📌 重點摘要
- 傳統機器視覺（PatMax / OCRMax）= 規則比對，速度快、結果穩，適合標準化檢測。
- AI 視覺（Edge Learning / ViDi）= 透過樣本自學，適合自然變異、複雜瑕疵。
- 最佳實踐：規則式做定位 / 量測，AI 做瑕疵判定 — 混合使用發揮最大效益。
- VSK 工程師依您提供的 OK / NG 樣品實測評估，免費可行性評估與選型建議。
傳統機器視覺 vs Edge Learning vs ViDi 三方比較
| 維度 | 傳統機器視覺 | Edge Learning | ViDi（深度學習） |
|---|---|---|---|
| 運作原理 | 規則比對 | 輕量 AI 自學 | 完整深度學習 |
| 典型工具 | PatMax / OCRMax / Caliper / Blob | 內建於 In-Sight 智慧相機 | Locate / Classify / Read / Inspect |
| 樣本需求 | 1 張範本 | 5-30 張 | 30-300 張 |
| 部署位置 | 智慧相機 / PC | 智慧相機內建 | PC + NVIDIA GPU |
| 適合場景 | 標準化檢測、條碼、量測、定位 | 簡單 OK/NG 分類、輕度瑕疵 | 複雜瑕疵、變形字元、自然變異 |
| 對應 Cognex 機型 | In-Sight / VisionPro 全系列 | In-Sight 2800 / 3800 / 8900 / D900 / SnAPP（依 datasheet） | VisionPro ViDi 軟體 / In-Sight D900 |
※ 具體機型支援的演算法、樣本需求、效能以 Cognex 各機型 datasheet 為準。
三方對照：機器視覺 vs AI 視覺 vs Deep Learning
很多人把「機器視覺」、「AI 視覺」、「Deep Learning（深度學習）」當成同義詞 — 其實它們是三個層級不同的技術範疇，混用會在選型時造成嚴重誤解。先把概念分清楚：
- 機器視覺（Machine Vision） — 大傘概念，泛指「用相機 + 演算法做自動檢測」的整套技術，包含規則式與 AI 兩個分支。
- AI 視覺（AI Vision） — 機器視覺中「靠樣本自學」的那一支，包含輕量 AI（Edge Learning）與完整深度學習（ViDi）。
- Deep Learning（深度學習） — AI 視覺中算力與樣本需求最高的子分支，靠多層神經網路訓練，代表工具是 Cognex ViDi。
| 維度 | 傳統機器視覺（規則式） | AI 視覺（Edge Learning） | Deep Learning（ViDi） |
|---|---|---|---|
| 運作原理 | 工程師寫規則、按規則比對 | 輕量神經網路 + 樣本自學 | 多層深度神經網路 + 大量樣本 |
| 代表工具 | PatMax / OCRMax / Caliper / Blob | Cognex Edge Learning（內建於智慧相機） | Cognex ViDi Locate / Classify / Read / Inspect |
| 樣本需求 | 1 張範本即可 | 5-50 張 | 30-300 張（複雜應用 500+） |
| 運算硬體 | 智慧相機 / PC（CPU） | 智慧相機內建（CPU） | PC + NVIDIA GPU（訓練必須） |
| 訓練時間 | 無訓練（直接設定） | 幾分鐘 ～ 1 小時 | 數小時 ～ 數天 |
| 結果可解釋性 | 高（規則明確） | 中 | 低（黑盒子） |
| 適合場景 | 尺寸量測、條碼、定位、標準字元 OCR | 簡單 OK/NG 分類、輕度瑕疵、變形字元 | 自然紋路瑕疵、複雜外觀分類、未知瑕疵 |
| 缺點 | 變異多就寫不完規則 | 複雜瑕疵能力有限 | 樣本收集成本高 + 需 GPU + 黑盒子 |
※ 三者並非互斥 — 同一條產線常常「規則式定位 + AI 視覺瑕疵 + 深度學習 OCR」三者混用，發揮各自強項。
何時用哪一種？
- 規則寫得出來 → 用傳統機器視覺：尺寸量測、條碼讀取、有無判斷、定位 — 速度快、結果穩、可解釋。
- 規則不好寫但樣本不多 → 用 AI 視覺（Edge Learning）：5-50 張樣本、智慧相機內建、不需 GPU、設備工程師可操作。
