AI 視覺檢測值不值得做，取決於一件事：你的瑕疵能不能「拍得出來」。 拍得出來、而且長相穩定的瑕疵（刮痕、毛邊、缺件、印刷歪斜），電腦視覺（Computer Vision，簡稱 CV）確實做得比人眼穩定，因為人眼會疲勞、機器不會。但如果瑕疵要靠手摸、靠聽聲音、或連老師傅都得把件拿到燈下轉三圈才確定，那先別碰視覺檢測。
這篇不談「智慧工廠」的願景，只談一件事：你手上這條產線，該不該做、要準備什麼、怎麼知道自己做對了。
什麼情況適合做，什麼情況我不建議
適合的長相很具體：單一品項的量夠大、瑕疵類型固定在少數幾種、而且瑕疵在照片上看得見。 塑膠射出的毛邊、沖壓件的刮痕、電子件的缺件與極性反向、印刷的錯位與色差，都屬於這一類。這種產線導入 CV，價值來自「不會累」，不是來自「比人聰明」。
我要直接說幾個不建議的情況：
- 瑕疵靠觸覺或聽覺判定。 手摸才知道的粗糙感、敲一下聽音判斷內部裂痕，這些不是相機解決得了的問題，要換成觸覺或聲學感測器，那是另一個題目、另一筆預算。
- 一個月換十幾種品項、每種只跑幾百件。 每換一種產品幾乎就要重來一次資料收集與訓練，攤下來的成本永遠追不上省下的人力。
- 瑕疵定義本身還在吵。 三個品管員對「這算不算刮痕」講不出一致答案時，AI 只會忠實地學會這份混亂——內部標準沒統一，就不該進場。
- 沒有人願意接「AI 判 NG、實際是 OK」的後續。 誤判一定會發生，問題是誰來覆判、誤判率多高要停線。這件事沒人負責，系統上線第二週就會被關掉。
如果你正在猶豫第一個 AI 專案該從哪裡開始，第一個 AI 專案該挑什麼那套篩選問題也適用於這裡。
導入前要準備什麼
多數失敗不是敗在模型，是敗在進場前這三件事沒做完。
第一，一份寫下來的瑕疵判定準則。 不是口頭共識，是文件。挑幾十張爭議照片讓品管員逐張討論「標不標、怎麼標」，把結論寫成書面 SOP。這份文件後續同時是標註規範、驗收依據，以及跟客戶解釋判定標準的憑據。
第二，穩定的拍攝條件。 光源、角度、距離、背景要固定。現場最常見的翻車是：訓練時用白天靠窗的自然光，上線後夜班一開日光燈，模型全亂。打光的錢不要省，它比模型重要。
第三，一個說得出口的失敗標準。 進場前就講清楚：驗證期跑完，達到什麼條件算成功、達不到就收手。沒有這條線，PoC 會延長成沒人敢喊停的專案。這類專案怎麼爛尾的，AI 導入為什麼失敗那篇拆得更完整。
品檢自動化的第一步：先有良品與不良品
很多老闆以為買一台「AI 攝影機」掛上去，它就會自己抓瑕疵。這完全是誤解。
AI 品檢的本質是監督式學習（Supervised Learning）：你得先教它什麼是好的、什麼是壞的。沒有軟體團隊的傳產，可以找標榜「無程式碼（No-Code）」的電腦視覺平台或雲端服務商的自動化訓練工具，讓品管人員自己完成標註與訓練。選平台時拿自己的照片試訓一輪再決定，不要看官網宣稱值。
建立你的資料集
- 拍良品：涵蓋正常生產會出現的各種角度、批次、色差。
- 拍不良品：每一種你要抓的瑕疵都要有樣本，不能只收最常見的那種。
- 人工標註（Labeling）：品檢員把刮痕用框畫出來，告訴 AI「這就是刮痕」。
- 訓練與試跑：接上工業相機在產線旁跑，先只記錄、不動作。
張數沒有魔術數字。決定成敗的不是總量，是「每一種瑕疵都有足夠樣本」。 一萬張照片裡九成九是同一種毛邊，模型對其他瑕疵一樣是瞎的。
