工業視覺架構決策指南 智慧相機 PC-based Edge AI 三大方案技術對比
2026-08-18
威視康
0
工業視覺（machine vision）近幾年在製造業的滲透率快速提升、從半導體、電子、汽車、醫療、食品飲料、到印刷包裝、幾乎每個產業都有視覺檢測需求。 但工程師選型時常面對一個結構性問題：市場上有這麼多視覺產品、到底該選哪一種架構？智慧相機（smart camera）？PC-based 視覺系統？還是近年興起的 Edge AI 平台？
這篇文章從技術架構角度、拆解三大方案的核心差異、適用場景、生命週期成本、以及選型 checklist。目的是幫工程師建立一個決策 framework、無論是哪一個廠牌的產品、都能用同一套邏輯判斷。
三大架構的技術本質差異
第一種 智慧相機 smart camera
智慧相機是一體式設計、相機本體整合了感測器、鏡頭、光源介面、處理器、記憶體、以及工業通訊介面。所有視覺處理都在相機本體完成、不需要外接 PC。輸出通常是 OK/NG 判定、量測數值、或條碼結果、
透過 EtherNet/IP工業乙太網、詳見 https://www.vsk.com.tw/glossary/ethernet-ip.html 、
PROFINET西門子系 PLC 主流、詳見 https://www.vsk.com.tw/glossary/profinet.html 、
Modbus TCP跨廠通用、詳見 https://www.vsk.com.tw/glossary/modbus-tcp.html
等工業通訊協定送到 PLC 或 SCADA。
代表產品線：
Cognex In-Sight 系列（產品全系列見 https://www.vsk.com.tw/machine-vision-systems.html 、涵蓋 1700、2800、3800、3900、7000、8000、9000 系列）。
第二種 PC-based 視覺系統
PC-based 系統的核心是工業電腦（IPC）跑視覺軟體、多台相機透過 GigE Vision、Camera Link、USB3 Vision 等介面連到 PC。視覺處理在 PC 上執行、可用大量計算資源做複雜演算法。
代表產品：Cognex VisionPro（工業 PC 視覺工具鏈、支援多相機集中處理、詳見 https://www.vsk.com.tw/ai-vision-software/visionpro.html ）+ 各種工業相機組合。
第三種 Edge AI 平台
Edge AI 是近幾年興起的架構、在傳統智慧相機或 embedded 系統上增加 AI 推論能力（通常是 CNN 或 vision transformer）。訓練通常在雲端或工作站完成、推論在 edge 設備執行。跟純智慧相機的差異是：Edge AI 平台通常有更強的 AI 加速硬體（NPU 或 GPU）、以及專用的 AI 訓練工具鏈。
代表產品
In-Sight Vision Suite（智慧相機 AI 推論平台、詳見 https://www.vsk.com.tw/ai-vision-software/in-sight-vision-suite.html ）、
OneVision（AI 訓練與部署平台、詳見 https://www.vsk.com.tw/ai-vision-software/cognex-onevision.html ）、
以及 Edge Learning 訓練工具（原理與資料需求見 https://www.vsk.com.tw/glossary/edge-learning.html ）。
選型第一層決策 應用複雜度
三大架構的第一層決策點是「應用複雜度」。這決定哪一個架構最經濟。
低複雜度應用
條碼讀取、字元讀取（OCR）、pass/fail 有無檢測、簡單位置定位。這類應用用智慧相機最經濟、單機部署、不需要工程師深度介入、產線工程師可自行配置。
中複雜度應用
多站整合、combo 檢測、多演算法協同、需要跨站資料整合。這類應用可以用高階智慧相機（如 In-Sight 8000/9000 系列）或 PC-based 依實際需求選擇。
高複雜度應用
需要多相機拼接的 3D 重建、需要複雜 AI 演算法（deep learning classifier + object detection + segmentation combo）、需要即時大資料處理。這類應用通常需要 PC-based 或 Edge AI 平台。
選型第二層決策 產線速度與 latency
第二層決策點是產線 cycle time 與 latency 需求。
智慧相機
latency 通常在幾毫秒到幾十毫秒、對高速產線（如 SMT、瓶罐檢測、標籤印刷）可以即時判定。
PC-based
latency 依演算法複雜度而異、簡單演算法可達幾毫秒、複雜 AI 推論可能到幾百毫秒。若產線 cycle time 短、要留意 PC 處理是否跟得上。
Edge AI
latency 介於兩者之間、依 AI 模型大小與 edge 硬體規格而異。通常小型模型（<50MB）可達幾十毫秒 latency。
選型第三層決策 部署複雜度與人力
第三層是部署複雜度、影響整體 TCO（total cost of ownership）。
智慧相機
部署最簡單、產線工程師受 1-2 天訓練就能配置。維護也簡單、故障時直接換機。
PC-based
部署複雜、通常需要 SI（system integrator）配合、工程師需要熟悉 PC-based 視覺軟體（如 VisionPro）、且要處理 PC 端的作業系統更新、軟體版本管理、防毒軟體衝突等問題。
Edge AI
部署複雜度介於兩者之間、但額外需要 AI 訓練 workflow 的建立（樣本收集、標註、訓練、驗證、部署、更新）。這需要對 AI 工作流有基本了解的工程師。
選型第四層決策 資料整合需求
