📌 重點摘要
- 傳統機器視覺 vs ViDi AI 深度學習，哪些情境必須用 AI。
- 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。
- 內含完整選型對照表、典型應用情境、與工程師 FAQ。
傳統機器視覺 vs ViDi AI 深度學習，哪些情境必須用 AI？哪些用傳統規則就夠？完整比較與決策樹。
VisionPro 還是 ViDi？傳統規則還是深度學習？VSK 威視康整理 4 大判斷指標，3 分鐘搞清楚何時該用 AI、何時規則演算法就夠。
本質差異
| 維度 | 傳統規則（VisionPro） | 深度學習（ViDi） |
|---|---|---|
| 核心邏輯 | if-else 規則 + 形態學 | 神經網絡（CNN） |
| 適合場景 | 特徵明確、變異小 | 紋理變異大、缺陷型態多 |
| 需要樣本量 | 不需訓練 | 10-200 張典型樣本 |
| 調試時間 | 短（小時） | 中（天-週） |
| 典型應用 | 尺寸量測、條碼、定位 | 紋理瑕疵、複雜分類、低對比 OCR |
| 計算資源 | 嵌入式相機可跑 | 需 PC + GPU 或 D900 嵌入式 |
決策樹：4 個問題判斷
- 缺陷形態是否能用文字描述？「直徑 5mm 圓形」→ 規則。「沒有兩個瑕疵長得一樣」→ ViDi。
- 同類缺陷的視覺變異大嗎？金屬紋理 / 紡織 / 太陽能矽晶 → ViDi。固定形狀缺料 / 字符位置 → 規則。
- 有 OK / NG 樣本可用嗎？有 10+ 張 → ViDi 訓練。沒樣本 → In-Sight 2800 Edge Learning（免訓練即用）。
- 需要分類嗎？多種 OK / NG 分類 → ViDi Classify。單純 PASS / FAIL → 規則或 ViDi Analyze。
ViDi 4 大工具
- ViDi Locate（藍色）：定位元件中心、角度、計數
- ViDi Analyze（紅色）：瑕疵分析、異常區域標定
- ViDi Classify（綠色）：多類別分類（OK/NG/Type-A/Type-B）
- ViDi Read：複雜字符 OCR（雷射打標、針點 DPM）
VSK 提供的 ViDi 導入服務
ViDi 不是「下載 App 即可用」。需要：(1) 樣本準備與標註 (2) 訓練集設計 (3) 上線後 fine-tune (4) 與廠內 ERP / MES 系統介接由整合方完成。VSK 提供完整 ViDi 導入服務。
傳統規則 vs ViDi：實戰場景對照
| 場景 | 建議方案 | 原因 |
|---|---|---|
| 尺寸量測（μm 級） | 傳統規則 | PatMax / sub-pixel 已具備穩定 sub-pixel 精度 |
| 標準條碼 / QR 讀取 | 傳統規則 | 1DMax / 2DMax 規則式解碼已成熟 |
| 標準字符 OCR（清晰噴印） | 傳統規則 | OCRMax 內建字符模型，免訓練 |
| 缺料 / 缺件（簡單） | 兩者皆可 | 規則式靠 ROI；ViDi Analyze 處理多樣品變異更穩定 |
| 紋理 / 鑄造表面瑕疵 | ViDi Analyze | 瑕疵形狀無規則、規則式難以列舉 |
| 針點 DPM / 雷射打標 OCR | ViDi Read | 低對比、字符形變大，深度學習穩定 |
| 多類別 OK/NG 分類 | ViDi Classify | 同一張影像區分多類 NG 種類 |
| 無樣本但需立即上線 | Edge Learning | In-Sight 2800 內建免訓練即用工具 |
ViDi 樣本準備與訓練流程
- 樣本範圍規劃：列出 OK / NG 類別、邊界樣品（極輕微 / 極嚴重 NG）、光源變異（晨間 / 夜間 / 補光燈強弱）。
- 樣本數量目標：依任務複雜度 50-500 張，紋理瑕疵與多類別 OCR 通常需較多。Edge Learning 入門僅需 10-50 張。
- 標註工作：使用 VisionPro ViDi Suite 或 In-Sight Vision Suite 框選 ROI、標記類別、標記異常區域。
- 訓練 + 驗證：訓練集 / 驗證集 / 測試集分割（通常 70 / 15 / 15）；多輪 hyperparameter 調整。
- 上線部署：模型轉檔部署至 D900 / In-Sight 系列或 VisionPro PC 站。
- 持續 fine-tune：上線後若遇新批次變異，補拍樣本再訓練即可。
深度學習導入常見誤區
- 「AI 萬能」迷思：尺寸量測、條碼、標準 OCR 用規則式更穩定、調試更快、無需訓練。
- 樣本不足就訓練：少於 30 張易過擬合（overfit），上線後遇到新變異即失準。
- 沒收邊界樣本：訓練只收「明顯 OK / 明顯 NG」，邊界灰色帶在產線會大量誤判。
- 光源不穩：訓練時光源條件與產線不一致是 AI 失準的最常見原因，建議產線先架設穩定光源再開始樣本收集。
- 沒準備重訓計畫：產品改版、製程變更後模型需重新訓練，建議專案規劃中保留樣本管理 SOP。
混合架構：規則 + AI 並用
實戰中最穩定的並非「全規則」或「全 AI」，而是規則式工具做定位 + AI 工具做分類 / 瑕疵：
- PatMax 定位工件（角度、位置）→ ROI 切割 → ViDi Analyze 看瑕疵 → ViDi Classify 分類嚴重度。
- OCRMax 先讀清晰字符 → 失敗時 fallback 到 ViDi Read（複雜雷射打標）。
- 3D L38 線雷射量高度 → AI 工具讀凹凸面字符（高度資訊輔助 OCR）。
這種「規則做穩定面、AI 做變異面」的架構，可在不增加計算負擔下大幅提升整體穩定性。VSK 工程師於 POC 階段會評估最合適的工具組合。
📞 +886 2-8809-3200 📧 [email protected] 預約 ViDi POC / 我要詢價
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
延伸閱讀
本文涉及之 機器視覺、視覺檢測、AOI、AI 視覺、瑕疵檢測相關方案，VSK 威視康可依現場提供 Cognex 設備選型建議；若需與 KEYENCE 基恩斯方案對比，亦提供完整對照與選型建議。工業自動化、智慧製造、製程改善導入請來電 +886 2-8809-3200。
