環旭電子 | 當 AI 學會「讀字」：如何用深度學習，馴服 SMT 產線的誤報風暴

07/13/2026

當 AI 學會「讀字」：如何用深度學習，馴服 SMT 產線的誤報風暴

作者：Yi-Ming Chang、Ti-Li Lin、Hung-Chun Chi、Huang-Po Ying、Daniel Tsai, ALCMM/SMD AI應用開發部

在電子製造的世界裡，有一種「假警報」每天都在上演。一塊看似完美的電路板被機器判定為「疑似不良」，作業員放下手邊工作、拉近螢幕仔細端詳，最後發現：它根本沒問題。這樣的場景，在 SMT（表面黏著技術）產線上一天可能發生成千上萬次。

USI 環旭電子的智慧製造團隊決定正面迎戰這個老問題。我們用一套結合深度學習與相似度比對的創新架構，讓自動光學檢測（AOI）系統真正「看懂」元件上的文字，把平均誤報改善率推到 90%，同時守住製造業最在意的底線：零漏測（Zero Escape）。

圖一｜AOI 系統運作流程（a）與元件標記的多樣性（b）。每個被報警的影像都需要人工複檢，是產線效率的隱形殺手。

痛點洞察：被「誤報」綁架的產線

AOI 之所以能成為 SMT 產線不可或缺的檢測工具，靠的是它的高可靠度、操作簡便與低成本。它的運作邏輯其實很直覺：工程師事先替每個檢測項目建立一批「黃金樣品」（Golden Samples）作為標準答案，機器再計算待測影像與黃金樣品之間的「相似度」，分數太低就報警。問題出在這套相似度比對對光影、顏色與位置的變化「過度敏感」。同一顆元件，只要打光角度不同、字體稍微偏移、或顏色略有差異，相似度分數就會劇烈下滑。於是機器頻頻誤判，產生大量「狼來了」式的假警報。

圖二｜同一型號元件（T250DCH7）對人眼是同一顆零件，對傳統相似度演算法卻是「截然不同」的影像。

具體來說，導入新方案之前，產線被三件事卡住：

誤報拖垮效率：大量被標記為「疑似缺陷」的影像其實都是好件，卻迫使作業員逐張人工確認，造成視覺疲勞，也拖慢整體設備效率（OEE）。
黃金樣品難以維護：單一檢測項目可能就需要 30 到 80 個黃金樣品才能涵蓋變異範圍。在「少量多樣」的生產模式下換線頻繁，根本沒有足夠時間蒐集。
OCR 也救不了：元件上的商標、不一致的字元長度、多變字體與特殊符號都會干擾光學字元辨識；有些元件甚至在同一行出現不同方向的字元，標準 OCR 難以招架。

而最致命的，是「漏測」（Escape／Underkill）。為了壓低誤報，工程師有時被迫放寬閾值，反而提高了把壞件當好件放行的風險。一旦供應商混料、或作業員上錯料，錯誤元件流入下一站，往往就是無法挽回的電路失效。傳統 MobileNet 模型面對「沒學過的錯誤字樣」時，特別容易誤判成正確元件，這正是品質防線上最危險的破口。

解決方法：讓 AI 同時「認得出」也「比得對」

USI 團隊提出的核心思路，是不要把雞蛋放在同一個籃子裡。我們保留了傳統 AOI 的相似度比對邏輯，再疊上深度學習強大的特徵提取能力，形成「雙重保障」。

輕量化的 MobileNet，為產線而生

考量產線對低延遲、低功耗與快速訓練的需求，我們選用輕量化的 MobileNet 作為基礎，正因為它夠輕巧，能讓單一 GPU 同時跑多個模型，應付多樣的產品與元件。團隊更進一步把模型末端改造成兩個全連接層（FCL）：一層負責輸出分類結果（這顆元件是什麼類別），另一層則被抽取為「特徵向量」，供後續相似度計算使用。

圖三｜本方案架構。影像經 CNN 與兩個全連接層後，兩者皆過關才判定為良品。

雙重驗證機制：本方案的靈魂

這是整個方案最關鍵的創新。系統不再只看深度學習的分類結果（這正是傳統 CNN 漏測的主因），而是要求「兩個條件同時成立」，唯有兩者都通過，才會被判定為良品。這道設計能有效阻止模型把「沒見過的錯誤字樣」誤認為正確類別，把漏測率壓到趨近於零：

條件一｜分類正確：模型先預測元件的類別。
條件二｜相似度達標：再把特徵向量與黃金樣品比對，以「最小距離估計法」（Minimum Distance Estimation）計算匹配程度，須高於設定閾值（例如 0.9）。

用遷移學習，破解「沒資料」的難題

少量多樣的生產特性，意味著短時間內很難累積大量訓練影像。我們採用遷移學習：凍結預訓練的 CNN 權重，只更新新加入的全連接層。如此一來，即便樣本不多，模型也能快速收斂、維持良好的泛化能力，大幅縮短訓練與部署時間。此外，針對元件可能出現的上下左右四種方向（電子極性），模型將其視為不同類別來訓練；並額外加入一個「Other（其他）」類別來攔截錯誤字樣，進一步強化模型的強健性。

新舊方法，差在哪裡？

面向	舊方法	USI 新方法
抗干擾能力	依賴畫素／特徵比對，極度敏感。亮度、字體偏移或顏色改變都會讓相似度分數驟降，結果是「好件被報錯」、誤報滿天飛。	深度學習特徵提取＋雙重驗證。MobileNet 萃取深層特徵，對亮度與位置變化適應力極佳，顯著降低誤報且不受光影干擾。
訓練與設置效率	耗時的人工調參。每個新元件需手動蒐集 30–80 個黃金樣品並反覆微調，難以應對頻繁換線。	遷移學習＋自動特徵提取。僅需少量樣本即可訓練，系統自動學習特徵，模型訓練簡單快速，可迅速部署。
品質風險（漏測率）	為減少誤報而放寬標準，或演算法無法區分極相似的錯字，容易發生漏測，壞件流入後段造成品質維修或電路失效。	以「相似度閾值」作第二道防線，即使分類出錯也能攔截異常影像，實驗證實達成零漏測，確保製程絕對品質。

