4 週
部署上線
2 條線
成功複製擴展
在量產節拍下，人眼檢測遲早會輸給速度。一家電子元件廠找上我們時，問題不是檢不出瑕疵，而是檢得不夠穩、不夠一致。我們沒有從雲端開始，而是把工程師直接送進產線旁。
挑戰
這家電子元件廠的產品，出貨前需逐件做外觀檢測。產線節拍一加快，人眼的極限就被放大：瑕疵特徵細小，作業員在固定節拍下難免疲乏，漏檢與誤判逐漸累積，往往要到客戶端才被發現。
三班制讓問題更棘手。不同班別、不同作業員，對「可接受」與「不可接受」的界線拿捏不一——同一種瑕疵，早班攔下，夜班卻放行。標準不一致，品質數據難以追溯，客訴時也很難回推是哪個環節出了問題。他們評估過 AOI，卻不想再添一套養不起的黑盒子。
我們的做法
我們的工程師直接駐廠。第一階段不急著寫模型，而是先蹲在產線旁，把實際的 NG 樣本一件件收集、分類，弄清楚作業員憑什麼判定。瑕疵的定義從現場長出來，不是從規格書想像出來。
訓練資料在實際的光照與治具條件下採集，沿用產線既有的打光與取像角度，讓模型看到的影像和量產時相同；反光、陰影、治具公差等現場變因，一開始就納入訓練。
模型部署在 edge 裝置上，就近在產線端做推論，不依賴網路連線。判定結果透過 PLC 與 MES 介接回產線控制與品質系統：瑕疵件可直接觸發剔除或攔停，數據即時回寫，不必人工轉抄。
解決方案
最終交付的，是一套貼著產線運作的視覺檢測系統——重點不在演算法多新，而在於現場能不能接手、長期養下去。
- 少量標註樣本訓練：以現場採集的少量標註樣本啟動，先讓系統上線，再隨產線回饋持續補強，不必等資料齊全才動工。
- 離線推論：推論全程在 edge 端完成，廠區網路中斷時檢測照常運作，資料也留在廠內。
- 可調閾值：判定閾值開放給現場調整，品管可依不同料號與客戶的允收標準收緊或放寬，不需回頭找我們改程式。
- 跨線複製：架構從一開始就為複製設計，換線時沿用同一套流程重新採樣、微調，而非從零打造。
閾值、料號、再訓練的觸發都留在現場，交到品管與產線工程師手上——我們移轉的是能力，不只是一份程式碼。
成果
從駐廠到上線，第一條產線的視覺檢測在 4 週內部署完成，開始在量產節拍下逐件把關。
系統穩定運作後，同一套架構複製到第二條產線，成功擴展至 2 條產線。複製過程沿用既有流程，重新採樣、微調即可，不需重新開發。
更重要的是，檢測標準不再隨班別漂移：三班沿用同一套模型與閾值，判定基準一致。原本仰賴個人經驗的判斷，收斂成可追溯、可調整的規則，瑕疵在出貨前被攔下。能力留在廠內，日後的擴線與調整，團隊自己就能接手。
