自動光學檢測(Automatic Optical Inspection；AOI ) 是以非接觸的方式，運用機器視覺技術擷取影像進行分析，進而判斷半成品是否存在瑕疵，為業界廣泛應用的檢測手法。

由于部分產業如印刷電路板(PCB)在極高良率的要求下，AOI設備容易因敏感而出現過篩現象，因此產業在需要更智能化的檢測系統條件下，開始應用AI技術來輔助AOI設備進行后續篩檢的優化。

AOI設備可部署于生產線的節點中間來檢查半成品，同時不影響產能，因此成為制程中比重甚高的必要投資。根據市場調查，目前AOI檢測應用最廣泛的兩個領域分別為PCB和面板顯示產業，兩者的占比分別為64%和15%。

以應用最廣泛的PCB產業為例，AOI檢測系統流程主要系先利用光學儀器對待檢測的PCB板進行掃描獲取圖象，然后系統對數據庫中的合格參數進行比對，經過計算機影像處理技術檢查出PCB上是否存在缺陷，可檢測的缺陷種類包括短路、多銅及少銅、斷路、缺口、毛刺、銅渣、缺件、偏斜等。

但業界指出，目前AOI檢測會面臨過度篩檢的現象。造成此現象的原因一來是因PCB產業有高良率的要求，因此在AOI的參數上設定非常嚴格。二來則是因光學原理容易使AOI因光影干擾而敏感，因此只要有些微外在光影的影響，設備便會自動判讀為缺陷品。

經業界統計，當PCB產業使用AOI設備進行檢測時，過篩的機率高達70%，即NG產品中其實有70%的成品是合格的。因此目前產業的作法是采取人工進行第二次篩選，將實際合格的PCB板再度送回產線，估一臺AOI檢測機常需配置4名人員進行再篩。

為降低不必要的人力消耗并加快產線檢測速度，目前PCB產業正嘗試導入AI辨識模塊，利用視覺辨識技術輔助AOI檢測的后續優化，以提高檢測設備的辨識正確率。PCB業者預估導入AI視覺辨識后，將可有效降低過篩機率至25%。而AOI檢測與AI辨識的差異，在于是否可針對未知瑕疵進行識別。

智能機械推動辦公室副主任王維漢解釋，AOI設備的檢測原理系只能以設定好的參數標準為基準進行判斷，也就是邏輯性的思考，業者須先定義瑕疵的樣本，AOI再透過樣本進行篩檢。而AI則是在經由訓練成熟后自行定義瑕疵范圍，可進一步有效判別未知的瑕疵成像。

AI既可彌補AOI之缺失，但是否因此取代AOI設備的地位？王維漢對此則認為，兩者的作用實際上是相輔相成。

初期AI的作用可作為AOI設備的輔助，因AI要達到極高的準確率必須先經由大量數據的訓練與優化，而AOI設備所搜集的瑕疵成像恰可做為AI模塊的前期訓練，因此AI若初期就完全取代AOI設備，實際上在缺少數據訓練的情形下，較難以達到準確的判斷率。

王維漢建議業者將AI導入檢測流程不可抱持一步到位想法，而是采取漸進式手段進行，在AI模塊訓練成熟后再行評估。以PCB產業的目前的做法為例，即是以AOI作為第一道檢測手續，而AI則是取代后續的人工檢測部分，藉由智能檢測系統可加速生產線速度，并節省部分人力。

目前AOI設備利用AI輔助提高辨識正確率已逐漸成為一種新興手法。從市場面來看則是以PCB產業發展較快，而水五金產業可能也為另一潛在市場。

由于水五金產品因具多重曲面特性，在檢測上仍須仰賴大量人力，因此仍存在誤差及精準度不足的問題，需藉由智能檢測系統輔助。因金屬零件容易反光，加上多重曲面立體呈現，使得影像捕捉難度高，對于自動化檢測技術來說勢必是其必須要克服的一大考驗。