產線檢測別急著做 AI Agent：先選對判讀方法與工作流程

2026-11-02

作者

威視康

漏裝、刮傷、批號錯誤，都叫檢測問題，解法卻不同。看不到缺陷，要處理取像；看得清楚但難以描述差異，才是判讀方法的問題；判對之後還要抄資料、找工件，則是流程沒有接起來。

選方案時，先分清楚這三件事。AI 影像判讀不等於 AI Agent，也不是所有自動化工作都需要 Agent。

一、影像沒拍好，先別加模型

亮斑遮住刮痕、焦點落在背景、工件移動造成拖影，後面的判讀就缺少可靠資訊。先拿同一件工件，在不同角度、位置與生產速度下確認：要檢查的部位是否每次都看得見？

這一步要一起看鏡頭、光源、工件固定方式與觸發時機，而非只增加相機解析度。若工件位置變動大，先改善定位或治具，往往比讓模型學會所有偏移更直接。

準備光學配置時，可先量工作距離、所需視野與最小檢查特徵，用 VSK（威視康有限公司）的鏡頭焦距計算器初估。計算結果是配置起點，缺陷能否穩定成像仍要用樣品確認：

規則式視覺依明確條件判斷，例如量測兩個邊緣的距離、確認指定位置有沒有零件，或將讀出的批號與工單資料比對。優點是判定依據容易對照圖面與製程要求；前提是影像中的特徵夠穩定，規則能涵蓋正常變化。

這類需求可從機器視覺系統頁查看設備選型方向，整理需要的檢測工具、安裝空間與輸出介面：https://www.vsk.com.tw/machine-vision-systems.html

如果刮痕、髒污與材料紋理的外觀差異很大，規則越加越多，仍不容易區分正常品與缺陷，就值得評估 AI 判讀。AI 透過樣本學習差異，準備資料時要同時納入允許的正常變化與必須攔截的缺陷，而不只是收集最明顯的不良品。

AI 視覺軟體總覽整理了外觀檢查、分類與文字辨識等方案，可按工作內容往下查看，不必把所有判斷都換成同一種工具。

規則式與 AI 也可以分工。例如，先找出工件與檢查區域，再由 AI 判斷局部外觀；尺寸公差則保留明確量測與判定。選的是每項工作適合的方法，不是替整座工站貼上單一技術標籤。

讀取工單、載入配方、拍照、判定、將結果交給分流設備、保存紀錄，如果順序與條件都能事先寫清楚，就適合做成固定工作流程。即使中間使用 AI 判圖，也不代表需要一個自主選擇步驟的 Agent。

沒讀到工件身分怎麼辦？相機沒有回傳結果時是否允許放行？剔除後如何確認拿走的是那一件？這些問題若沒處理，畫面上出現正確答案，現場還是會靠人員收尾。

例如，依異常內容決定先查哪些批次、再調閱哪些檢查紀錄，整理出待確認的原因與資料來源。它負責協助追查，不應把產線放行、設備控制或品質責任直接交給一段生成文字。

若只是每天固定時間彙整同一份報表，排程、資料查詢與固定範本就可能足夠。需要先看見的效益，是少了哪個人工步驟，而不是多了一個會對話的介面。

一份可討論的需求，至少要說清楚：檢查哪個部位、怎樣算不合格、目前有哪些正常變化、產線多快，以及結果要交給誰。另附工件照片、檢查位置與安裝限制，比只問「這台有沒有 AI」更容易得到有用的選型建議。

還沒有候選機型，可用機型選型問答，按產業、應用、速度與規模初步篩選：https://www.vsk.com.tw/recommend.html

已經有候選機型，再用規格比較器並排查看，接著核對鏡頭光源、通訊介面、軟體授權與後續維護需求。比較器用來縮小範圍，最後仍要回到實際檢測工作：https://www.vsk.com.tw/compare.html

最合適的方案，可能是改善照明加上一個固定比對流程，也可能是規則式與 AI 分工。只有在動態查詢與工具選擇確實能減少工作時，才需要再加入 Agent。

下一篇：AI 視覺檢測有沒有用？從誤攔、漏檢到工時的驗收方法。把選好的解法放回產線，檢查品質與工時是否真的改善。