一句話：燈光 > 演算法 > 機構
VSK 經驗：穩定度的影響大致依「燈光 + 鏡頭 → 演算法 → 機構」遞減，具體權重依應用而異：
| 環節 | 影響程度 |
|---|---|
| 燈光 + 鏡頭 | 最大 |
| 演算法 | 中 |
| 機構（穩定性） | 較小（但不可忽略） |
多數客戶把資源花在演算法調參數，但根本問題在燈光。
提升準確率 5 大層級（影響由大到小）
Level 1：燈光鏡頭基礎
- 選對光源類型（同軸 / 穹頂 / 背光 / Strobe）
- 解決反光 / 過暗 / 對比不足
- 鏡頭對焦準、適當光圈
- DOF 足夠涵蓋工件高低差
Level 2：演算法選對
- 條碼 → DataMan + 1DMax（含 Hotbars）/ 2DMax（含 PowerGrid）+ HDR+
- OCR → ViDi EL Read（IS2800 / 3800）/ OCRMax（IS7000 / 8000 / 9000 + VisionPro）/ Edge Learning AI
- 量測 → PatMax + Caliper + sub-pixel
- 瑕疵 → Blob Analysis 或 ViDi AI
Level 3：訓練樣本充足
- AI 場景樣本數依工具而定，需涵蓋變異
- 規則式工具：手動訓練 OK + 邊界 NG 樣本
- 包含「偶發場景」（如環境光變化、輕微髒污）
Level 4：機構穩定
- 相機固定不振動
- 工件位置容差設計
- Trigger 訊號穩定（用編碼器替光電開關）
Level 5：監控與微調
- VisionView 即時統計 NG 趨勢
- 定期審視 NG 影像
- 季度校驗、微調參數
不同應用準確率討論
不同應用、不同條件下能達到的讀取率 / 檢測率差異極大。規則式條碼 / 量測通常可做到很高的讀取率；AI 瑕疵分類則受樣本多樣性影響較大。
注意：AI 場景準確率有自然上限（取決於樣本與變異），追求極高準確率時建議搭配人工複檢機制。具體數字以您工件樣品試打結果為準。
達不到 99% 的 5 大原因
| 原因 | 解法 |
|---|---|
| 燈光不穩定（光源閃爍 / 老化） | 換工業 LED + Strobe 同步 |
| 工件變異太大（超出規格） | 機構端嚴格管控 / 改 AI 演算法 |
| 演算法不適合（規則式處理 AI 場景） | 換 ViDi / Edge Learning |
| 樣本訓練不足 | 補收涵蓋變異的樣本 |
| 機構振動 / 偏移 | 機構加強剛性 / 編碼器觸發 |
工程師常見問題
Q：客戶要求 100% 怎麼辦？
A：實務上任何視覺系統都有極微小的失敗率。建議搭配：
- NG 複檢機制（疑似 NG 分流 → 人工複檢）
- 影像保存供 audit 追溯
- 持續優化參數 具體可達成的準確率須以實際樣品試打結果為準。
Q：AI 準確率為何上不到 99%？
A：AI 仰賴訓練樣本。沒見過的變異樣本可能導致誤判。具體可達準確率以實際樣品試打為準。
Q：怎麼算「準確率」？
A：兩種定義（要釐清）：
- 召回率 Recall = 真 NG 被抓到的比例（生產關心）
- 精確率 Precision = 判 NG 中真 NG 的比例（避免誤判生產）
兩者衝突 — 過嚴 Recall 高但 Precision 低（誤判多）。VSK 工程師依您場景平衡。
Q：能保證準確率嗎？
A：VSK 提供樣品試打 + 數據報告，列出實測結果做為選型參考。實際量產準確率須以您現場條件再次驗證。