，不会累，也不会在星期五跟自己意见不合。

不过，它的边界就在它的位置：AOI 判断的是已经存在的产品，而且只看有人事先定义的特征。相邻两个焊垫之间的锡桥（solder bridge），抓得到。电容从它的焊垫位置上缺件，抓得到。两站之前的作业员，在机壳盖上之前有没有擦过接触面：抓不到，它也从来没被要求去看。

判定：第二。 对成品看得完整，对成品怎么变成这样一无所知。

看作业本身的 AI 视觉

第四种方法把摄影机对准作业，而不是工件。模型学的是动作：拿起的是哪一把工具、第 4 步有没有在第 5 步之前、第二个人有没有把自己那半段做完。

差别在触发条件。AOI 要等产品进来，动作辨识则全时段在跑，所以连空档也记得下来：离岗时段、补料干扰、在制品（Work in Progress, WIP）在工站之间堆积。

PowerArena HOP 人因作业平台（Human Operation Platform）就在这一层运作，其中的 Digital Station 模组全时段记录每一个工站，并把影像对应到序号与工单。不过也要讲清楚它不做什么：它不量焊点、不判尺寸、不评表面处理。它和 AOI 是不同的产品，在多数产线上，两者是并行运作的。

判定：以这份排名的标准来看，第一。 四种里，只有它站在缺陷发生之前。

不管原本设计来抓什么，每套目视检验制度都会撞上的三道墙

不论你怎么搭配这四种方法，都会遇到同样三道墙。它们是检验这件事本身的性质。

抽样

统计抽样对自己很诚实。ISO 2859-1 依允收质量水准（Acceptance Quality Limit, AQL）提供抽样方案：你选定一个方案，同时接受一个已知的机率，会让一批不良品通过。（ISO 2859-1）比较不明显的是：100% 全检其实也是抽样。每一台只被看一次、几秒钟、一两个角度。你在空间上抽了每一台，在时间上几乎一点都没抽到。

延迟

延迟，是从造成缺陷的那个动作，到有人知道这件事之间的距离。在现场，最实际的算法是用台数，不是用分钟。产品还在作业员手上时就发现，你损失一台。到线尾才发现，损失的是中间做出来的每一台，而在一条每小时 220 台的产线上，这不是小数目。以客诉的形式发现，损失的是已经出货的那些，再加上为它们吵的那一架。也许那批货还在仓库，也许已经是很久以后的事。

主观

两位检验员，同一台产品，两种判定。在边界缺陷上最明显，这也是为什么桑迪亚的检验员抓到 85% 不良品的同时，也报废了 35% 的良品。把标准收紧，只是移动这个取舍，并没有消除它：你用报废更多良品，换回漏掉的不良。

四种方法的比较：各自被设计来看什么

 

方法	涵盖范围	延迟	产出的证据	成本结构
人工目检	每一台，每台几秒，只看成品状态	几分钟到几小时	OK 或 NG，加一笔备注	设备投资低，人力持续支出
远端目视检测	镜头对准的地方，有人在看的时候	几分钟到几天	影像，前提是找得到	设备加上审查人力
AOI 与机器视觉	每一台，每一个定义好的特征	不到 1 秒，线上即判	OK 或 NG、量测值、缺陷分布图	设备投资高，运转成本低
看作业的 AI 视觉	每个工站、每个班次，包含空档	几秒内，在工站上	带时间的步骤纪录，对应到序号	摄影机加平台，以工站计

 

卖的时候讲的是涵盖范围。决定这个发现对你还有没有用的，是延迟。

检查产品，只能告诉你缺陷存在，说不出是哪一步做出来的

人工目检最常被点名的极限是疲劳，这没有错：注意力会随着班次下降，看第 500 台的人，已经不是看第 12 台的那个人。

不过，这个想法很少被想完。回到组装工站，同一个班次、同一个小时、同样的重复动作，也作用在正在组装的作业员身上，就是经手 660 个零件的那一位。如果疲劳会让检验员漏掉缺陷，它也会让组装的人做出缺陷，而没有任何东西对准第二件事。

所以你的产线留下来的纪录，长得是这个样子：有一个缺陷，大约在这个时间被发现，至于做出它的那 4 秒，什么都没有。多数根因会议接下来就靠记忆讨论，报告上写着「人为疏失」，这是一个分类，不是一个原因。

