AOI 誤判率過高？別急著換機台：先把「誤殺率／漏檢率」拉回可控
多數問題不是鏡頭，而是決策邏輯與資料回饋沒建好。先做 AI 複檢 與 類別級門檻，通常比大動硬體更快見效。
你的痛點：① 誤殺率高 → 覆判／報廢暴增；② 漏檢率高 → 退貨與客訴風險；③ 門檻怎麼調都不穩，換燈、換角度也沒解。
為什麼一直誤殺或漏檢？
- 現場一變，舊規則就不準：批次、光源、背景改一下，原本固定門檻失效。
- 一把尺的盲點：刮傷、汙染、崩邊…嚴重度不同，卻用同一門檻。
- 覆判沒回饋：人工改判只結案，沒回寫資料，系統學不到教訓。
三步修正（不動硬體，先動決策）
① 建立 AI 複檢 閉環（人機協作）
- 把 低信心／有爭議 影像交給二階段模型；人工改判一律回寫資料池。
- 新增
Other/不確定類別收納灰區，避免硬塞錯誤分類。
② 啟用「類別級門檻 + 工藝規則」
- 各缺陷設定對應的信心門檻與尺寸條件（面積、長寬比、長度）。
- 先拉回漏檢率（避免放過不良），再收緊誤殺率；一次只動 1–2 類便於 A/B。
③ 用「看得懂」的指標追蹤
誤殺率良品被當不良的比例
漏檢率不良被放過的比例
FTY一次通過率（越高越省工）
線上看三件事：誤殺率、漏檢率、FTY（分班/站）。線下每週 15 分鐘復盤：前 3 名問題類別與常見誤判樣本。
兩週 PoC 怎麼跑
- W1：選 2 型號 × 3 站別，建基線，找出誤殺率最高的 3 類。
- W2：上線 AI 複檢 + 類別級門檻；以班別追誤殺率／漏檢率／FTY趨勢。
常見成效：先把誤殺率壓住、不拉高漏檢率（幅度依產品/站別不同）。
我們怎麼幫
- ADC 智能分類：接 AOI/相機/MES，複檢結果自動回訓；缺陷標註與樣本治理同平台完成。
- AOI 客製：光學 + 演算法 + 類別級門檻同步調校，適用 MLCC、IC 散熱片、晶圓等。
下一步（免費診斷）
提供近兩週 Top 100 低信心影像（含產品/站別/缺陷），我們回傳：① 類別門檻建議 ② 複檢閉環模板 ③ 指標儀表板樣板。
預約 Demo →FAQ／技術附註
一定要換新機台或鏡頭嗎？
不用。多數情況先把決策與資料治理做好，透過就能顯著改善。
資料不易收集有辦法導入嗎?
資料不足可以透過我們領先的"缺陷生成系統"模擬缺陷樣品，補足資料難以收集的問題，只需要提供少量樣本圖像即可模擬出相似且多樣的缺陷樣本。
能否串接現有的生產管理系統?
通訊方式：支援 TCP/IP／REST 介接與自訂 API；亦可依需求走資料庫或 FTP 交換檔案，便於與廠務/MES 串線。
上游帶入：可由客戶系統傳入 產品ID／站別／Recipe 等資訊，ADC 會自動切換對應模型與參數。
下游回傳：檢測結果（OK/NG、缺陷類別/座標/尺寸/信心值）、影像與統計可上報至生產履歷或客戶系統；格式可客製（如 CSV/JSON），晶圓場景亦支援 Klarf／STDF。
權限與稽核：內建權限管理與 Log，便於符合品質稽核與系統維運。