一直以來，LMI Technologies在3D Sensor領域有著極高的知名度，其Gocator系列不論是硬體還是軟體，皆深受使用者肯定。當LMI宣布推出AI檢測方案時，或許會讓人感到意外，但早在2021年，LMI就已看見AI應用的潛力，並收購了位於美國波士頓、專注於AI與IIoT/5G技術的檢測公司FringeAI。 

經過多年研發，LMI成功地將AI功能整合至既有3D軟體平台“GoPxL”中 ；原本就以直覺易用著稱的LMI軟體，現在也無縫支援AI的異常偵測功能（anomaly detector），無論是既有用戶或是首次使用者幾乎都不需要額外的學習成本。但為什麼LMI會決定針對3D量測推出AI功能呢？

目前常見的檢測方式有兩種：

1. 人工目視檢查
優點是靈活性高，能快速應對複雜或多變的檢測目標；但缺點也很明顯——每位檢測人員的判斷可能不同，導致檢測質量不夠穩定。

2. 規則式檢測（Rule-based AOI）
這種檢測方式在穩定性與速度上表現良好，適合大量生產。但面對變異性高的產品或複雜的環境條件，常常無法精確辨識缺陷。

運用AI檢測的優勢則能結合兩種檢測方式的強項：既保有彈性，又能精準應對複雜目標物，提供更穩定且具擴展性的解決方案。 

項目	AI檢查（深度學習）	傳統規則式檢查(rule-based)	人工目視檢查
準確性	高，適用於複雜、多變的目標	高，前提是環境穩定且規則夠明確	受疲勞與主觀影響，準確性不穩定
適應能力	可透過新資料學習並持續改善	需人工調整規則以應對變化	依賴訓練，難適應複雜或陌生缺陷
對缺陷的健壯性	能處理微小差異與高變異樣貌	難以因應微小或非典型缺陷	面對細微缺陷或變異大時穩定性低
可擴展性	不須顯著增加資源，具高度擴展性	可擴展但需持續調整規則，反應慢	擴展需投入大量人力，且品質不一

已熟悉AI檢測的使用者，可能會想問：「LMI的AI異常偵測功能，和其他家的有什麼不同？」

最關鍵的差異在於，目前市面上大多AI解決方案都是針對「2D影像」進行學習與檢測；而LMI的AI，除了支援2D影像之外，還能直接使用3D點雲資料進行訓練與應用。以下我們將用幾個實際案例展示LMI的AI異常偵測適用的檢測情況。

應用案例一：3D點雲檢測複雜零件
具有複雜幾何形狀的加工件或鑄造零件，最適合使用AI異常偵測。AI模型訓練完成後，就能直接在產線上辨識良品與不良品，而且還能跳過雲端連線、CAD圖檔，或繁瑣的閾值設定，短時間就能取得更好的檢出結果。 

應用案例二：2D影像檢查建材表面
新推出的AI模型也能跟LMI既有的GoPxL平台互相搭配使用。比如想檢查地板與建材表面缺陷，可以搭配傳統工具與AI模型，透過①邊緣與特徵工具遮罩板材，②再利用亮度資訊進行異常偵測，就能鎖定瑕疵位置。 

無須閾值設定，輕鬆檢測各類特徵
傳統工具如Blob與Segmentation的效果雖然不錯，但往往需要以手動設定不同區域的偵測閾值。使用Anomaly Detector，只要提供OK與NG樣本，就能訓練出符合該資料集的模型，自動就能幫您設定適用的閾值。

快速標註與迭代，操作更順暢
完成初步訓練後，使用者只要利用輔助式標註功能，就能簡單對影像進行OK/NG標示，加速模型的優化與更新。

異常尺寸量測與篩選
當AI判定異常後，我們能夠把這些異常結果交給傳統工具進行尺寸測量與檢具比對。使用者可依據最終客戶標準，針對特定形狀或大小進行後續處理。

可擴展的自定義功能
Anomaly Detector支援基於Python的腳本撰寫，能載入本地閾值或新增自定義邏輯。進階用戶還可以透過Python GDK整合其他開源或專有工具，訓練模型並部署至系統中運行。

以上是LMI 3D軟體最新功能「AI異常偵測」的基本介紹。如果您對產品有興趣或任何疑問，歡迎聯絡我們專業的3D團隊，為您進行進一步評估與測試；若您正在評估導入3D量測，也歡迎進一步瞭解線雷射、共軛焦等滿足各種非接觸式3D量測的應用場景的3D sensor。