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。
💰 導入成本與回本估算
| 項目 | 估算金額（新台幣） | 備註 |
|---|---|---|
| 工業相機（1 台） | 3–10 萬 | 解析度需求視產品精度而定 |
| No-Code CV 平台年費 | 5–15 萬 | 如 LandingPad、Roboflow |
| 初期人工標註（500 張） | 品檢員 1–2 週工時 | 可由現有員工執行 |
| IoT 感測器（震動+溫度） | 每台機器 5,000–15,000 | 加裝在既有設備上 |
| 合計（單一產線 PoC） | 約 10–30 萬 | 2 個月驗證期 |
回本怎麼算？ 如果一條產線的不良品率從 3% 降到 0.5%，以月產值 500 萬計算，每月可省下約 12.5 萬的報廢成本。PoC 投資 2–3 個月就能回本。
想了解更多製造業 AI 應用？回到製造業 AI 轉型總覽，或看看 AI 如何優化供應鏈預測與採購。
標註資料的品質決定 AI 品檢的成敗
很多工廠花了錢買設備、請顧問，最後 AI 品檢的準確率卻只有 85%——問題幾乎都出在「標註品質」。垃圾進、垃圾出，這個原則在 AI 品檢領域體現得淋漓盡致。
標註的三大常見錯誤
錯誤一：標註標準不統一。 三個品管員對「什麼程度算刮痕」的認知不同。A 覺得 0.1mm 的痕跡要標，B 覺得 0.3mm 以下可以放過。結果 AI 學到的是一套自相矛盾的標準。
解法：在開始標註前，先讓所有品管員一起看 50 張範例照片，針對每一張討論「標不標、怎麼標」，建立一份書面的「標註準則 SOP」。
錯誤二：只標常見瑕疵，忽略罕見瑕疵。 你的 500 張不良品照片裡有 450 張是「毛邊」，但只有 50 張是「氣泡」。AI 學完之後，毛邊抓得很準，氣泡卻經常漏掉。
解法：針對罕見瑕疵額外收集更多樣本，或使用「數據增強（Data Augmentation）」技術——把那 50 張氣泡照片旋轉、翻轉、調亮度，人為擴充到 200 張。
錯誤三：標註框太鬆或太緊。 框框畫太大，把旁邊的正常區域也框進去了；框太小，只框到瑕疵的中心卻沒包含邊緣。兩種情況都會讓 AI 學偏。
解法：框框的邊緣應該比瑕疵的實際邊界往外擴約 10-15%，確保完整包覆但不過度延伸。可以參考結構化輸出的概念，對標註格式做標準化定義。
❓ 常見問題 FAQ
我們工廠的產品種類很多，AI 能通用嗎？
不能。每一種產品的瑕疵長相都不同（塑膠件的毛邊 vs 金屬件的刮痕），所以每種產品都需要獨立訓練一個模型。但好消息是：第二個模型的訓練速度會比第一個快很多，因為你已經建立了標註流程和硬體架構。
老師傅的「手感經驗」AI 學得會嗎？
部分可以。如果師傅的判斷依據是「看外觀」（顏色、形狀、光澤），AI 學得很好。但如果是「摸起來的觸感」或「聽聲音判斷」，就需要額外的感測器（觸覺、聲學）才能數位化。建議：先把「目視品檢」交給 AI，「觸感品檢」仍由師傅把關。
預防性維護需要多少歷史數據才能建模？
一般來說，至少需要 3–6 個月的連續感測器數據，且期間最好包含至少 2–3 次「真正故障」的紀錄（否則 AI 無法學會「快壞了」長什麼樣子）。如果機台很少壞，可以刻意讓一台舊設備跑到壞掉，收集「退化曲線」的數據。
我們工廠連 Wi-Fi 都沒有，能導入 AI 品檢嗎？
可以。AI 品檢不一定需要雲端——你可以用一台含 GPU 的邊緣運算主機（如 NVIDIA Jetson），直接在產線旁邊跑模型，完全不需要網路連線。資料只存在本地，也解決了老闆對「機密外流」的擔憂。
📚 製造業 AI 轉型系列
- 🧭 製造業 AI 轉型指南（總覽）
- 🔍 你在這裡 — 視覺檢測與預防保養
- 📦 供應鏈預測與採購
- 🌐 跨國 B2B 行政與溝通