公開案例教我們什麼？不是所有工作都交給 AI
研華於 2020-03-16 發布的散熱片案例明列地點為台灣，描述尺寸、厚度與外觀三種檢查。案例中，MIC-770 搭配 SmaSEQ 處理工序與規則式檢查，MIC-730AI 搭配 SmaAI 處理外觀缺陷判讀。
這是供應商發布的歷史案例，不是本站參與的客戶專案。 頁面未揭露可供本站重驗的完整樣本、混淆矩陣與工況；本文不採用其績效數字作為選型承諾，也不把當年的設備型號當成現行推薦。
值得借用的是「分工」：有明確幾何規則的工作先做量測基線，外觀變異再評估 AI；這也符合 Cognex 對規則式與 AI 視覺的區分。固定視覺檢查不是 VLA，更不是完整自主工廠。
以下是本站提出的單站選型方法：先限一種零件與一個檢查面，從只拍照、記錄和人工複判開始。它不是原案例的設備重建，沒有現場數據的欄位保持未知。
- 1. 成像治具、光源、鏡頭、相機先確認缺陷看得見
- 2. 判讀規則量測／AI 分類每件保留版本與結果
- 3. 複判OK、NG、未知與逾時影子測試不驅動設備
硬體怎麼選：先問條件，再選設備
若正常反光與真正瑕疵在原圖就分不開，先修成像條件。Cognex 的照明說明指出光線方向與漫射會改變表面特徵的對比，沒有適用所有任務的單一光法。下表是條件式決策，不是通用料表或品牌排名。
| 先確認什麼 | 選型方向 | 要留下的證據 |
|---|---|---|
| 1. 缺陷與取樣什麼算不良？最小瑕疵多大？ | 先限一種零件、一個表面與可判定的缺陷；尺寸量測和外觀分類分開，先留人工判定基線。 | 樣本編號、缺陷類型／尺寸、人工標註規則、批次；同一件的不同照片不得跨訓練與驗收集。 |
| 2. 光源與鏡頭刮痕與正常反光能否穩定分開？ | 在固定距離與治具下比較低角度暗場、漫射等成像候選；先改善可見度，再談模型或 GPU。沒有通吃金屬表面的光法。 | 同一件良品／瑕疵品在不同姿態的原圖；保存光源角度、亮度、鏡頭、工作距離、曝光與環境光。 |
| 3. 相機解析度視野內最小瑕疵占幾個像素？ | 由視野與最小特徵反推水平取樣，再實拍確認對比、焦深與邊緣清晰度；像素數不是辨識成功率。 | 視野 mm、最小特徵 mm、影像寬高、鏡頭與失焦邊界；標出裁切／縮圖後模型真正收到的像素。 |
| 4. 曝光與觸發移動時拖影？零件與影像對得上？ | 由速度與允許拖影估曝光上限；依指定相機確認硬體觸發能力。全域快門也不能消除曝光期間的移動。 | 速度、曝光、觸發／收圖計數、時間戳、零件 ID；分開曝光開始延遲、讀出、傳輸與處理。 |
| 5. 介面與頻寬多相機同時拍，主機是否接得住？ | 依寬高、傳輸位元格式、幀率與相機數估原始 payload；再查實際 USB／GigE／擷取卡與共享上行，不把接頭相同當 SDK 相容。 | 相機型號、SDK、CPU 架構、OS、驅動、線長、封包／掉幀與同時擷取紀錄；Jetson 入門範例不等於工業相機認證。 |
| 6. Edge 運算瓶頸真的是 AI 推論嗎？ | 先量既有 CPU／規則式方法與小模型基線，再比較 x86＋GPU 或 Jetson。保留相機 SDK 相容性、記憶體及全流程延遲證據，不只比 TOPS。 | 擷取、前處理、推論、後處理、紀錄的分段 trace；完整節拍、p95 與超時筆數，模型／runtime／功耗模式版本。 |
| 7. 控制與複判不確定、逾時或斷線時怎麼處理？ | 先做只記錄、不驅動設備的影子測試；每件輸出 OK、NG 或待複判。正式接控制器前，另定交握與獨立安全責任。 | 零件 ID、結果、模型版本、時限、待複判去向；AI 不直接取代急停、安全 PLC、護欄或設備風險評估。 |
| 8. 儲存與維運留多少影像？長時間運行仍穩定嗎？ | 分開全量原圖、NG／待複判留存與抽樣良品；確認 SSD 寫入、保留期、散熱、環境及可回復版本。 | 每班資料量、壓縮方法、刪除規則、溫度／降頻／掉幀、斷電後紀錄完整性及回復演練。 |
照明、規則／AI 分工及相機時序的官方依據見文末；取樣公式、驗收指標與整合條件是本站方法。下載資料逐列標示來源，不代表原廠核准了整套選型。
一個能重算的例子：相機拍得清楚，主機還要接得住
以下全部是教學假設，不是工廠實測，也不是研華案例的規格。假設水平視野 120 mm、希望保留的最小特徵 0.2 mm，先以每特徵 4 個像素作規劃起點；這個 4 不是保證辨識的門檻。
- 水平取樣下限
- 2,400 px
