在製造業的視覺辨識應用中，生成式AI(GAI)為瑕疵檢測、數位分身(Digital Twin)的精準度與效率，帶來明顯的突破。瑕疵檢測跳脫傳統的規則主導(Rule-based)演算法，走向模型訓練，以及透過GAI生成訓練用資料。加上資料生成的精準度與擬真程度持續增加，未來製造業若採用工廠的數位分身，虛擬工廠將協助驗證瑕疵檢測成效、AMR導入效益等應用，加快工廠智慧化的腳步。

機器視覺更聰明

凌華科技智能視覺事業中心資深產品經理許凱翔(圖1)表示，目前AI演算法越來越成熟，基礎的硬體運算設備價格下降，AI強化影像辨識的精準度，解決傳統機器視覺無法克服的瓶頸。以光學字元辨識(OCR)為例，在部分場景中，傳統的Rule-based演算法無法辨識產品包裝上扭曲的字元。但是現在的AI不再由工程師編寫規則，而是透過大量資料訓練模型，應用的精準度大幅提升，可以彈性應對多元的影像辨識需求。

圖1　凌華科技智能視覺事業中心資深產品經理許凱翔

針對瑕疵檢測應用，採用AI模型訓練與Rule-based演算法，另一個明顯差異在於建置時間。傳統的Rule-based模式需要工程師用程式碼描述良品與瑕疵品的差異，資深工程師可能耗費一個月左右的時間，才能完成瑕疵檢測的功能。而訓練AI模型只需要歸類瑕疵品資料，即可快速訓練模型，並導入到AOI中，就能達到精準度70%以上的瑕疵檢測精準度。

製造業若要升級產線上既有的瑕疵檢測能力，已經導入傳統機器視覺工廠， _可以透過改機升級產線上的瑕疵檢測功能。因為目前Rule-based瑕疵檢測的主流用法，是將產品無瑕疵的標準設定得非常嚴格，以確保產品良率。改機則可以在產線上多建立一個站點，用AI複檢Rule-based演算法判斷的瑕疵品。透過AI複檢產品，可以提升整體瑕疵判斷的精準度。

GAI助工廠品管/營運

瑕疵檢測從Rule-based走向模型訓練後，GAI進一步提升模型訓練的效率與精準度。偲倢科技CEO陳青煒(圖2)認為，GAI是協助工業4.0走向工業5.0的根本技術，有助於提升產線品管與工廠營運的效率。用AI檢查產品外觀是明確且成熟的技術，為製造業中較早導入的AI應用之一。在生成式AI 受到業界矚目之前，AI瑕疵檢測的技術發展已停滯一段時間。近期則受到GAI帶動，AI瑕疵檢測的成效更上層樓。

圖2　偲倢科技CEO陳青煒

針對產線品管，GAI為瑕疵檢測生成更多訓練資訊，有效提高模型的精準度。以往AI瑕疵檢測最常見的瓶頸，是瑕疵品影像的數量不足以訓練模型。尤其是良率高、剛開始生產的產品，或者是量產產品的製程更改，都無法提供大量的瑕疵品影像，但是產線需要更新AI模型，來檢測新型態的瑕疵。而GAI可以基於少量的瑕疵品影像，生成其他的產品瑕疵資料，用於模型訓練。

採用GAI生成瑕疵資料訓練的模型，還會經過驗證調整。陳青煒說明，AI生成的瑕疵品影像由AI模型交叉比對，確認瑕疵模擬足夠逼真。瑕疵檢測服務供應商也會人工抽驗AI檢測的產品，並且在工廠離線或停機時間，與客戶確認瑕疵檢測的準確度是否符合預期。瑕疵檢測系統經過多次迭代，就能確保AI模型提供精準高的檢測結果。也就是說，瑕疵檢測的AI模型，要能快速適應產線的變化，以及系統的迭代，才能維持檢測的穩定性。