常見的坑：標註品質決定成敗
花了錢買設備、請顧問，最後模型抓不準——問題幾乎都出在標註。垃圾進、垃圾出。
坑一：標註標準不統一。 A 覺得極細的痕跡要標，B 覺得可以放過，AI 就學到一套自相矛盾的標準。解法是上一節那份書面準則，先統一再標。
坑二：只標常見瑕疵。 樣本裡絕大多數是毛邊、氣泡只有零星幾張，模型學完毛邊抓得很準、氣泡經常漏掉——而客訴通常來自罕見瑕疵。解法是替罕見類別補樣本，或用「數據增強（Data Augmentation）」旋轉、翻轉、調亮度擴充；但這只能緩解，不能取代真實樣本。
坑三：標註框太鬆或太緊。 框太大會把正常區域一起框進去，框太小沒包到瑕疵邊緣，兩種都會讓模型學偏。解法是在準則裡用範例照片定義「框到哪裡」，別留給自由心證。
坑四：拿 PoC 的成績當量產保證。 驗證期的照片是精挑細選的，量產現場有油汙、有反光、有換模後的細微差異。PoC 過關只代表值得繼續，不代表可以裁掉品檢人力。
讓 AI 成為品管手冊的查閱助理
品保部門另一個痛點是應付 ISO 稽核與客戶特規。一條產線生產上百種零件時，沒有人記得住每一種的公差範圍。
這一段不用訓練模型。把原廠規格書、檢驗標準、歷年客訴紀錄建成私有知識庫（NotebookLM 這類只讀你上傳文件的工具最適合，它不會拿網路資料亂補），品管人員直接問：
「我是品保工程師。產線正在生產『型號 X-990 齒輪』。根據上傳的文件，這顆齒輪外徑的容許公差標準是多少？過去最常見的客訴退貨原因是什麼，檢驗時要注意哪裡？」
但答案一律要點開出處段落確認。 規格書是會出事的文件，摘要錯一個小數點，後果由品保部門承擔。
預防性設備維護：讓它告訴你它快要壞了
「機台壞掉導致產線停擺一整天」是廠長的夢魘。傳統做法是「壞了再修」或「固定週期保養」，AI 提供第三種：在真正卡死前先示警。
做法是在舊機台加裝物聯網（IoT）感測器，收集震動頻率（Vibration）與馬達溫度（Temperature），讓模型學會分辨「正常的吵」與「不正常的吵」，出現微小異常（可能是承軸開始磨損）時提前發保養通知。
但這裡有個殘酷的前提：模型要學會「快壞了」長什麼樣，就必須看過真正壞掉的紀錄。 資料要跨越夠長的時間、涵蓋不同季節與負載，且期間必須包含實際故障事件。機台很少壞是好事，卻也代表你短期內建不出這個模型——這種情況我建議先做視覺檢測，預防保養等資料夠了再說。
成本怎麼估、回本怎麼算
我不會給你一張報價表。設備與軟體價格隨規格、產業、廠商差距極大，任何一個「業界行情價」寫在這裡都會誤導你。 正確做法是拿下面這張清單去跟至少三家廠商要書面報價：
| 要問清楚的項目 | 你該要到的資訊 |
|---|---|
| 相機、鏡頭與光源 | 解析度夠不夠看到你最小的瑕疵、打光方案、幾個檢測點 |
| 軟體平台費用 | 買斷或年費、是否依影像張數計費、續約漲幅 |
| 標註與訓練工時 | 由誰做、佔用現有品檢員多少工時 |
| 邊緣運算主機 | 是否需要、規格、要不要連網 |
| 導入與教育訓練 | 含幾次到廠、後續調校算不算加購、產線改造的停線時間 |
拿到報價後，回本用你自己的數字算：
- 每月省下的報廢金額 ＝ 月產值 × （導入前不良率 － 導入後不良率）
