AI 智能學習案例分享_EDM

VSK 評估流程

1. 樣品收件：建議提供 OK 樣品 30 件以上、各類 NG 樣品各 10–20 件，越能涵蓋實際變異，模型穩定度越高。
2. 工程測試：VSK 工程師於 ViDi / Edge Learning 平台先做小樣本可行性驗證（POC），確認本應用適合 Classify / Analyze / Locate 哪個模組。
3. 選型建議：依檢測項目複雜度推薦 In-Sight 2800（Edge Learning）、In-Sight D900（完整 ViDi） 或 PC-based VisionPro Deep Learning。
4. 報價與整合：含硬體、深度學習授權、教育訓練（標註工具操作、模型再訓練流程），讓貴司工程師可自行維運模型。

Cognex 技術原理

Cognex ViDi 深度學習工具 把工業視覺中常見的四類問題拆成四個獨立模組：Locate（定位 / 計數，例如找出影像中所有藥粒並計數）、Analyze（瑕疵分割，像素級標出刮傷、凹痕、缺墨區域，並可進一步以面積閾值分類為 OK / NG）、Classify（整張影像分類，例如組裝完整 vs. 缺件、紋理 A 型 vs. B 型）、Read（變形、低對比、髒污字元 OCR，是 OCRMax 規則式 OCR 處理不了時的補位工具）。這四個工具在 In-Sight D900 與 VisionPro Deep Learning 平台上可串接使用——例如先用 Locate 找到產品再用 Analyze 做瑕疵分割。對於更輕量的需求，In-Sight 2800 內建的 Edge Learning 只需 5–10 張樣本，是傳統工具與深度學習之間的中間方案。

典型應用產業

• 半導體封裝：晶片表面刮傷、崩角、墨點瑕疵分類，傳統規則式工具難以涵蓋的低對比缺陷。
• 汽車金屬零件：沖壓件、車身件表面凹痕與紋理變異分類，光澤反光下穩定判定。
• PCB 板廠：絲印不良、銅箔氧化、雜物附著的像素級瑕疵分割。
• 食品飲料：自然紋理大變異的肉品、烘焙品 OK / NG 分類，規則式幾乎無法描述。
• 製藥：藥錠表面崩花、刻痕模糊、色斑等微小瑕疵判定。
• 民生用品包裝：印刷品色差、模糊、缺墨的整體外觀分類。

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

官方參考來源

IPC-A-610 電子組裝可接受性標準｜SEMI 半導體標準｜Cognex 官方網站

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

本期重點

本期電子報延續 AI 機器視覺主題，分享深度學習工具在實際產線的案例樣態。AI 視覺不再只是研究室裡的概念，而是已經在多個產業上線運作的工具。

典型深度學習視覺案例情境包含：金屬件表面刮傷 / 凹痕的瑕疵分類、印刷品質判定（色差、模糊、缺墨）、變形 OCR 字元辨識（曲面、低對比、髒污字元）、組裝完整性驗證（多元件位置確認）以及複雜紋理分類。導入前需先收集足夠的 OK / NG 樣品影像進行訓練，樣品越能涵蓋實際變異，模型穩定度越高。Cognex VIDI / In-Sight L38 提供 Classify、Detect、Locate、Read、Check 等模組對應不同檢測任務。

VSK 威視康為 Cognex 康耐視官方 PSI 認證系統整合商，提供 In-Sight 智慧相機、DataMan 條碼讀取器、VisionPro 軟體 完整方案。提供 OK / NG 樣品照片，工程師將與您聯繫並免費評估貴司產線需求。