Capture record
- Canonical URI: https://www.bnext.com.tw/article/92522/machine-vision-inspection-aoi-ai-vlm
- Source class: secondary synthesis/reporting。BusinessNext 整理機器視覺品檢產業現況與三位業界人士(研華林清波、四零四劉孟迪、所羅門鍾毓修)的觀點,並引用康耐視(Cognex)2026 年調查;Cognex 第一方新聞稿本輪已直接讀取。1 2
- 原文標題: AOI、VLM是什麼?一文看懂視覺品檢的50年大躍進,它「睛驗」老道仍是工業AI主流
- 作者/出版者: BN編輯大帳號(JSON-LD author 欄位)/數位時代 BusinessNext
- 發布日期: 2026-10-06T16:26:00+08:00(BusinessNext JSON-LD
datePublished/dateModified) - 擷取時間: 2026-10-06T10:44:17+00:00(BusinessNext canonical response
Date) - Retrieval method:
web_extract讀取 BusinessNext canonical page 失敗(Exa backend error),改以 Python 標準函式庫urllib直接 HTTP GET:status200,JSON-LDNewsArticle.articleBody3,302 字(截斷版),另自 HTML<p>結構解析出完整正文段落。Cognex 第一方新聞稿經 Yahoo Finance/PR Newswire 轉載全文以web_search+web_extract路徑核對。全程未使用 browser 或 browser process。 - HTTP metadata: BusinessNext status
200;Content-Type: text/html; charset=UTF-8;responseDate: Tue, 06 Oct 2026 10:44:17 GMT;HTML 405,867 bytes;HTML payload SHA-256fb556adda60a9539633b23afd6585749fa6308f31ab069ff86b73a1a1195465b。 - Saved payloads and SHA-256: 無;本筆只保存 provenance wrapper、忠實摘要與主張帳本,不保存 BusinessNext 或 Cognex 全文 payload。frontmatter 的
sha256是本檔 frontmatter 結束後 body 的 SHA-256。 - Rights boundary: BusinessNext 與 Cognex 內容均以 canonical link、metadata、摘要與主張帳本保存,不保存完整受版權保護文章。
Faithful summary
BusinessNext 以多道焊接(船體、儲槽大型鋼構)場景開頭:這類任務每焊一道,幾何與熱變形隨之變化,過往高度仰賴焊工經驗判斷下一道的速度與參數;如今在邊緣算力支持下,視覺、雷射等多種感測資料開始與 AI 模型、機器人控制結合,讓系統逐漸具備掃描實際工件、規畫並執行多道焊接的能力。1
機器視覺助力工業自動化已有近 50 年歷史。研華物聯網自動化事業群副總經理林清波回憶,1990 年代末做 PCB 板視覺品檢時採用「規則式」判別:工程師預先寫好判定良/不良品的尺寸、位置、灰階等規則,由系統自動找出異常;只要精準控制光源、角度與距離等成像條件,單點準確度可以非常高。但產線上許多參數無法完全控制(晶圓清洗水漬、電池極片銅箔褶皺等不規則狀態難以規則窮舉),「想檢測的東西愈來愈複雜、愈來愈多,不確定性愈來愈大」,因此能直接從樣本學習特徵的深度學習技術吸引力日增。1
四零四科技(Moxa)亞太區市場事業處總監劉孟迪觀察:檢測影像解析度提高、節點增加後,產線搬運的影像資料隨之成長;部分高價值 AI 晶片與先進封裝應用,檢測可能從成品抽檢走向更多製程節點甚至更高比率全檢。他並指出過去 1G 網路足以應付的設備,如今已有客戶要求 2.5G、甚至直接上 10G 規格。1
所羅門視覺事業部資深協理鍾毓修指出規則式 AOI(Automated Optical Inspection)的常見挑戰是過殺(overkill):為降低漏檢風險把判斷規則寫得嚴苛,「寧願錯殺也不要漏掉」,導致可修復、清洗救回的產品被判 NG;過往做法是在 AOI 後補人工檢測複判,但低單價產品不一定合乎成本效益,如今深度學習也能加入複判。他直言「(規則式)AOI 與 AI 本來就不衝突……加起來才是100分」。所羅門 2026 年推出的 AR 智慧配線引導系統以擴增實境把下一步作業指示疊加在操作員視野中,支援 AI 伺服器、資料中心設備與電控盤等仍高度仰賴人工的配線工作,並已在美國 AI 伺服器 EMS 組裝廠完成落地驗證。1