在營運方面，工廠例行的管理事務繁多，GAI可協助工程師撰寫報告，節省工程師花費在例行事務上的時間。另外，工廠可以使用公司內部的資料，包含設備異常排除的相關文件及資深人員的經驗，訓練大語言模型。當現場人員遇到設備異常時，就能直接從語言模型中取得排除的方法。

3D模擬結合GAI表現亮眼

宇見智能科技共同創辦人暨執行長余泰萬(圖3)也提及，工業4.0發展停滯的主要瓶頸，是應用場域找不到品質良好的資料，無法訓練出好的AI模型。資料是AI應用不可或缺的基礎，但是產線上通常難以蒐集到大量且品質穩定的資料。目前「合成資料」的技術則有助於打破模型訓練的瓶頸，AI可以用演算法生成更多資料，來彌補真實資料不足的問題。但下一步的挑戰，則在於如何確認資料生成足夠真實。

以宇見智能(MetAI)為例，團隊以生成式模型為核心，結合技術長在3D模擬技術領域的高度專業，直接為客戶在Omniverse平台上，建置工廠完整的數位分身，並在此模擬場域中，生成需要的資料。在數位分身工廠中，除了可以生成貼近真實情況的產品瑕疵資料，也能在高度還原的虛擬環境中，模擬機器手臂、AMR等自動化設備的部署。

MetAI曾經與PCBA製造商合作，協助廠商生成PCBA的瑕疵品影像。首先，廠商在生成式AI平台上輸入少量的瑕疵品影像，程式便會開始生成資料，再透過比對確認資料足夠真實。為了確保生成資料的真實性，平台整合AOI機台，蒐集RGB光源下真實的產品影像。最後由五萬張真實PCBA影像訓練的視覺神經網路模型，來驗證生成資料的擬真程度。在此案例中，生成資料的真實性比對可以達到100%。

確認GAI生成的瑕疵品資料足夠真實後，工廠就能持續應用GAI平台，為後續新的PCBA產品生成瑕疵品資料。這些資料將用於AI模型訓練，再導入產線執行瑕疵檢測工作。

虛擬工廠需求看漲

余泰萬指出，未來三到五年，製造業對於模擬的需求將攀升。會有越來越多企業意識到工廠數位分身的重要性，因為有很多的設備建置與流程調整等面向，需要在虛擬工廠中驗證。尤其在Computex2024中，NVIDIA提及大量的智慧物流與智慧製造場域，就是需要數位分身工廠的主要產業。而MetAI目前的主要客戶也來自上述兩大產業，約六成的模擬需求來自智慧物流業者，四成來自智慧製造領域。

例如某個預計導入AMR的物流中心，可以透過建立場域的數位分身，在虛擬空間中模擬AMR的應用情況。包含放置幾台AMR 可以最大化搬運效率，以及AMR如何移動及充電。虛擬工廠可以模擬AMR導入後，整體物流中心內每個產線的運作狀況，提供AMR在單位時間內搬運物品的數量、為工廠創造多少產值等數據，作為物流中心評估AMR應用的重要參考。

工業GAI將專家化

新興技術都會經歷標準化、爆紅到普及的歷程，每一個階段都需要時間。陳青煒分析，製造業的GAI應用處於過渡期，尚未發展出穩定的模型。接下來GAI將會拆分成不同的模型，發展出各項功能明確的應用。GAI模型只要分成不同功能應用，每個模型都會很穩定。硬體方面，人型機器人若未來成本降低，在工業應用很有機會。因為人型機器人的動作比機械手臂更為靈活，可以調度不同的感測器，降低自動化門檻。

瑕疵檢測歷經長時間的發展，隨著GAI 技術的興起，突破過往資料不足的瓶頸。GAI可以生成大量的瑕疵品影像，用於模型訓練，藉此建立高精準度的瑕疵檢測的模型。目前GAI生成的瑕疵品資料，在場域與軟體驗證中都表現亮眼，並且已在大量的落地案例中，協助產線品管升級。未來GAI 在製造業的應用中，可望發展出專精於不同功能的模型，助力智慧製造邁向全新的境界。