光電廠瑕疵檢測 5 個常見痛點：為什麼機器視覺看不到細小瑕疵？
2026-07-06
威視康
5
工廠常識：只要放對光源、機器能看到的比人眼細 10 倍以上。但真正做過光電產業視覺檢測的人都知道、實際上機器經常「看不到」瑕疵、或是「看到太多假警報」。不是機器不夠好、是光電產業本身就特別難拍。
光電產品的共同難題：表面反光
光電產品包括 CCD 相機、LED 螢幕、光學鏡頭、太陽能面板、光電二極體等等。這些產品有一個共同特性：表面反光。反光有兩種類型、對機器視覺是完全不同的挑戰。
🔍 鏡面反光
像鏡子一樣、光打上去反射固定方向。CCD 感光元件表面、LED 螢幕玻璃、光學鏡頭都屬於這類。特點是：光源角度對了、反射光會完全跑進相機、畫面一片白；光源角度錯了、反射光完全跑掉、畫面一片黑。中間過渡區很窄。
🔍 漫反射
表面粗糙、光打上去往各方向散射。太陽能面板背板、LED 塑膠外殼屬於這類。特點是：光源角度容忍度較大、畫面比較穩定。
多數光電瑕疵檢測失敗的原因、是把兩種反光當同一件事處理。鏡面反光需要極精準的光源角度控制、漫反射則可以用一般環形照明。
痛點一：CCD 感光元件的黑點檢測
CCD（電荷耦合元件）表面有微米級的感光單元陣列、如果製程中有微塵掉到表面、成品拍照時會產生「死點」。品管要挑出這些死點、通常靠 CCD 廠自己的功能測試（拍測試圖、找不對勁的像素）。
但在成品組裝完成前的中間製程、CCD 表面可能已有微塵、需要視覺檢測提前發現、避免流到最終測試才發現、返工成本更高。
這個檢測的難點
📊 微塵尺寸只有 5-20 微米（人的頭髮直徑約 70 微米）。要看到這麼小的東西、需要高解析度相機 + 顯微鏡頭、視野會非常小（幾毫米見方）、掃描一整片 CCD 需要移動相機或工件、產線速度會被拖累。
📊 CCD 表面是鏡面（要感光就要平滑）、光源角度差 1 度、微塵可能就從「看得到」變「看不到」。多數 CCD 檢光採用「暗場照明」：光源以非常低的角度打過去、CCD 表面本身反射光不會進相機、只有微塵表面散射的光進來、微塵在畫面上是「暗背景中的亮點」。
📊 微塵形狀不規則、無法用簡單的圓形 / 方形樣板比對。傳統機器視覺演算法要工程師手動設定「大於 5 微米、亮度超過某個閾值」的判斷條件、面對新工廠的新環境常要重新調校 1-2 週。
Cognex 對應方案
In-Sight 3800（帶高動態範圍）+ ViDi Edge Learning（AI 學習 30-100 張樣本自動判別）。ViDi 的優勢是不用工程師手動設閾值、給 AI 30 張「乾淨的 CCD」+ 30 張「有微塵的 CCD」、AI 自己學會判別。
痛點二：LED 螢幕的暗點 / 亮點檢測
LED 螢幕（含手機螢幕、電視面板）出廠前要檢查「像素故障」：某個像素永遠不亮（暗點）或永遠全亮（亮點）。這個檢測通常在螢幕點亮後拍全白畫面、全黑畫面、紅綠藍純色畫面、用機器視覺找出「應該亮卻不亮」或「應該暗卻亮」的像素。
📊 畫面對比極大
全白畫面亮度是全黑的幾百倍、傳統相機一次只能拍好一種、要拍多張後 AI 合成。這個叫 HDR（高動態範圍）、Cognex In-Sight 3800 內建的高動態範圍就是為這種情境設計。
📊 像素密度極高
4K 螢幕 3840×2160 個像素、每個要判斷。單張影像可能需要 8K 相機才拍得清楚每個像素。實務上一般分塊拍攝（拍 4 張 4K 影像組合成 8K）、然後對每一塊分析。
📊 判斷標準模糊
什麼算「暗點」？完全不亮、還是亮度只有其他像素 30%？不同廠有不同標準、AI 需要吃廠內的規範資料才能穩定判別。
實務上 LED 螢幕檢測多數靠光學儀器（如亮度計）配合機器視覺、單純視覺解決 60-70% 的問題、剩下 30% 靠光學。
痛點三：光學鏡頭的鏡片刮痕檢測
光學鏡頭（相機鏡頭、手機鏡頭、車用鏡頭）的鏡片表面若有刮痕或雜質、成像品質會下降。品管要在組裝前檢查每片鏡片。
📊 鏡片是透明的、機器視覺看不到「透明物體上的透明刮痕」
需要用「側光」讓刮痕散射光、變成畫面上的亮線。這個角度非常敏感、差 2-3 度就看不到。
📊 刮痕方向不固定
可能水平、垂直、斜角、圓弧。單一光源角度只能看到某方向的刮痕、多方向刮痕需要多光源或旋轉光源。
📊 曲面鏡片更難
手機鏡頭、車用魚眼鏡頭表面是曲面、光源反射方向複雜、要精確控制入射角、光學設計上非常挑戰。
