瑕疵檢測一定要深度學習嗎？

連續產線最難的是取像，不是模型

產品在動，相機若糊了、曝光不穩或觸發太晚，再強的模型也沒用。 要先處理光源、曝光、觸發，以及從多幀裡選最清晰的那一張。 很多專案卡關，不是演算法不夠新，而是現場影像品質不夠穩。

什麼情況可以先不用深度學習

• 要判斷有沒有印字、有沒有漏印。
• 要辨識固定位置的關鍵字或編號，且字體對比夠。
• 要抓明顯裂口、毛邊、缺料或顏色偏差，特徵可用幾何或色差描述。
• 現場需要知道「為什麼被判不合格」，規則式結果通常比較好解釋。

什麼情況再評估深度學習

缺陷型態很多、位置不固定、良品外觀本身差異就大時，規則會愈寫愈多，也愈難維護。 這時才適合評估深度學習。即使如此，仍要先有穩定取像，否則模型只是在學模糊與反光。

第一階段驗證該看什麼

• 漏印與無字能不能抓到。
• 關鍵字 OCR 在現場光線下穩不穩。
• 明顯裂口與毛邊能不能重複判定。
• 良品被誤判的比例，現場能不能接受。

棠睿科技不公布、也不保證統一準確率。成效依光源、產品規格與產線條件驗證。

棠睿科技怎麼協助

我們具備工業相機、OCR 與電腦視覺技術，並與公立大學進行產學合作。 會先判斷能不能用規則式視覺做驗證，而不是一開始就承諾訓練模型。 詳見工業視覺服務與 影像辨識案例。