- 瑕疵變異極大 / 字符極複雜 → 用 Deep Learning（ViDi）：30-300 張樣本、PC + GPU 訓練、需專業 AI 工程師、適合難解應用。
VSK 實務經驗：超過 70% 的視覺應用「規則式 + Edge Learning」就能解決，不必一上來就用 Deep Learning（成本高 3-10 倍、導入時程拉長 2-4 倍）。建議先做 POC 樣品實測，由 VSK 工程師依「瑕疵型態 + 規則可描述性 + 樣本數可獲得性」三軸評估後再決定。
AI 深度學習和傳統機器視覺到底差在哪？什麼時候該用 AI？本文從技術原理、適用場景到 Cognex ViDi 四大工具，幫您做出最佳選擇。
AI 深度學習 vs 傳統機器視覺：到底該怎麼選？
在工廠自動化檢測的領域，「AI 深度學習」這個詞越來越常被提到。但它跟傳統的機器視覺到底有什麼不同？是不是所有情況都該用 AI？這篇文章幫你把觀念釐清，讓你做出最適合的選擇。
傳統機器視覺怎麼運作？
傳統機器視覺靠的是「規則比對」。工程師先設定好檢測邏輯，例如邊緣偵測、灰階比對、尺寸公差等，系統就按照這些規則一個一個去判斷。
這種方式的優點是速度快、結果穩定、可重複性高。只要規則設對了，檢測精度非常好，特別適合標準化的檢測項目，像是尺寸量測、有無判斷、位置定位等。
不過它也有限制。如果產品的缺陷樣態太多變、表面紋理太複雜、或是「好」跟「壞」的界線很模糊，工程師就很難寫出完美的規則來涵蓋所有狀況。
AI 深度學習有什麼不同？
AI 深度學習不需要人工寫規則，它是透過大量的圖片「自己學」。你只要提供足夠的好品和不良品圖片，AI 就能學會區分它們之間的差異。
這對於表面瑕疵檢測特別有用。像是布料的汙點、金屬的刮傷、塑膠的氣泡，這些缺陷每次出現的位置、大小、形狀都不一樣，傳統視覺很難完全抓到，但 AI 可以。
Cognex ViDi 的四大工具
Cognex 推出的 ViDi 是工業 AI 視覺解決方案，它提供四種核心工具，各自對應不同的檢測需求。
ViDi Blue-Locate（定位工具）
Blue-Locate 專門用來找出物件的位置。跟傳統的 Pattern Matching 不同，它可以辨識有變異的物件，像是不同角度、部分遮擋、或外觀略有差異的零件，都能精準定位。適合用在需要抓取不規則排列零件的場景。
ViDi Blue-Read（讀取工具）
Blue-Read 是用來讀取難以辨識的文字和字元。傳統 OCR 遇到變形字、手寫字、或印在複雜背景上的字往往讀不出來，但 Blue-Read 透過深度學習，能大幅提升這些情境下的讀取成功率。
ViDi Green-Classify（分類工具）
Green-Classify 能把產品自動分成不同類別。不管是依照外觀、顏色、形狀來分類，它都能處理。特別適合需要把產品分等級、或是判斷產品屬於哪個型號的應用。
ViDi Red-Analyze（異常偵測工具）
Red-Analyze 是最受歡迎的工具之一。它只需要學習「正常品」的外觀，就能自動找出任何偏離正常的異常。你不需要收集各種不良品的樣本，只要有夠多的良品圖片就能開始訓練，非常適合缺陷種類難以預測的產品。
那到底該選哪個？
最好的做法其實是「混合使用」。對於明確、標準化的檢測項目，用傳統視覺既快又準。對於複雜、多變的瑕疵檢測，就用 AI 來補強。兩者搭配，才能發揮最大效益。
威視康同時具備傳統視覺與 AI 深度學習的導入經驗，可以幫你評估哪些站點適合用傳統方案、哪些需要 AI，讓你的投資花在刀口上。
★ 與威視康技術團隊聯繫
👉 您的視覺檢測需求由VSK 工程師團隊接手｜電話 +886 2-8809-3200｜線上聯絡｜查看完整 Cognex 產品線
延伸閱讀
- 生技製藥業 GMP 視覺檢測完整指南
- EU MDR UDI 醫材合規完整指南
- In-Sight 2800 Edge AI 視覺感測器
- Edge Learning 邊緣 AI
- 機器視覺多少錢？2026 完整預算解析
VSK 服務範疇涵蓋 智慧製造、工業自動化、工廠自動化、機器視覺整合、AOI 視覺檢測、瑕疵檢測、良率提升、製程改善。Cognex 康耐視與 KEYENCE 基恩斯同為頂級工業視覺品牌；具體選型由 VSK 工程師依工件、節拍、預算實測後給出建議。