Cognex 對應方案
In-Sight 3800 + 專用光源（分區照明或圓形照明）+ ViDi Detect（AI 偵測不規則瑕疵）。ViDi Detect 的優勢是可以學各方向、各大小的刮痕、不用每個方向都設不同閾值。
痛點四：太陽能面板的裂紋檢測
太陽能面板生產過程中、矽晶片可能因為機械應力或溫度變化產生微裂紋。這些裂紋肉眼看不到、但會影響光電轉換效率、量產前要挑出來。
📊 EL（電致發光）檢測
對太陽能面板通電、有裂紋的區域會發出較弱的紅外光。這個要用專用的紅外相機拍攝、一般可見光相機看不到。
📊 判斷標準模糊
多小的裂紋算不合格？1 公分？5 毫米？不同買家有不同規範。歐洲買家嚴、東南亞買家鬆。
📊 產線速度快
太陽能面板產線一分鐘走 10-20 片、每片要拍 EL 影像、AI 分析、判斷合格與否、時間預算只有 3-6 秒。
Cognex 對應方案
In-Sight 3800 或 D900 系列（帶 ViDi）、搭配紅外相機拍 EL 影像、AI 學好幾百張「有裂紋」+ 好幾百張「無裂紋」樣本後、判別準確度可到業界典型 95% 以上。
痛點五：LED 燈珠的顏色 / 亮度一致性檢測
LED 燈珠出廠前要檢查「顏色一致」（避免同一條燈條裡有的偏黃有的偏白）+「亮度一致」（避免同一條燈條裡明暗差太多）。這個叫「Bin 分類」、要在生產線上點亮 LED 後量測顏色座標（CIE xy 值）和亮度值、自動分類。
📊 顏色量測不能用一般相機
一般相機看到的 RGB 只是相對值、不代表真實顏色。要用「分光儀」或「校正過的三色相機」量測 CIE 標準色度座標、才能跟業界規範對齊。
📊 產線速度極快
LED 產線一分鐘可以走幾千顆、每顆量測時間預算 0.02 秒。這個一般機器視覺加分光儀合作處理、視覺負責定位 LED 位置、分光儀負責量測顏色。
📊 環境溫度影響 LED 顏色
同一顆 LED 在 25°C 和 45°C 亮度可能差 5-10%、量測前要控溫或做溫度補償。
光電廠常見問題 Q&A
Q1. 我的產線只是普通 LED 組裝、需要導入 AI 視覺嗎？
看瑕疵類型。如果是「規則性瑕疵」（如 LED 燈珠有無、位置對不對），用傳統機器視覺演算法就夠、不需要 AI。如果是「不規則瑕疵」（如刮痕、灰塵、變色），AI 深度學習（如 Cognex ViDi）反應好很多。
Q2. 光電廠導入視覺檢測的預算怎麼估？
依產線複雜度：
- 單站簡單檢測（如 LED 有無檢測）：一套設備 20-50 萬新台幣
- 中階瑕疵檢測（如 CCD 表面 AI 檢測）：一套 80-200 萬新台幣、含 AI 訓練工時
- 高階系統（如太陽能面板 EL 檢測 + AI）：一套 300 萬以上
實際預算依產線速度、瑕疵複雜度、資料整合需求變動大。找系統整合商評估比較實際。
Q3. AI 視覺跟傳統視覺選擇邏輯？
參考這個判別標準：
- 瑕疵形狀「規則且不變」→ 傳統視覺（快、便宜、穩）
- 瑕疵形狀「不規則或多樣」→ AI 視覺（貴、需要訓練、但可處理複雜情境）
- 有明確 pass/fail 的量化規範 → 傳統視覺
- 靠人眼判斷「看起來對不對」的 → AI 視覺
多數光電廠的實際情況是：傳統視覺解決 60-70% 的規則性問題、AI 補剩下 30-40% 的複雜情境。純 AI 或純傳統都不划算。
Q4. Cognex 中文型錄哪裡下載？
VSK 威視康彙整 Cognex 全產品線 47 份中文型錄 PDF、含 In-Sight 3800、D900、ViDi 等光電常用機型：
👉 https://www.vsk.com.tw/downloads.html
Q5. 想聊聊產線實際痛點
VSK 工程師可以到廠評估、看實際瑕疵樣本、給選型建議：
👉 https://www.vsk.com.tw/contact.html
結語
光電產業的機器視覺、難在「光源控制」而不是「相機好壞」。多數瑕疵檢測失敗不是相機看不到、是光源沒調對、AI 訓練資料不夠、或是判斷標準本身模糊。
實務上先做這件事：拿 100 張「正常」和 100 張「異常」樣本、找 Cognex 原廠或系統整合商（如 VSK 威視康）做可行性評估、確認能不能用機器視覺解決、再決定要不要投資。多數情境的答案是「可以、但要對齊三件事：光源、AI 訓練資料、判斷標準」。