第四層是資料串接複雜度。
智慧相機
通常直接與 PLC 對接、資料流簡單。若要跟 MES（Manufacturing Execution System、資料流架構見 https://www.vsk.com.tw/glossary/mes-system.html ）或 SCADA 整合、需要中間層（如 OPC UA gateway、詳見 https://www.vsk.com.tw/glossary/opc-ua.html ）。
PC-based
PC 本身可作為資料整合節點、直接對接 MES / SCADA / 資料庫。適合需要複雜資料流的應用。
Edge AI
類似智慧相機、但通常有更豐富的 API 與 REST endpoint、便於整合到現代資料架構（如 MQTT、Kafka、REST API）。
選型第五層決策 稽核與生命週期管理
第五層是稽核與生命週期管理、這對受法規約束的產業（醫療、食品、汽車、航空）特別重要。
智慧相機
韌體與配置檔案可獨立備份、版本管理相對單純。IQ/OQ/PQ 驗證範圍限於單機。
PC-based
涉及作業系統、視覺軟體、驅動、AP 等多層次版本管理。GMP 或 21 CFR Part 11 環境下、驗證範圍與工作量都比較大。
Edge AI
需要額外管理 AI 模型版本、訓練資料集版本、部署 pipeline。這是新的稽核維度、很多 QA 團隊還在建立 SOP。
生命週期成本比較
初期建置成本
智慧相機通常單台成本較低、但多站部署累計成本可能與 PC-based 相當。PC-based 初期較高（PC + 軟體授權 + 相機組合）。Edge AI 平台介於兩者、但加上 AI 訓練工具鏈的授權費。
維護成本
智慧相機維護最簡單。PC-based 維護成本較高（作業系統補丁、軟體更新、防毒管理）。Edge AI 維護成本包含模型 retrain 與更新。
擴充成本
智慧相機擴充是「加一台」線性成本。PC-based 擴充是「加相機不加 PC」的階梯成本、單一 PC 到達 CPU 或頻寬上限時、要買新 PC。Edge AI 通常有 SaaS 或訂閱模式、擴充是月費模式。
汰換成本
智慧相機通常 5-10 年生命週期。PC-based 的 PC 部分約 5 年汰換、視覺軟體授權常有升級費。Edge AI 平台生命週期取決於廠商 roadmap、需留意 vendor lock-in 風險。
常見選型迷思
迷思一 解析度越高越好
高解析度增加資料量、對相機處理器、頻寬、儲存都是壓力。實務上應依 defect 最小尺寸選擇解析度、留 3-5 個 pixel 給演算法就夠。
迷思二 AI 一定比 rule-based 好
AI 適合難以規則化的變異型 defect（如 cosmetic defect、mura、rare pattern）。對於幾何規則明確的檢測（如尺寸量測、位置定位、有無判定）、rule-based（例如 Pattern Matching、詳見 https://www.vsk.com.tw/glossary/pattern-matching.html ）更快、更可靠、也更容易稽核。
迷思三 PC-based 更「彈性」
PC-based 是有更多演算法可用、但也意味著更多維護與稽核複雜度。若應用不需要複雜演算法、選 PC-based 是過度設計、增加 TCO。
迷思四 Edge AI 一定要用雲端
Edge AI 的訓練可以在本地工作站完成、推論在 edge 執行、完全不需要雲端。這對資訊安全敏感的產業（半導體、國防、醫療）很重要。
實務決策 checklist
如果貴廠正在評估工業視覺架構、建議按以下順序決策：
一、應用複雜度分類（低 / 中 / 高）
二、產線 cycle time 與 latency 需求
三、defect 類型分類（規則式 vs AI 適合的比例）
四、資料串接需求（是否需要 MES / SPC 深度整合）
五、稽核需求（是否受 GMP / 21 CFR Part 11 / IATF 等法規約束）
六、人力配置（產線工程師受訓 vs SI 支援 vs AI 工作流建立）
七、預算與生命週期成本 trade-off
八、擴充彈性需求（未來 2-3 年是否會增加檢測站）
依這 8 個維度盤點後、通常能明確判斷哪一種架構最適合。若跨多產線 / 多產品、也可能結論是混合架構（部分站用智慧相機、部分站用 PC-based 或 Edge AI）。
Cognex 三大架構產品線對應
Cognex 提供三大架構的完整產品線、方便工程師依應用需求選擇：
智慧相機
In-Sight 2800 / 3800 / 3900 / 7000 / 8000 / 9000 系列（全系列比較見 https://www.vsk.com.tw/machine-vision-systems.html ）、涵蓋低到高解析、支援基本規則式演算法。
PC-based
VisionPro（詳見 https://www.vsk.com.tw/ai-vision-software/visionpro.html ）+ 支援 GigE Vision / Camera Link 的工業相機組合、適合需要複雜演算法與跨站整合的應用。
Edge AI
In-Sight Vision Suite（詳見 https://www.vsk.com.tw/ai-vision-software/in-sight-vision-suite.html ）、OneVision（詳見 https://www.vsk.com.tw/ai-vision-software/cognex-onevision.html ）、Edge Learning 訓練工具、涵蓋 AI 訓練與部署 workflow。
Cognex 三大架構完整整合方案、依你的應用場景選型指引：https://www.vsk.com.tw/ai-vision-software.html