AI智慧製造新突破 成功大學攜手國網中心提升FPC檢測精準度
智慧轉型浪潮席捲全球製造業,軟性電路板(FPC)製造領域也正面臨著前所未有的檢測挑戰。成大製造資訊與系統研究所近期善用國網中心運算資源,正在積極開發AI Agent自主檢測系統,將FPC瑕疵檢測準確率提升至93~95%,為台灣製造業的智慧化升級樹立新標竿。
成大製造資訊與系統研究所教授陳響亮表示,目前傳統FPC製造檢測面臨三大核心挑戰,首先是瑕疵樣本極度稀缺,試產階段往往僅能取得約100張影像,樣本不足導致AI模型訓練困難;其次,瑕疵外觀特徵相似度高,連資深產線人員在標註時也容易混淆;最後是資料嚴重不平衡,常見缺陷可能有上萬張樣本,但罕見細瑕疵僅有數十張,造成模型訓練偏態明顯。
成大開發AI Agent自主檢測系統 國網中心算力成關鍵推手
針對這些痛點,成大團隊借助國網中心的高效能運算資源,開發創新的AI解決方案。陳響亮表示,團隊希望透過生成式AI技術,將稀缺的樣本擴增到足夠訓練高精度模型的規模。
原本需要一天以上才能完成的影像生成與辨識模型訓練,在國網中心HPC資源的支援下,透過多GPU分散式訓練架構,現在僅需數小時即可完成。更重要的是,團隊能夠訓練參數規模更高的模型,如13B等級的大型模型,大幅提升了模型的泛化能力與推論精度。
在資料擴增方面,團隊成功將60張原始稀缺樣本擴增至數千張甚至上萬張,有效解決資料不平衡問題。這項技術不僅適用於FPC製造,更為其他面臨類似挑戰的製造領域提供了可行的解決方案模式。
理論研究需要實際驗證才能彰顯價值。成大團隊與台郡科技合作,在高雄廠區導入AI瑕疵辨識系統進行實地測試。結果顯示,AI輔助檢測不僅將整體準確率提升至93~95%,檢測速度也提升了30%,同時將瑕疵分類與減除作業的人工依賴度降低80%。
陳響亮提到,雖然產線整體瑕疵率僅降低2~3%,但對高產能產線而言,這個數字代表的是巨大的經濟效益。他進一步解釋,AI系統特別在細微缺陷辨識方面表現穩定,顯著降低了NG品外漏風險,間接提高產品良率並降低人力成本。
對於下一步研究規劃,陳響亮指出,極端資料不平衡問題仍需持續優化,部分細瑕疵因特徵模糊、標註誤差仍影響辨識結果。此外,AI Agent的決策建議模組正朝著實用化的方向努力,產線落地也需克服設備相容性與延遲問題。接下來研究團隊計畫將應用範圍從FPC製程擴展至封裝載板、製造執行系統(MES)、光電材料等領域,並導入RAG架構與強化學習技術,打造多模組AI Agent協同決策架構。遠期目標是建構製程自我調整控制系統,由AI持續監控、學習並優化製程參數,實現真正的智慧化生產。
陳響亮表示,這項專案不僅在技術層面取得突破,更是產學合作模式的創新實踐。透過國網中心高效能運算資源的支援,學術研究得以快速轉化為實際產線應用,同時培育出具備實務經驗的AI技術人才。研究團隊對國網中心表示高度肯定,並建議未來可進一步簡化模型部署流程、強化教學導引與使用者介面,降低使用門檻,鼓勵更多團隊投入使用,藉由學術研發、產業落地與基礎建設的合作模式,為台灣製造業智慧轉型,提供前瞻且實用的經驗。