製造業 AI 品質管理：它檢查得到什麼，又看不見什麼

❓什麼是 AI 品質管理？

AI 品質管理（AI Quality Control）用電腦視覺與機器學習，在生產的當下判斷品質，而不是等產品做完才判斷。它可以被指向三個對象：產品本身、做出這個產品的製程，以及兩者留下的紀錄。從市面上多數系統實際展示的內容來看，它們只看產品本身，而這個選擇就決定了它們抓得到什麼。

在產線上，一支螺絲起子滑了一下，在伺服器機殼上留下一道刮痕。作業員沒有發現。這台機器繼續往下走，四個小時後，產線末端的檢驗人員看到這道痕，把機器攔下來，登記為外觀不良，送去重工。每個人都把自己的工作做對了。

機器一旦離開產線，沒有人還原得了的是：經手這個機殼的四位作業員裡，是誰刮的、在哪一個工站、用哪一把工具，或者這件事這個月已經發生過 30 次，而你只看到檢驗人員攔得下來的那幾次。

不良被抓到了。而原因沒有。

這個落差是有價格的。2024 年，汽車產業的保固成本達到 全球約 580 億美元，約占產業營收的 2.2%，在部分整車廠已經超過營收的 4%，和一整年的研發預算並列。但在同一份調查裡，只有 18% 的受訪者說自己的公司在生產現場用 AI 或機器學習預測品質問題。（McKinsey，2026 年 6 月）這些不良是先到你客戶手上、才回到你這裡的，帳單會在幾季之後落到你的預算上。

📖 本文將帶你看：

• AI 品質管理可以運作的三個層次，各自抓得到什麼
• 為什麼產線末端檢驗抓得到不良，卻抓不到原因
• 自動光學檢測（Automated Optical Inspection, AOI）、傳統機器視覺與看人的 AI 視覺，一張表比較清楚
• AI 品質管理最先回本的三個地方
• 一條半導體光罩盒產線 改了什麼，又動了哪些數字

AI 品質管理在工廠裡的樣子，不是 demo 裡的樣子

在供應商的 demo 裡，你看到的通常只有一件事：一個模型在表面上找出一道刮痕。這個 demo 做得不錯。不過，它只是三層裡的一層，而你買下 demo，拿到的就是那一層。

生產數據分析的三個層次。

第一層：檢查產品，每個 demo 都是為了展示這一層而做的

在產線末端，或是產線中途的專用檢驗工站，自動光學檢測、機器視覺與表面瑕疵模型判斷的是實體產出：刮傷、凹痕、色差、缺件、尺寸偏差、印刷品質。攝影機固定、打光可控，觸發條件是一個產品進到畫面裡。這一層已經成熟，也確實好用。

它給你的是一件成品的 OK 或 NG。它給不了你的，是這件成品怎麼變成這樣的任何交代。

第二層：驗證製程，看的是作業而不是工件

回到工站本身，動作辨識看的是作業，而不是工件。從架上拿起來的是哪一把工具，是扭力起子，還是那把還停在上一個機種設定的。第 4 步有沒有排在第 5 步前面。作業員站著等治具鬆開等了多久。工站上的第二個人有沒有把自己那半段流程做完，還是產線一推就跟著走了。這裡的觸發條件是人的一個動作，不是畫面裡的一個產品。

它給你的是這台機器怎麼被做出來的紀錄，而且是在機器還站在做它的人面前的時候。

第三層：分析紀錄，前兩層本來就該匯流到這裡

當第一層和第二層寫進同一份以序號、工站、班別、作業員為索引的紀錄，品質工作的性質就變了。根因分析不再是一場重建工程。矯正措施帶得出證據。失效模式與效應分析（Failure Mode and Effects Analysis, FMEA）填進去的，是有人看到的失效模式，而不是有人記得的失效模式。

它給你的是回答以前答不了的問題的能力，從每一場品質會議的第一個問題開始：這個反覆出現的不良，到底是從哪一個工站進來的。

為什麼產線末端檢驗抓得到不良，卻抓不到原因

產線末端檢驗是一套偵測系統，而它運作的時間點，在唯一能便宜修正的那一刻之後。這不是在批評這個方法。這是在描述它站的位置允許它做到什麼。

看一下這個位置的代價。產品已經組裝完成，所以修正的意思是重工或報廢，而不是調整一下。外殼已經鎖上，所以任何內部工序現在都驗不了。作業員已經在同樣的條件下又做了 300 台上下，所以如果原因是一個習慣，這個習慣已經產出一整批了。而紀錄上只有一個 NG，看不到 NG 之前發生過什麼，於是調查一開始，是你自己的工程師靠記憶和一份表格，重建三個星期前結束的那個班。

