【記者羅子恆綜合報導】隨著人工智能技術應用於製造業，人工檢測、量表及游標卡尺等傳統方式漸被取代，但購置自動化檢測儀器的成本過於高昂，讓中小型廠商難以負荷。為此，崑山科技大學機械工程學系暨研究所副教授江智偉、孫書煌帶領團隊開發「以表面波頻率偵測材料表面瑕疵之方法」，希望能協助傳統工廠發展及轉型，該技術更在「2021年台灣創新技術博覽會」上獲得金牌的殊榮。
目前主流的自動檢測技術包含AOI光學檢測技術（註一）與探傷儀，為資金充裕的工廠所利用，其中探傷儀透過投射聲波對回傳時間測量，以完成瑕疵檢驗。以上兩種方式除價格昂貴，也都須由專業人力操作，其成本相當可觀，還必須在事前設定無瑕疵模板。崑山科大機械系博士生鍾天穎更強調，「AOI光學儀器需經過樣本學習才能應用，過程又會花費大量時間，對過小的瑕疵也時常無法辨識。」
註一：AOI光學檢測技術主要由工廠人員在檢測儀器中設定無瑕疵表面的樣本，再與實際材料的表面拍照比對，只要拍出缺陷，就會定義為瑕疵品。
因此崑山科大研發團隊以探傷儀原理發想，改良需精密儀器輔助的時間變項，以頻率做為檢測目標。該想法主要取徑於都卜勒效應（註二），江智偉說明，當瑕疵物與聲源產生相對運動時，會產生與良好材料截然不同的頻率，藉此分辨材料好壞。
註二：都卜勒效應是指波源和觀察者有相對運動時，觀察者接受到波的頻率與波源發出的頻率並不相同的現象。
不只如此，該技術還能將瑕疵品的出現頻率、設備是否故障等相關資訊上傳至資料庫，並結合推播系統，使工廠廠長立即收到通知、即時處理。這項發明不僅節省人力資源，更避免材料浪費。此外，工廠廠長還能透過收集到的產品資訊進行產業升級，以及評估設備是否健全。
生產螺絲螺帽的聖泰工業股份有限公司業務員蘇小姐（匿名）表示，現在的檢測技術主要透過光學儀器事先掃描，再由人員將兩者照片相比對，以此來辨別瑕疵，然這種方式卻難以觀測微小的缺陷。因此他認為，這項發明具有幫助性，「能將缺點事先挑出來，使整個製程變得更加順暢。」
然而，實際應用上仍有不足之處，鍾天穎說：「該技術遇外部震動會產生干擾，再加上工廠及實驗室的環境截然不同，因此難以進行模擬。」江智偉更補充道：「如何降低干擾、怎樣過濾聲波與訊號的處理都是需要再微調的部分。」他表示，未來也將推廣產學合作，盼能創造製造業紅利並提供傳統工廠轉型的資本。