检验不是质量系统。它是摆在质量系统前面的一道滤网，而滤网只告诉你它拦下了什么。

案例：某全球前五大 EMS 在东南亚的 15 个工站

一家全球前五大 EMS 制造商，在东南亚厂区用一条 15 个工站、劳力密集的产线生产再生能源电源设备。他们的检验没有出问题：缺陷有被抓到，工厂也守得住对客户的承诺。问题在更上游。为了弄清楚产能为什么卡在那里，工业工程师拿着码表站在工站旁，一次时间研究要花大约 48 小时的工程人力，换到每个月大约 15 分钟可用的组装周期数据。那个月的每一个改善决策，都建立在这 15 分钟上。

HOP 装上全部 15 个工站，全时段记录。几周之内，原因不再靠推测，而是被一一点名：离岗时段、补料干扰、WIP 在流程中特定位置堆积。工程师早上提出一个调整，同一个班次就看得到效果，不必再排两天的现场观察。

 

指标	结果
产线产出	每小时 211 台提升到 222 台
UPH（Units Per Hour，每小时产出）提升，4 周内	0.052
产能障碍	减少 70%
投资报酬率	超过 5 倍

怎么选：依你想抓的东西，五条规则

• 如果你的缺陷是外观、尺寸或电性问题，而产品稳定、量大，就买 AOI 或机器视觉。对准作业员的 AI 取代不了它。
• 如果你要看的表面在一个封闭的设备里面，用远端目视检测，评估的是光学与可及性，不是分析功能。
• 如果你的不良纪录一直出现「原因不明」或「人为疏失」，缺少的证据在组装步骤上。再加一位检验员也生不出来。
• 如果漏掉一个人工步骤，就会造成下游良率损失或客户端失效，延迟比涵盖范围重要。检查必须在工站上、在几秒内完成，趁产品还在作业员面前。
• 如果你拿不出任何一个序号的组装纪录，先把追溯补起来，再去买更多侦测。没有纪录的侦测，只是把争论延到下一场会议。

常见问题

制造业的目视检验是什么？

用眼睛，或借助光学、摄影机与软件，检查零件、组件或作业有没有缺陷。范围包括表面状况、零件有无与摆放、看得到的尺寸，也越来越常包括组装动作本身。

目视检验有哪几种？

工站上的人工目检、远端目视检测、AOI 与机器视觉，以及针对作业而不是产品训练的 AI 视觉。多数工厂里，大概同时有两到三种在跑。

目视检验的 ISO 标准是哪一个？

没有单一标准。如果有人没问你做什么产品就报出一个标准，可以反问他指的是哪一条条文。ISO 17637 规范熔融焊接接头的目视检测，ISO 2859-1 规范计数值抽样，ISO 9001 第 8.6 条要求放行前必须验证，但不指定方法。电子组装则通常以 IPC-A-610 为准。

自动化检验抓不到什么？

超出它程式设定或训练范围的缺陷。检验时已经被盖住的东西，而密封产品的内部组装多半就是这样。还有制程历史：只判断成品的系统，说不出是哪一个步骤、哪一把工具造成了这个状况。

AI 会取代目视检验员吗？

它改变的是这份工作的内容。持续性的检查交给系统，人负责判断、边界缺陷，以及后续的流程调整。在前面那条 EMS 产线上，拿码表的工程师回去当工程师了。

接下来可以往哪里看

你会读到这里，多半是想弄清楚自己在追的那个缺陷，该用哪一种检验。下面这几页，从排名停下来的地方接着往下谈。

延伸阅读

• 机器视觉 vs. AI 视觉检测：制造业的两种视觉智慧，你真正需要哪一种？：上面排第二和排第一的那两种方法的完整比较，适合正在决定哪个工站该放哪一种的你。
• 做好质量管理：4 项系统比较与导入 AI 视觉的成功案例：把视角从滤网本身，拉到它前面那整套质量系统。
• FMEA 与 AI 视觉，加强制造业风险管理：如果你的根因报告总是停在「人为疏失」，失效模式分析也多半靠记忆而不是观察，这篇值得一读。

客户案例

• AI 视觉帮助全球前五大 EMS 厂在东南亚提升产能：上面那 15 个工站的完整版本，看码表的那一个月是怎么被取代的。
• AI 视觉落地东南亚制造业，推动全球远端管理与黄金产线部署：写给在台北看槟城产线的工程师，当摄影机看的是作业本身，越南、马来西亚与泰国的跨厂远端管理会是什么样子。

案例背后的模组

Digital Station 是 HOP 里全时段记录每个工站、并把影像对应到序号与工单的模组。如果上面第五条规则说的就是你的产线，在规画试点之前，这一页值得先看。

如果想拿这五条规则对照你们自己的不良纪录，欢迎带着纪录来聊。

欢迎预约导览，一起看看你产线上的每个工站同时被量测是什么样子。

预约导览