TL;DR · 一分鐘看懂本案
- 場景：IATF 16949 + VDA 6.3 認證汽車製造廠（燃油車 / 混合動力 / 純電動車），沖壓 / 焊接 / 塗裝 / 組裝四大製程 AI 視覺檢測
- 痛點：傳統規則式 AOI 漏判率 3-5%、新車型導入週期 6-12 個月、EV 新零件缺乏歷史 dataset、人工目檢一致性不足
- 方案：Cognex 機器視覺平台 + ViDi 進階 AI + Edge Learning 快速 AI + PatMax 幾何對位，依四大製程選配對應演算法
- 關鍵成效：檢測準確率 88-92% → 99.0-99.5%、新車型導入時間縮短 60-80%、主機廠 PPM < 25、客訴消除 85%
- 關鍵決策點：四大製程瑕疵型態不同、AI 工具混用而非單押；EV 新零件 ViDi Analyze unsupervised 起步，累積樣本再轉 supervised
ℹ 資料說明：本案例 A 廠 / B 廠等為代號標示，KPI 數字為類似專案的典型成效範圍，實際依專案有所差異；資料來源：VSK 內部 POC 紀錄與 Cognex 全球案例庫。如需細部資料，請聯絡 VSK 業務。
客戶背景
A 廠（汽車整車廠 / Tier 1 零件廠）：IATF 16949 + VDA 6.3 認證的整車製造或 Tier 1 廠，產品涵蓋燃油車、混合動力車、純電動車三世代。產線特性涵蓋沖壓 60-120 件/分、焊接 30-60 件/分、塗裝 30-60 件/分、組裝 30-60 件/分；三班制運轉、年產量數十萬至百萬輛級。品質壓力包含主機廠對 PPM（Parts Per Million，每百萬件不良）要求嚴格、新車型導入週期短、EV 轉型期新零件爆量、人工目檢無法跟上節拍。法規 / 規範要求涵蓋 IATF 16949 汽車品質管理體系、VDA 6.3 製程稽核、ISO 9001 § 8.5.2、PPAP 樣品認可、APQP 先期品質規劃。
汽車四大製程 AI 視覺檢測的核心需求：
- 沖壓製程：板金裂紋 / 起皺 / 模具磨損瑕疵
- 焊接製程：焊道高度 / 孔洞 / 起鬚 / 焊穿
- 塗裝製程：塗料異物 / 流痕 / 漏漆 / 色差
- 組裝製程：螺絲鎖附 / 線束走向 / 標籤位置 / 零件缺漏
- EV 新零件：電池模組 / e-Motor / Inverter 缺乏歷史 dataset，需少樣本快速導入
傳統規則式 AOI 對變異性瑕疵漏判率 3-5%、新車型導入 6-12 個月才能上線、EV 新零件無歷史影像可參考；需要 AI 視覺 + 多工具混用方案。
系統配置
本案採用 Cognex 機器視覺平台（VisionPro + ViDi + Edge Learning + PatMax）整合汽車四大製程，依製程選配對應演算法，完整配置如下：
- 視覺主機：Cognex In-Sight 3800（smart camera 內建 ViDi EL Vision Suite）/ VisionPro PC 平台 + ViDi 完整版（依站位算力需求選配）
- 3D 量測站：In-Sight L38（3D 雷射位移）+ PC + VisionPro 9.22+（焊道高度 / Flush and Gap）
- 光學設計：沖壓用環形光抓表面紋理；焊接用 HDR Multi-exposure 抓焊道高反光；塗裝用同軸光 + 偏振抑制鏡面；組裝用條形光抓螺絲深度
- 通訊介面：PROFINET / Ethernet/IP / Modbus TCP / OPC UA，與產線 PLC / MES 整合
- 影像追溯：NG 影像 + AI 模型版本 + 操作員 + 批號自動歸檔，符合 IATF 16949 / VDA 6.3 audit 要求
AI 工具混用對應四大製程：
