AI 視覺檢測工程案例
從產品照片到可驗證的 OK / NG 與量測流程
本案例整理恒構在 AI／AOI 視覺檢測開發中的實際工程驗證方法，包含 Golden 樣本、影像重現性、OK／NG 判定、位置偏移與尺寸量測。
這類 AI 視覺檢測真正要解決的問題是什麼？
重點不只是「AI 可以辨識產品」，而是整套影像與量測流程能否被重複驗證。
- 01
同一個 OK 樣品重複拍攝，系統結果是否足夠穩定？
- 02
產品差異來自產品本身，還是拍攝位置、角度、光線與工作站？
- 03
Golden 樣本與待測品的座標基準是否一致？
- 04
像素差異能否可靠轉換成實際尺寸？
- 05
AI 判定與工程量測是否需要分開處理？
- 06
OK／NG 結果能否留下可追蹤的數據？
恒構採用的驗證流程
先降低工作站與量測變因，再逐步增加模型與缺陷分類的複雜度。
- 01
建立 Current-Station Baseline
固定相機、鏡頭、光源、工作距離、拍攝位置，以及產品治具或基準位置，先確認工作站本身是否穩定。
- 02
建立 Golden Sample
使用確認合格的產品影像作為輪廓、位置、尺寸、特徵與外觀的比較基準。Golden 本身不能直接等同所有 OK 樣品，仍需考慮正常製程變異。
- 03
OK 樣品 Repeatability
同一產品在同一工作站重新放置與拍攝，觀察位置漂移、特徵點漂移、輪廓變化與量測差異，理解系統本身的變異範圍。
- 04
OK／NG 二元驗證
先把問題簡化為 OK 與 NG，不急著細分大量 defect class，確認影像與量測是否真的能把兩類分開。
- 05
Golden Offset 與 Repeatability 分離
- Repeatability
- 同一條件下重新放置或拍攝的變異。
- Golden Offset
- 待測品相對 Golden 的位置或特徵偏移。
兩者不能混在一起判讀，否則容易把工作站變異誤認為產品差異。
- 06
px → mm Calibration
尺寸量測需要標定基準、穩定視角、固定工作距離、鏡頭畸變評估與工作站一致性，不能直接把 pixel distance 當成實際尺寸。
- 07
AI + Rule-based Measurement
AI 適合不規則瑕疵、外觀特徵與複雜影像 pattern；工程規則適合距離、位置、尺寸、孔位、邊界與幾何量測。實務上可結合 AI classification 與 rule-based measurement。
為什麼不能一開始就一直增加模型訓練？
如果工作站不穩定、相機或光線改變、Golden 與測試座標不一致，或 px／mm 尚未標定，增加資料也可能只是把量測系統本身的不穩定學進模型。
- 工作站穩定
- 量測可重複
- Golden 基準一致
- OK／NG 可分
- 再增加模型與分類複雜度
檢測結果不只是一個 OK／NG
AI 品質檢測的價值，也在於保留可回查、統計與比較的工程資料。
- 產品影像
- 影像前處理
- Golden／Baseline 比較
- AI／規則量測
- OK／NG
- 缺陷／偏移／尺寸資料
- CSV／Excel／Database
- 品質追蹤
- 回查原始結果
- 統計判定資料
- 比較不同批次
- 追蹤異常原因
- 作為製程改善資料
這個案例真正驗證的是什麼？
- AI 視覺檢測需要工程基準，不只是模型。
- Golden Sample 必須搭配工作站 baseline。
- Repeatability 與 Golden offset 必須分開。
- OK／NG 應先做簡單二元驗證。
- 尺寸與影像量測需要 calibration。
- AI 與規則量測可以搭配。
- 品質資料應被留下來。
哪些條件會影響結果？
機器視覺與 AOI 瑕疵檢測必須放回實際影像條件評估。
因此正式 AOI 導入前，仍需要針對實際產品進行 PoC 驗證。
哪些情境值得做這類驗證？
先用你的產品做一次可行性評估
如果目前有 OK／NG 樣品照片、瑕疵照片、尺寸規格、人工判定標準或現有相機畫面，可以先提供給恒構，確認影像條件與檢測問題是否適合進一步做 PoC。