- 每月省下的人力 ＝ 減少的品檢工時 × 時薪
- 回本月數 ＝ 一次性投入 ÷ （每月省下的報廢金額 ＋ 每月省下的人力 － 每月平台費）
「導入後不良率」是唯一沒人能事先給你的數字，廠商講的降幅只能當參考。驗證期存在的意義就是把這個數字量出來，再拿它回頭決定要不要擴大。試算的完整做法與容易漏掉的隱藏成本，可以參考 AI 導入 ROI 怎麼算。
[!TIP] 第一步怎麼跨？ 別一開始就喊「全廠 AI 化」。挑一條經常被客訴、人工檢查又特別耗時的產線，在單一檢測點裝一副工業相機，跑一段有明確起訖日的小規模驗證（PoC）。讓數據替你決定要不要繼續。
怎麼驗收「做對了」
不要用「準確率」一個數字驗收，那是最容易被美化的指標。至少看這五件事：
- 漏檢率（該抓沒抓到）與誤判率（不該抓卻抓了）分開看。 兩者的商業代價完全不同：漏檢是客訴，誤判是良品被丟掉與產能損失。哪一個你比較不能忍，決定模型該怎麼調。
- 驗收樣本必須是模型沒看過的。 拿訓練用過的照片測，分數一定漂亮，也一定騙人。
- 跨班別、跨批次跑滿一段時間。 至少涵蓋日夜班與一次換模，看它在光線與條件變動下會不會崩。
- 跟現有人工品檢並行比對。 讓 AI 與品檢員同時判同一批貨，把不一致的件全部挑出來人工覆判——這批「兩邊意見不同」的樣本，是最有價值的改善素材。
- 確認流程接得上。 判 NG 之後誰覆判、紀錄存在哪、客戶要看報表時拿得出來嗎。模型準但流程接不上，等於沒導入。
視覺檢測只是製造業 AI 的其中一塊。想看全貌，回到製造業 AI 轉型指南；上游的供應鏈預測與採購通常比品檢更快看到效益。
❓ 常見問題 FAQ
我們工廠的產品種類很多，一個 AI 模型能通用嗎？
不能。每種產品的瑕疵長相都不同（塑膠件的毛邊 vs 金屬件的刮痕），每種產品基本上都要獨立訓練。但好消息是第二個模型會比第一個快很多，因為標註流程、硬體架構、打光方案都已經建立好了。
老師傅的「手感經驗」AI 學得會嗎？
看那個手感靠什麼感官。如果判斷依據是外觀（顏色、形狀、光澤），AI 學得起來；如果是摸起來的觸感或敲擊的聲音，相機就無能為力，要換觸覺或聲學感測器。務實的分工是：目視品檢交給 AI，觸感與聽音品檢仍由師傅把關。
預防性維護需要多少歷史數據才能建模？
沒有一個通用門檻，但有一個硬條件：資料期間必須包含真正的故障事件，否則模型學不到「快壞了」長什麼樣。同時要涵蓋不同季節與負載條件，避免把夏天的高溫誤判成異常。如果機台很少壞，短期內做不起來，先做視覺檢測比較實際。
我們工廠連 Wi-Fi 都沒有，能導入 AI 品檢嗎？
可以。AI 品檢不一定要上雲——用一台含 GPU 的邊緣運算主機直接在產線旁跑模型，完全不需要網路連線。資料只留在本地，也順便解決了老闆對機密外流的擔憂。代價是主機要自己維護、模型更新要人到現場。
導入之後品檢人力可以裁掉嗎？
短期內不建議。AI 上線後仍需要人做三件事：覆判被判 NG 的件、處理罕見瑕疵、持續補標註讓模型變準。比較實際的期待是把品檢員從「盯輸送帶」轉成「管標準與處理例外」，而不是直接減編制。急著裁人的專案，通常也是最早出事的那批。
📚 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
- 🌐 跨國詢價與行政自動化