這些都不是檢驗人員的問題。把同一個人、同一雙眼睛，放到看工站的螢幕前面，而不是看棧板，同一道刮痕會早四個小時被看到，那時候外殼還開著，作業員還站在機器前面。弱的不是方法。弱的是它在產線上的位置。

機器視覺問的是：這個產品有沒有瑕疵？看人的 AI 視覺問的是：這位作業員的動作對不對？兩個問題都值得回答。但只有第二個問題的答案，來得及改變第一個問題的答案。

AOI、機器視覺與看人的 AI 視覺：各自被設計來看什麼

AOI、機器視覺與 AI 視覺的核心差異。

供應商的型錄通常不會放的，是最後兩列。不過，這張表上每一欄都有邊界，而真正花錢花錯的地方不是選錯欄位。是拿第三欄去解第一欄早就解掉的問題，或者反過來。

AI 品質管理最先回本的三個地方

下面三件事，都不需要完整的三層架構才開始回本。每一件都是獨立的商業理由，而在多數工廠裡，它們大致按這個順序出現。

把碼錶量到的幾分鐘，換成全時段的數據

這個方法你很熟：一位工業工程師拿著碼錶和板夾，挑差不多隨機的時段去挑工站，遇到誰就量誰。一個月下來，24 到 48 小時的工時，大概換得到 15 分鐘可用的數據。那個月所有的改善決策，都靠這 15 分鐘，而且是在有人剛好有空站在那裡的日子收集的。

同一個工站放一台攝影機，你拿到的是每一台的組裝週期，包括凌晨 2 點夜班做出來的那些。

手動馬錶抽樣與連續相機數據的對比。

把警示放在工站上，而不是把報表放在下班後

幾秒內被抓到的異常是一次修正：工站看板從綠轉黃，作業員在機器還夾在治具上的時候就把它修掉。同一個異常，下班後才抓到，就是一次調查。到產線末端才抓到，就是重工。技術上的差別是延遲。你實際感覺到的差別，是等到有人知道的時候，已經牽涉到幾台。

撐得住一次客訴的追溯能力

當一張帶著序號的客訴落到你桌上，只有一個問題重要：這台機器發生過什麼事。參數紀錄回答得了一部分。組裝過程本身的紀錄可以完整回答，幾分鐘之內，結論不是還製程清白，就是指出是哪一個工站。大家容易忘記的是前面那一半。一件最後查出來是運輸損傷、而不是組裝問題的客訴，是跟那個客戶完全不同的一場對話，而這場對話講得成的前提，是那台機器的組裝過程有紀錄。

案例：一條半導體光罩盒產線

這家客戶投入精密製造超過 25 年，產品涵蓋光罩傳載、晶圓傳載與載板傳載等關鍵零組件。他們的組裝是人工的，而且密度很高。PowerArena 百威雷科技 AI 總監黃子魁在 Digitimes 報導 中描述過這個問題：「光罩盒這類『高價值、低產量』產品在組裝與製程管理上面臨嚴峻挑戰…採用 Cell Production 模式的工站作業步驟繁瑣易錯，單一工人往往需負責 10 至 30 個組裝步驟，任何一個關鍵環節出現疏漏，都可能導致後續製程良率大幅下降。」單元生產（Cell Production）指的是由一位作業員或一個小組在一台產品上完成很多步驟，而不是在很多台產品上重複同一個步驟。

• 問題。 新人沒有經驗可以依靠，資深作業員各有各的習慣，於是品質跟著班表在走。而且沒有人有辦法量化改善成效，因為量化需要的數據根本不存在。
• 做法。 PowerArena HOP 人因作業平台（Human Operation Platform）進到光罩盒組裝工站：全時段錄影、以自動量測取代碼錶工時研究的組裝週期量測，以及針對錯誤步驟與異常停滯的即時警示。
• SOP 的功課。 零件擺放位置、工具位置、左右手分工都被明確定義下來。AI 模型需要這些。後來發現，流程本身也需要。
• 數字。 組裝週期從 3.5 分鐘縮短到 2.8 分鐘，UPH（Units Per Hour，每小時產出）提升 19%，良率維持在 95%，直通率（First Pass Yield, FPY）達到 97.6%。

