消費品產線視覺選型:SKU 快速切換與 AI 樣本效率的 4 個關鍵決策

消費品視覺跟工業視覺的根本差異

🔍 消費品視覺跟工業視覺的分野在 SKU 變異幅度。

汽車電子產線一條線可能只跑 3 到 5 種 SKU、產品幾何變異小、光學條件穩。消費品產線動輒 20 到 50 種 SKU、瓶身高度、標籤位置、瓶蓋顏色、每個 SKU 都不一樣、還會季節換促銷版包裝。

📊 業界典型視覺項目分三類 :

一是包裝完整性 (seal integrity、瓶蓋歪斜、標籤缺失)、

二是印刷檢驗 (批號 OCR、色差、印刷偏位)、

三是異物與外觀瑕疵 (AI 分類)。

第一類靠傳統 rule-based (規則式視覺、寫程式定義 threshold) 就能做、第二類需要 OCR / OCV 專門引擎、第三類基本上是深度學習才做得到穩。

💡 這種變異度傳統 rule-based 視覺很難 scale、需要 AI 加傳統雙引擎。消費品產線需要的不是最高解析度、是最快切換速度加最少樣本需求。

SKU 快速切換的三個技術瓶頸

第一個瓶頸是 recipe 管理

傳統視覺一個 SKU 對應一套 threshold 參數、每次換線工程師要 load 對應 recipe、確認光學參數對得上。50 個 SKU 就是 50 套 recipe、管理難度呈指數上升。工程師端最實用的做法是把 recipe management 交給 MES (Manufacturing Execution System 製造執行系統)、視覺系統只 respond MES 下的 SKU signal。

第二個瓶頸是光學 fixture 微變異

同一個瓶身、供應商換批號、色差可能微差幾個 delta E、傳統 threshold 可能就 fail。工業視覺對這種變異相對敏感、消費品產線常見情境是每次 sourcing 換供應商、視覺 recipe 就要 re-tune。

第三個瓶頸是季節性包裝更新

消費品產業普遍有促銷、限量、節慶版包裝、產線視覺 model 要能快速學會新包裝的變異。傳統視覺這時通常要重寫 recipe 加測試、上線時程以週計算。AI 視覺可以縮短這段時間、但仍需要包裝設計凍結後的 sample pipeline。

Edge Learning 與 VisionPro ViDi 的選型分界

Cognex 康耐視在消費品這塊有兩條主線

In-Sight 2800 系列是內建 Edge Learning (邊緣 AI 學習、相機內訓練不用雲端、樣本少時最適用) 的智慧相機、不用外接 PC 就能訓練小樣本 AI;VisionPro ViDi 深度學習則跑在 PC 上、適合更複雜的多類別瑕疵分類。

兩者選型分界點是三個問題

第一是產線是否能容忍額外 PC 硬體 (In-Sight 2800 不需 PC、ViDi 需要工業 PC)。第二是要辨識的瑕疵複雜度 (In-Sight 2800 適合單類別 OK / NG、ViDi 適合多類別分類與 location)。第三是 sample 量 (Cognex 官方 datasheet 標示 In-Sight 2800 Edge Learning 5 到 10 張樣本即可訓練基本瑕疵分類、ViDi 通常需要 30 到 100 張)。

💡 消費品產線多數 SKU 屬於「單類別快速切換」場景、In-Sight 2800 適用性較廣;

ViDi 適合複雜瑕疵如印刷偏位加色差加 emboss 缺陷混合的高難度應用。詳細規格對比可參考 VSK 產品頁 https://www.vsk.com.tw/vision-sensors/cognex-in-sight-2800.html

供應商變異與 AI model robustness

🔍 消費品產線容易踩坑的另一地方是包裝供應商變異。

同一款瓶蓋、換一家供應商、射出參數不同、meniscus 光反射不同、AI model 就要重新學。這件事在 launch 新 SKU 前很少被 sourcing 部門考慮進去、通常是產線上線後才發現。

📊 業界通用解法是在 AI 訓練樣本收集階段就要求 sourcing 提供多批號、多供應商的樣本一起訓練、增加 model 的 robustness (穩健性、對變異的容忍度)。這個 process 通常需要品管、工程、sourcing 三方協調、不是視覺工程師單方面能決定。

💡 另一個實務痛點是包裝季節更版。

促銷版、限量版、節慶版包裝上線前、要預留 AI 模型更新的 samples 收集時間、通常需要 1 到 2 週的 pre-launch 樣本 pipeline。這個 lead time 要跟行銷 launch schedule 對齊、否則包裝上市當天視覺 model 抓不到會被迫暫停產線。

消費品 ROI 計算與電子業本質不同

電子業算 ppm 缺陷率換 warranty 成本、消費品算 changeover 時間換 OEE 提升。一個 SKU 從人工 setup 到 AI 自動切換、如果原本每次換線耗時 30 分鐘、AI 版本 3 分鐘完成、每天換 5 次線、一年 250 工作日的節省時間就很可觀。

這比追求瑕疵率降到極致更有實際商業意義

消費品業的視覺 ROI 主要有三塊:

一是 changeover 時間節省 (OEE)、二是人工複判減少 (labor cost)、三是包裝完整性避免召回 (compliance cost)。三塊都要放進 ROI model 一起算、只算單一維度會低估回收速度。

結語

消費品視覺不是追極致解析度、是追 SKU 切換速度與 AI 學習樣本效率。Cognex 在消費品線走 In-Sight 2800 (Edge Learning) 與 VisionPro ViDi 雙產品線、分別對應中小樣本快速切換與大樣本複雜分類兩個場景。選型的第一問不是相機規格、是這條產線一天要切換幾種 SKU、以及每個 SKU 的檢測複雜度。

工程師端建議的自檢問題有三:一是 5 年後最複雜的 SKU 會是什麼、選型往那個上限規格買;二是 sourcing 換供應商的頻率、決定 AI model 更新 pipeline;三是產線 IT 環境能否容忍 PC 硬體、決定 Edge Learning 或 ViDi 路線。

消費品產線視覺方案完整介紹可參考產業頁 https://www.vsk.com.tw/solutions/consumer-goods.html