重點先說
AI 視覺能處理哪些半導體瑕疵？
AI 視覺適合評估外觀變異大、規則難以完整描述的缺陷，但成效不由相機名稱決定。關鍵在於缺陷定義、成像對比、資料代表性，以及未參與訓練的獨立測試資料。
先把製程問題定義成可驗收任務
刮傷、微粒、污漬、鍍膜差異、裂痕或邊緣缺損的風險不同。導入前應先定義缺陷類別、最小關注尺寸、允收邊界、檢測位置、視野、節拍，以及漏判與誤判各自的製程成本。
技術路徑：成像、定位、AI 判定與資料輸出
- 成像：先讓缺陷在影像中具有穩定對比；光源、鏡頭、曝光、偏振與治具優先於模型調參。
- 定位：工件位置變動時，先定位基準或建立固定座標，再對正確區域進行檢測。
- AI 判定：依資料型態選擇異常偵測、分類或分割，不把所有缺陷都塞進同一模型。
- 結果輸出：將 OK／NG、缺陷類別、位置、分數、影像與批次資訊送往 PLC、MES 或追溯資料庫。
工具相容性提醒：Cognex 官方文件指出，SurfaceFlaw、DetectFlaw、FlexFlawModel 與 TrainFlawModel 這組傳統 Flaw Detection 工具不支援 In-Sight D900。D900 的深度學習應依 In-Sight ViDi 路徑規劃，不能把兩套工具混寫。
資料集與驗收應如何設計？
影像應涵蓋不同批次、機台狀態、位置、表面變化與可接受外觀；訓練資料與測試資料必須分開。驗收時按缺陷類別分別統計檢出、漏判與誤判，並保存模型版本、參數、影像與判定結果，才能在換批次或製程變更後追查差異。
對製程帶來的優化
- 把人工抽查轉成一致、可追溯的判定流程。
- 在製程較前段發現異常，減少缺陷進入後續站點。
- 將缺陷影像、位置與類別留存，支援根因分析與配方調整。
- 以獨立測試集與邊界樣本建立可重現的驗收方式，而不是只看展示影像。
評估前請準備的資料
- OK、NG 與邊界樣品，並標明缺陷定義。
- 最小缺陷、視野、節拍、工作距離與允許的機構空間。
- 批次與產品變異、既有漏判／誤判處理方式。
- PLC、MES、影像保存及資料欄位需求。