關於 VLM(Vision-Language Model),鍾毓修認為多模態能力是深度學習以降最關鍵的技術轉折,關鍵不在用 VLM 升級既有 AOI,而是拓展 AI 能解的任務範圍:車牌辨識等單純任務不需要 VLM,但結合車牌辨識、出入管制、場域異常通報的智慧門禁可能需要更強的邊緣 AI;「原本解得很好的問題,不需要因為有了新方法就想用新方法去解」,除非成本效益合理且「一舉多得」。林清波則看好 VLM 運用在 AGV、AMR 與 AI 機器人等需要理解情境的任務(如倉儲物流),但固定產線品檢上「目前還沒有看見非用VLM不可的需求」;他認為規則式系統、專用 AI 視覺模型與 VLM 將同時存在,後者不會取代前者——「就像有了汽車,腳踏車也沒有絕跡」。1
文章結尾引用康耐視(Cognex):這家早在 2017 年就收購深度學習 AI 公司的機器視覺大廠,於 2026 年發布針對全球 500 多家製造商、設備商與系統整合商的調查,顯示 57% 受訪者已在機器視覺任務中使用 AI,另有 30% 計畫近期部署;使用 AI 視覺超過 3 年的企業有更高比率認為系統容易快速開發、部署並跨據點擴張。康耐視執行長 Matt Moschner 預測未來 5 年機器視覺將從單點式解決方案演化為遍及整家工廠的「神經系統」,成為連結「感知」與「行動」的關鍵環節。1 2
Claim ledger
- supported: Cognex 2026 年調查(報告名《How AI Is Transforming Machine Vision Through Performance and Simplicity》,2026-03-23 發布)針對北美、歐洲與亞洲 500+ 製造商/OEM/系統整合商,57% 受訪者已在機器視覺作業中使用 AI、另 30% 計畫近期部署;採用率以汽車、電子與物流業最高。此數字經 Cognex 官方新聞稿(PR Newswire,2026-03-23)第一方直接核對。2
- partially-supported: 「使用 AI 視覺超過 3 年的企業有更高比率認為系統容易快速開發、部署並跨據點擴張」——Cognex 新聞稿支持 experienced users 回報更好 scalability 與更快部署的方向,BusinessNext 的具體措辭維持 article-level attribution。1 2
- partially-supported: 「康耐視早在 2017 年就收購深度學習 AI 公司」——BusinessNext 自述背景;Cognex 2017 年併購案(如 MVTec 之外的深學公司)本輪未逐項核對原始公告,維持 attribution。1
- observational: 林清波(研華):1990 年代末 PCB 視覺品檢為規則式判別、成像條件可控時單點準確度可非常高;產線不確定性增大使深度學習吸引力日增。屬受訪者第一手經驗陳述,無獨立量化驗證。1
- observational: 劉孟迪(Moxa):高價值 AI 晶片與先進封裝檢測從抽檢走向更多製程節點/更高比率全檢;1G→2.5G/10G 網路規格升級需求。屬受訪者市場觀察,無原始數據。1
- observational: 鍾毓修(所羅門):規則式 AOI overkill 問題與「AOI+AI 加起來才是100分」的複判定位;VLM 價值在拓展任務範圍而非升級既有 AOI、固定產線品檢尚無非用 VLM 不可的需求。屬受訪者專業判斷,無獨立驗證。1
- partially-supported: 「所羅門 2026 年推出的 AR 智慧配線引導系統已在美國 AI 伺服器 EMS 組裝廠完成落地驗證」——BusinessNext 轉述所羅門第一方口徑,本輪未讀取所羅門官方頁面或客戶名稱細節。1
- unresolved: Matt Moschner「未來 5 年機器視覺將從單點式解決方案演化為遍及整家工廠的『神經系統』」屬執行長預測性言論,非可驗證事實;BusinessNext 未給出原始訪談連結。1
Evidence boundary
本筆支持的是 BusinessNext 對機器視覺品檢近 50 年演進(規則式 AOI → 深度學習複判 → VLM/邊緣 AI)的二手整理、三位業界受訪者的第一手經驗與專業判斷,以及 Cognex 2026-03-23 官方新聞稿直接支持的調查數字(57%/30%)。它不支持:所羅門 AR 系統的獨立第三方驗證、Cognex 完整報告 PDF 的逐項數據(本輪只讀取新聞稿)、各受訪者職銜與任期的獨立核對,或任何「VLM 將取代規則式 AOI」的反向結論。raw-only。
Footnotes
-
BusinessNext,〈AOI、VLM是什麼?一文看懂視覺品檢的50年大躍進,它「睛驗」老道仍是工業AI主流〉(BN編輯大帳號),2026-10-06,https://www.bnext.com.tw/article/92522/machine-vision-inspection-aoi-ai-vlm。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8 ↩9 ↩10 ↩11 ↩12 ↩13 ↩14
-
Cognex Corporation,〈New Cognex Research Reveals Manufacturers Increasingly Expect AI Vision Systems to Deliver Both High Performance and Simplicity〉(PR Newswire),2026-03-23;本輪經 Yahoo Finance 轉載全文與 PR Newswire 原文核對 57%/30%、500+ 樣本與地區範圍。 ↩ ↩2 ↩3 ↩4