不僅止於理論，產線上的實戰成果

誤報率大幅改善（90%）：相較傳統 AOI，廠內平均誤報改善率達 90%，作業員需人工複檢的影像數量大幅下降；針對特定元件（如 T250DCH7）改善率甚至高達 92%。
實現零漏測：在約 25,000 張影像的訓練資料與大量盲測中，本系統在各類測試場景（含未知錯誤字樣的混料測試）皆達到 0% 漏測率；相較之下，未改良的 MobileNet 在某些測試中出現多達 8 次漏測。
成功攔截未知錯料：在模擬上錯料的實驗中，本系統把所有錯誤元件正確識別（歸為 Other 或因相似度過低而報警），完全避開了傳統深度學習模型「把未知物料當良品」的風險。

更重要的是，這套方法已經實際導入真實產線。因為模型易於訓練、部署快速，它不只是論文上的成果，而是每天在 USI 廠內守護品質的實戰工具，它已經能在產線中直接為我們的客戶帶來顯著的價值：

品質保證與可追溯性（Traceability）： 透過精確辨識元件標記，我們可以絕對確保只有正確的元件被組裝進客戶的產品中。同時，這也強化了供應鏈的可追溯性，這對於汽車、醫療等對安全性要求極高的產業至關重要。
提升生產效率與降低成本： 革命性地降低誤報率，意味著減少了產線上因停機進行人工確認的時間，直接提升了產出率（Yield）並降低了製造成本。
加速新產品導入（NPI）： AI 模型具有強大的泛化能力。當客戶推出使用新型元件的新產品時，AI 模型通常只需少量的數據進行「微調（Fine-tuning）」，就可以快速適應新元件的辨識，大幅縮短了新產品從研發到量產的時間。

用 AI 重新定義製程中的「信任」

對 USI 環旭電子而言，這項技術的意義遠不止於「少按幾次警報」。在客戶日益走向少量多樣、產品迭代飛快的時代，我們把智慧製造能力內建進製程的每一個環節：讓 AOI 從一個「會吵的警報器」，進化成一個「看得懂、判得準」的品質夥伴，這項技術的核心在於以分類加相似度的「雙重驗證架構」，達成 90% 誤報改善與「零漏測」。

這代表著三件事：對客戶，是更穩定的良率與更短的導入時間；對供應鏈夥伴，是更可靠的品質承諾與更低的隱性風險；對 USI 自身，則是以 AI 與深度學習為核心的製造競爭力。當「零漏測」從口號變成可量測的事實，USI 在全球電子製造供應鏈中扮演的，正是那個值得託付的關鍵角色。

常見問答（Q&A）

Q：什麼是 AOI 系統？它在 SMT 製程中有什麼用途？
A：AOI（Automated Optical Inspection，自動光學檢測）是一種以影像辨識自動檢查電路板品質的系統。在 SMT（表面黏著技術）製程中，它用來快速檢測焊點、零件位置與元件標記是否正確，因高可靠度、操作簡便、成本低，已成為產線不可或缺的品質控管工具。

Q：為什麼傳統 AOI 會產生大量誤報（False Alarms）？
A：傳統 AOI 依賴「相似度比對」來判斷良莠，這種方法對亮度、顏色與位置的變化非常敏感。同一顆元件只要打光不同、字體些微偏移或顏色略異，相似度分數就會驟降而被誤判為不良，產生大量假警報，迫使作業員花費大量時間人工複檢。

Q：USI 的深度學習 AOI 方案核心創新是什麼？
A：核心是「雙重驗證機制」。系統同時要求兩個條件成立：一是深度學習模型的分類結果正確，二是特徵向量與黃金樣品的相似度高於閾值（如 0.9）。兩者皆通過才判定為良品，能有效防止模型把沒見過的錯誤字樣誤認為正確元件，把漏測率壓到趨近於零。

Q：什麼是「漏測（Escape）」？為什麼它比誤報更危險？
A：漏測（又稱 Underkill）是指 AOI 把有缺陷的產品誤判為良品而放行。它比誤報危險，因為一旦壞件流入下一站，可能造成無法挽回的電路失效，衍生昂貴的維修成本，甚至影響最終產品安全。USI 的方案以相似度閾值作為第二道防線，實驗證實達成零漏測。

Q：為什麼不直接用 OCR（光學字元辨識）來讀元件上的文字？
A：在 SMT 元件檢測中，OCR 效果不佳。元件上的商標、不一致的字元長度、多變字體與特殊符號都會干擾辨識；有些元件甚至在同一行出現不同方向的字元，標準 OCR 難以處理。因此 USI 改採深度學習特徵提取結合相似度比對的架構。

Q：遷移學習如何解決訓練資料不足的問題？
A：少量多樣的生產模式很難短時間累積大量訓練影像。遷移學習透過凍結預訓練的 CNN 權重、只更新新增的全連接層，使模型在少量樣本下也能快速收斂並維持良好泛化能力，大幅縮短訓練與部署時間。

Q：這項技術為 USI 的客戶與供應鏈帶來什麼價值？
A：對客戶，帶來更穩定的良率與更短的導入時間；對供應鏈夥伴，提供更可靠的品質承諾與更低的隱性風險；對 USI，則強化了以 AI 與深度學習為核心的智慧製造競爭力。此方案已實際導入真實產線，每日守護 SMT 製程品質。