- 沖壓站：PatMax 對位 + ViDi Analyze 異常檢測（裂紋 / 起皺）
- 焊接站：L38 3D 量測（焊道高度）+ ViDi Classify 分類（孔洞 / 起鬚 / 焊穿）
- 塗裝站：ViDi Analyze 異物檢測 + Classify 色差分類
- 組裝站:PatMax 螺絲位置 + Edge Learning 標籤 / 線束分類（樣本 5-30 張快速上線）
商業價值
- 檢測準確率躍升：傳統 AOI 88-92% → ViDi AI 99.0-99.5%（+7-11.5 pp）
- 新車型導入加速:傳統 6-12 個月 → Edge Learning / ViDi 4-8 週，縮短 60-80%
- 主機廠 PPM 達標:100-300 PPM → < 25 PPM，下降 75% 以上
- 客訴件數消除:< 1 件/季，PPAP 過件率提升
- ROI 回收:依產線複雜度與整合範圍而定，可依您的實際數據提供試算依據
汽車四大製程 AI 視覺的失敗模式分析
汽車四大製程導入 AI 視覺常見的失敗模式可歸為四類。第一，單押一種 AI 工具 — 沖壓 / 焊接 / 塗裝 / 組裝瑕疵型態完全不同，全廠統一用 ViDi 反而效率低；應依站位混用 PatMax + Edge Learning + ViDi。第二，EV 新零件樣本不足過擬合 — NPI 階段 NG 樣本少，ViDi 容易過度學習單一瑕疵；以 OK 樣本為主的 unsupervised Analyze 模式起步，累積 NG 樣本再轉 supervised。第三，光學配置與製程不匹配 — 沖壓的環形光放到焊接站會曝過頭，POC 階段必須以實機樣品逐站驗證。第四，AI 模型版本與 MES 整合缺失 — 重訓練後沒留版本、沒回傳 MES 造成 audit trail 斷鏈；需在系統規格書中明定 AI 模型版本管理流程。
降低失誤的工程實務：四大製程分階段導入（先沖壓 / 焊接，再塗裝 / 組裝）；POC 階段收齊邊界樣品；AI 模型版本 + MES 整合 SOP 入規格書。
為什麼選擇 Cognex PSI 系統整合商
汽車 AI 視覺的成敗，遠超過「相機規格表上的數字」。VSK 威視康累積在台灣汽車 / 製藥 / 製造業 10 年以上的整合經驗中，反覆觀察到三個關鍵失敗點：第一，全廠統一用單一 AI 工具，沒依製程混用造成效率損失。第二，光源沒有 over-design 餘量，原料批次或產線環境變化後檢測能力斷崖。第三，視覺與機構 / PLC / MES 分工模糊，整合期吵架。Cognex PSI 認證的訓練重點，正是上述三項。
導入後的服務模式：VSK 設備保固 1 年（自出貨日起算），教育訓練依專案客製。
相關常見問題（連到完整解析）
- 機器視覺方案投資成本？ — 設備、整合、ROI 試算指引
- Cognex 視覺系統導入要多久？ — 2-12 週分階段時程詳解
- VSK 設備保固與服務範圍？ — 保固 1 年、原廠送修、技術支援細節
- 視覺系統 PLC 整合？ — PROFINET / EtherNet/IP / Modbus / OPC UA 通訊配置
與威視康技術團隊聯繫
👉 您的視覺檢測需求由威視康技術團隊接手｜電話 +886 2-8809-3200｜線上聯絡｜查看完整 Cognex 產品線
延伸閱讀
本案例涉及之 汽車 AI 視覺驅動製造品質、Cognex VisionPro ViDi + Edge Learning + PatMax、沖壓 / 焊接 / 塗裝 / 組裝四大製程、IATF 16949 + VDA 6.3 audit、PPM 控管相關方案，VSK 威視康可依現場提供 Cognex 設備選型建議。汽車 AI 視覺檢測導入請來電 +886 2-8809-3200。
