AI智能制造新突破 成功大学携手国网中心提升FPC检测精准度

以C04_涂层破损露铜层作为训练数据，透过国网中心H100晶创主机训练生成式AI模型之影像生成可视化成果。成功大学

智能转型浪潮席卷全球制造业，软性电路板（FPC）制造领域也正面临着前所未有的检测挑战。成大制造信息与系统研究所近期善用国网中心运算资源，正在积极开发AI Agent自主检测系统，将FPC瑕疵检测准确率提升至93～95%，为台湾制造业的智能化升级树立新标竿。

成大制造信息与系统研究所教授陈响亮表示，目前传统FPC制造检测面临三大核心挑战，首先是瑕疵样本极度稀缺，试产阶段往往仅能取得约100张影像，样本不足导致AI模型训练困难；其次，瑕疵外观特徵相似度高，连资深产线人员在标注时也容易混淆；最后是数据严重不平衡，常见缺陷可能有上万张样本，但罕见细瑕疵仅有数十张，造成模型训练偏态明显。

成大开发AI Agent自主检测系统  国网中心算力成关键推手

针对这些痛点，成大团队借助国网中心的高效能运算资源，开发创新的AI解决方案。陈响亮表示，团队希望透过生成式AI技术，将稀缺的样本增到足够训练高精度模型的规模。

原本需要一天以上才能完成的影像生成与识别模型训练，在国网中心HPC资源的支持下，透过多GPU分散式训练架构，现在仅需数小时即可完成。更重要的是，团队能够训练参数规模更高的模型，如13B等级的大型模型，大幅提升了模型的泛化能力与推论精度。

在数据增方面，团队成功将60张原始稀缺样本增至数千张甚至上万张，有效解决数据不平衡问题。这项技术不仅适用于FPC制造，更为其他面临类似挑战的制造领域提供了可行的解决方案模式。

理论研究需要实际验证才能彰显价值。成大团队与台郡科技合作，在高雄厂区导入AI瑕疵识别系统进行实地测试。结果显示，AI辅助检测不仅将整体准确率提升至93~95%，检测速度也提升了30%，同时将瑕疵分类与减除作业的人工依赖度降低80%。

陈响亮提到，虽然产线整体瑕疵率仅降低2~3%，但对高产能产线而言，这个数字代表的是巨大的经济效益。他进一步解释，AI系统特别在细微缺陷识别方面表现稳定，显着降低了NG品外漏风险，间接提高产品良率并降低人力成本。

对于下一步研究规划，陈响亮指出，极端数据不平衡问题仍需持续优化，部分细瑕疵因特徵模糊、标注误差仍影响识别结果。此外，AI Agent的决策建议模块正朝着实用化的方向努力，产线落地也需克服设备兼容性与延迟问题。接下来研究团队计划将应用范围从FPC制程扩展至封装载板、制造执行系统(MES)、光电材料等领域，并导入RAG架构与强化学习技术，打造多模块AI Agent协同决策架构。远期目标是建构制程自我调整控制系统，由AI持续监控、学习并优化制程参数，实现真正的智能化生产。

陈响亮表示，这项专案不仅在技术层面取得突破，更是产学合作模式的创新实践。透过国网中心高效能运算资源的支持，学术研究得以快速转化为实际产线应用，同时培育出具备实务经验的AI技术人才。研究团队对国网中心表示高度肯定，并建议未来可进一步简化模型部署流程、强化教学导引与使用者界面，降低使用门槛，鼓励更多团队投入使用，藉由学术研发、产业落地与基础建设的合作模式，为台湾制造业智能转型，提供前瞻且实用的经验。