「以前異常靠經驗判斷，現在能用影像和數據快速指出瓶頸，讓改善更有說服力。」 — PowerArena客戶的工業工程師。

他們的產線工業工程師講得比結果表格更直接：「以前異常靠經驗判斷，現在能用影像和數據快速指出瓶頸，讓改善更有說服力。」工程部主管補上的是在檢討會議上比較有用的那一句：「HOP 給了我們完整的影像數據支持，讓改善不再憑經驗，而是用事實說話。」

PowerArena 在這個領域的成果，曾獲 2022 年 Frost & Sullivan 最佳實踐獎（Best Practice Award）肯定。

導入檢查表：第一台攝影機架上去之前，先談定的六件事

1. 指名那個工站。 挑人工步驟決定良率的那一個，而不是拉線最方便的那一個。拿著良率報表在產線上走一趟，多數現場它自己會浮出來。
2. 把今天在那裡驗不了的事寫下來，以及什麼樣的證據你才會接受。一頁就好，用你們品質團隊本來就在用的說法。
3. 確認 SOP 精確到可以被比對：順序、工具、左右手分工、什麼叫做完成。如果兩位資深作業員讀完之後做法不一樣，那就還不夠精確。
4. 決定警示發給誰，以及你期待那個人在接下來 30 秒做什麼。指名到人，不是指到職務。
5. 在任何東西安裝之前先談定基準值。 用舊方法量出來的組裝週期、直通率與重工率，這樣比較結果才撐得住上面的人追問。
6. 在安裝之前，先和人資與員工代表機構把資料處理談定，不要等安裝之後。這一件早點做很值得。帶去談的是取像角度和保存期限，不是簡報。

📖 常見問題

什麼是 AI 品質管理？

AI 品質管理是把電腦視覺與機器學習用在生產過程中的品質判斷上。它在三個層次運作：檢查產品、驗證做出產品的製程，以及分析兩者合起來的紀錄。

AI 品質管理和機器視覺差在哪裡？

傳統機器視覺是把寫好的規則套用在一個位置受控的產品上，回答這個產品合不合格。以 AI 為基礎的系統從例子裡學，容得下變異，而且可以被指向人的動作，不只是產品。

AI 品質管理需要什麼資料？

要做產品檢查，需要標註過的良品與不良品影像。要做製程驗證，需要明確的 SOP 和清楚的工站取像角度。兩者都需要一份現況基準值，否則結果對會議室裡的任何人都沒有意義。

AI 品質管理多久回本？

看這個工站出問題的時候讓你付出多少。一個人工步驟漏掉就會造成下游良率損失或客戶端失效的產線，回本最快，因為每一次避免掉的損失都很大。

AI 品質管理會取代檢驗人員嗎？

它改變的是他們一天花時間在什麼事情上。持續性的檢查交給系統，判斷、根因分析和流程改善留給你的人。在前面那個光罩盒的案例裡，工程師不再用手計時，轉去處理流程本身。

接下來可以往哪裡看

你會讀到這裡，多半是想釐清自己的品質問題落在哪一層。下面這幾頁，回答的是你接下來最可能問的第二個問題。

延伸閱讀

• 機器視覺與 AI 視覺在製造檢測上的差別。如果上面那張表講清楚了差別，卻還沒講清楚該買哪一個，這篇是那場比較的完整版。
• AI 視覺能不能強化 FMEA？ 第三層的實際樣子：當失效模式來自觀察而不是記憶，你的 FMEA 會變成什麼樣。
• 什麼是 HOP：讓工廠準備好導入 AI 的 6 個步驟。上面那張檢查表再往前推一步，寫給真的要排安裝時程的人。
• 半導體製造裡的良率與 AI。如果在你的製程裡，一個漏掉的人工步驟賠掉的是下游良率，而不是一個外觀不良，這篇值得讀。

客戶案例

• 某精密製造廠的光罩盒產線。上面那個案例的完整版，包含模型能訓練之前必須先做完的 SOP 功課。
• 某前五大 EMS 的產線平衡案例。如果你真正的問題是產能分散在很多工站之間，而不是某一站的不良，這篇比較貼近。

案例背後的模組

Digital Station 是 HOP 裡負責第二層和第三層的部分：記錄工站上的作業、量測每一台的組裝週期、在步驟錯誤時發出警示，並且留下你下一次客訴會用到的組裝紀錄。在規畫試點之前值得看一下，它會告訴你把一個工站數位化大概是什麼規模。

如果想討論從你們哪一個工站開始比較合適，歡迎帶著良率報表來聊。