AI 視覺檢測與預防保養讓製造業用電腦視覺自動抓出產線瑕疵——降低不良品率、減少品管人力、提高生產效率。
在許多傳統工廠裡，產品成型後，最後一道關卡是幾位負責「品檢（Quality Assurance）」的阿姨叔叔，他們每天要盯著傳送帶上幾萬顆的塑膠射出件，尋找比頭髮還細的刮痕、毛邊或是顏色不均。
人眼會疲勞，但機器不會。 電腦視覺（Computer Vision, 簡稱 CV）的成熟與普及化，讓傳統製造業能以極低的硬體成本，達到 99.9% 漏檢率的精準品管。
品檢自動化的第一步：AI 模型不是魔法，需要「良品」與「不良品」
許多老闆以為買了一個「AI 攝影機」掛上去，它就會自己抓出瑕疵。這完全是個誤解。
AI 品檢的本質是監督式學習 (Supervised Learning)。你必須教它什麼是好的、什麼是壞的。 對於沒有龐大軟體團隊的傳產，現在市場上有許多強調「無程式碼 (No-Code）」的 CV 平台（如 LandingPad、Google Cloud AutoML Vision）。
建立你的資料庫：
- 拍攝 500 張完美的良品照片。
- 拍攝 500 張包含各種瑕疵的不良品照片。
- 人工標註 (Labeling)：品檢員需要在系統上，將不良品照片裡的刮痕用框框畫出來，告訴 AI：「這就是刮痕」。
- AI 訓練完成後，只要裝上一台普通的工業相機甚至是手機，它就能在毫秒間框出產品的瑕疵並發出警報聲。
讓 ChatGPT 成為 品管手冊 (SOP) 的查閱助理
除了光學檢測外，品保部門的另一個痛點是應付 ISO 稽核或是各種客戶的特規品保標準。當一條產線生產上百種零件時，品管人員不可能記得每一種零件的公差範圍。
你可以利用 NotebookLM 將全公司的幾百份 PDF 原廠規格書建置為私有知識庫。
實用 Prompt（對著 NotebookLM 提問）：
「我是品保工程師。現在產線上正在生產『型號 X-990 齒輪』。根據我們上傳的文件，請告訴我這一顆齒輪外徑的容許公差標準是多少？另外，過去這顆齒輪最常發生的『客訴退貨原因』是什麼，我們現在檢驗時需要特別注意哪裡？」
未來工廠的聖杯：預防性設備維護 (Predictive Maintenance)
「機台壞掉導致產線停擺一整天」是所有廠長的夢魘。傳統的做法是「壞了再修」或是「固定每半年保養一次」。
AI 提供了第三種解法：它告訴你它快要壞了。
透過在舊機台上加裝便宜的物聯網 (IoT) 感測器，收集兩個核心數據：
- 震動頻率 (Vibration)
- 馬達溫度 (Temperature)
將這些看似雜亂無章的波動數字餵給機器學習模型，AI 能學會聽懂機台的「聲音」。當震動頻率在圖表上出現微小異常（可能是一顆承軸開始磨損），AI 就會在機台真正卡死前三個禮拜發出報價保養通知。
[!TIP] 如何跨出轉型的第一步？ 對傳產老闆來說，千萬不要一開始就喊著要「全廠 AI 化」。尋找一條經常被客訴瑕疵、且人工檢查特別耗時的產線，先在一個查驗點裝上一副工業相機進行為期兩個月的小規模驗證 (PoC)。讓數據用金錢證明 AI 的價值。