AOI是高速、高精度光学影像检测系统，以机器视觉做为检测标准技术，改善传统人力使用光学仪器执行检测的缺点，常见应用范畴包含高科技产业研发、制造业品管等，电力、机器人控制、生物医学、医疗、卫星遥测、宇宙探测、国防、汽车工业、半导体、环保等领域也能看到AOI的诸多应用。
传统AOI品检容易产生过筛率偏高、上线时间长、不够弹性、无法解决光学光影干扰等问题。 旧式的光学检测是透过没有学习功能的传统算法进行，过筛率非常高，业者需要额外花费时间进行二次人工筛检分类，无形中提高成本支出。 传统AOI系统在每一次上线时要不断调整设定，无法弹性调整生产内容，难以满足弹性化、定制生产需求。
未来，AOI导入AI智能制造是企业生存关键，预估2024年全球智能制造市场规模上看4,000亿美元，年复合成长率达10.1%，在此趋势下，制造业更需要智能化的检测系统，应用AI技术辅助AOI设备进行后续筛检优化即为一例。 工研院产科国际所数据指出，2022年全球AOI检测系统市场规模预测达10亿美元，2020年至2025年间的年复合成长率达17.7%。 在工业4.0及智能制造潮流驱动下，愈来愈多制造领域采用AOI搭配AI的整合应用，其中以半导体领域最为积极。
虽然生产过程中可以透过物联网（IoT）和数字系统软件工具结合OT与IT，达到搜集数据、实时人机协作等目的，但是，人力目视检测进料、检验、成品组装、入库、出货检验等流程容易产生缺点，需要AOI搭配AI智能影像识别改善这些缺点。 除了缺工、工作人员老化等问题，人工检测常因个人经验的良莠不齐（如手感差异、标准不一）导致品质与产量不均，长时间用眼容易疲劳，很难维持长期的标准化和数据化统一，容易影响产能输出，此外，以人工记录生产产量、检验状况也容易产生疏漏及信息延迟等现象，增加客诉率、品质不良率与成本耗损率。
至于传统的AOI检测设备需要控制环境、光源及拍摄角度等细节，量测目标特征也要相当明确，才能发挥AOI机器筛检的质量，一旦检测新设计或新产品时，自动光学检测流程需要重新设置，相对耗费成本。
AI具有深度学习（Deep Learning）技术及模型训练，可以很好地被应用于AOI瑕疵检测领域，如激光焊接自动控制、金属瑕疵与锈蚀检测、纺织品花纹瑕疵检测等，只要搜集大量预先处理好的影像并标注影像种类（如瑕疵种类），透过AI深度学习与模型训练搭配AOI，不仅可以快速上线，还能自主学习，将人工检测经验模型化后，利用算法分析判断， 建立线上检测数据库，透过影像判读瑕疵，不需等最后一步才做终检，这样的流程可以达到实时检测、及时修正的效果，发现良率下降时也可以立即调整产线、设备及人力，避免成本的浪费。
另一方面，AI将人工检测经验模型化后利用算法分析判断，不仅相当灵活有弹性，可以提高精准度与持续性，还可以降低对人工的依赖、降低人员的工作负担，并且大幅提高生产效率。 因此，近年来AOI结合AI已逐渐成为主流标配。
苏2024128775