120 mm ÷ 0.2 mm × 4 px鏡頭、焦深、反光與縮圖仍可能讓特徵消失，必須實拍確認。 - 曝光規劃上限
- 0.25 ms
(120 mm ÷ 2400 px) × 1 px ÷ 200 mm/s假設沿水平方向以 200 mm/s 移動、允許 1 px 拖影；算出 0.00025 秒。這不含觸發延遲，也不代表亮度足夠。 - 兩台相機原始資料量
- 96 MB/s
2400 × 2000 × (8 bit ÷ 8) × 10 fps × 2假設兩台相同 8-bit 單色相機持續拍攝；每台 48 MB/s。fps 是影格率，不是零件檢測節拍。 - 連續保留 8 小時原圖
- 2.7648 TB
96 × 10⁶ byte/s × 3600 × 8 ÷ 10¹²十進位原始 payload，未含封包、重傳、檔案與容量餘裕；不是建議直接買這個容量的 SSD。
這組假設提醒我們：加算力之前，先決定是否需要雙相機全量原圖、每件幾張、哪些 NG／待複判要留存。不同位元封裝、色彩格式或主機端解包，會改變鏈路與記憶體負載；不能把上述數字直接當可用頻寬。
帶入自己的條件，估算相機頻寬與儲存。曝光、讀出與傳輸也不是同一個時間段，Basler 的時序文件可作為拆分 trace 的依據；最終仍以指定型號及完整流程量測為準。
怎麼驗收：別只看一個「準確率」
這裡的 OK 是自動判定良品、NG 是自動判定不良；真實良／不良則來自事先約定的人工標註。二者必須分開。先固定留出驗收集、拍攝設定、模型與判定門檻，不能一邊看驗收結果一邊調參後仍沿用同一份成績。
| 指標 | 計算與限制 |
|---|---|
| 漏放率 | 漏放數 / 已標註真實 NG × 100%；分母為 0 或未知就不可得，不填 0%。 |
| 誤剔率 | 誤剔數 / 已標註真實 OK × 100%；分母為 0 或未知就不可得。 |
| 待複判率 | 待複判／無結果件數 / 全部送檢件數 × 100%；不能靠把所有件轉人工來宣稱系統有效。 |
| 超時率 | 超時／期限內無結果件數 / 全部送檢件數 × 100%；可與待複判重疊，不相加為總失敗率。 |
| 完成件全流程 p95 | 只對有效完整 trace 計算，另報有效件數及超時／缺失數；不是單純模型推論 p95。 |
先對帳，再計算：全部送檢件 = 自動 OK + 自動 NG + 待複判／無結果。同一件的多張照片不能當成多件。真實標籤只存在部分樣本時，漏放／誤剔只能代表該標註驗收集；沒有分母或分母為零，結果是不可得，不是 0%。
把所有件都轉人工，可能讓漏放率看起來很低，卻沒有自動化價值；因此要同時看待複判量。逾時也可能落在待複判，兩種比率不能相加。少量樣本即使零漏放，也不能推論未來零風險。
第一步先做「影子測試」：保留原有判定與設備流程，只新增影像與判讀紀錄。確認跨批次、姿態和長時間運行表現後，再由相關人員評估控制交握與安全；本文與下載表都不批准設備動作。
下載選型與驗收表
選型表有 8 層決策與來源，驗收表有 24 個欄位；JSON 另含上述計算例子的假設與結果。版本 2026-09-12，schema 1.0。需求、候選設備、目標門檻、實測值與證據位置留白；unmeasured 代表尚未測試，不是未達標或通過。
先整理需求，不必先買設備。要找台灣感測、Edge、介面與整合供應鏈，可接著看台灣零組件地圖；要整理場景、失敗處理與責任人，接續企業 PoC 指南。本文不提供即時價格、供貨或廠商背書。
常見問題
AI 外觀檢測一定要用 Jetson 嗎？
不一定。先以相機 SDK、OS、CPU 架構、影像頻寬和完整節拍篩選，再比較 CPU、x86 加 GPU 或 Jetson。能接 USB 或跑一個模型，不代表指定工業相機與整條流程已相容。
散熱片檢測一定需要 3D 相機嗎？
不一定。先界定是表面外觀分類，還是有公差要求的高度、平面度或尺寸量測。本文的 2D 影像示例不證明能量到三維幾何；需要幾何精度時，另做量測方法、校正與不確定度評估。
AI 外觀檢測和 VLA 是同一件事嗎？
不是。這裡是固定工序的影像判讀與流程整合；VLA 則把視覺、語言與動作連起來。沒有語言指令到動作策略的需求，不必為外觀檢測硬加 VLA。AI 判定也不是安全控制器。
這是本站做過的工廠專案或實測嗎？
不是。台灣工廠背景來自研華 2020 年公開案例；選型表與計算例子由本站編輯整理。未取得原始驗收資料，不主張案例績效可重現，也不推薦沿用當年的設備型號。