跳到主要內容
VSK 威視康 — Cognex 官方授權 PSI 系統整合商
汽車 2018/12/19

Cognex In-Sight 2800 - 汽車馬達外殼金屬記號 OCR 辨識 案例

影像感測器|汽車產業|金屬馬達外殼記號 OCR

COGNEX IN SIGHT 2800 應用於汽車產業產線視覺檢測,協助達成品質追溯、降低召回風險、提升檢出率與產能釋放。

KEY RESULTS · 關鍵成效

OCR 辨識率

導入前

85-92%(規則式 OCR)

導入後

99.5%+(Edge Learning)

+7.5-14.5 pp

下游 MES 追溯失敗率

導入前

8-15%(漏判)

導入後

< 0.5%

降低 95%+

AI 模型開發時間

導入前

2-4 週(規則式)

導入後

1-2 天(Edge Learning)

縮短 90%

主機廠客訴

導入前

3-5 件/季

導入後

< 1 件/季

消除 80%+

PHOTO · 應用情境照片

應用情境照片

Cognex In-Sight 2800 - 汽車馬達外殼金屬記號 OCR 辨識 案例

📷 應用情境照片(同類應用參考,非本案實機影像)

CHALLENGE · 產線挑戰

汽車馬達外殼鑄造後以雷射 / 噴墨打標序號 / 規格碼,但金屬鑄件表面反光不均 + 字體變異(不同打標機 / 不同批次 / 表面氧化)讓傳統規則式 OCR 漏判率 8-15%,下游 MES 追溯系統失效;主機廠對序號追溯 100% 要求,無法接受漏判。

SOLUTION · 應用方案

Cognex In-Sight 2800(內建 ViDi EL Vision Suite Edge Learning AI)配合 HDR Multi-exposure 處理金屬反光、5-30 張樣本訓練即可達 99.5%+ 辨識率;EasyBuilder 開發環境讓現場工程師無需 AI 背景即可上線;NG 影像自動歸檔含批號、時間、操作員,符合 IATF 16949 追溯要求。

RESULT · 導入成果

  • OCR 辨識率:99.5%+(Edge Learning)(+7.5-14.5 pp)
  • 下游 MES 追溯失敗率:< 0.5%(降低 95%+)
  • AI 模型開發時間:1-2 天(Edge Learning)(縮短 90%)
  • 主機廠客訴:< 1 件/季(消除 80%+)

TL;DR · 一分鐘看懂本案

  • 場景:IATF 16949 認證汽車馬達外殼 Tier 1 廠,鑄造後雷射 / 噴墨打標序號 / 規格碼 OCR 辨識
  • 痛點:金屬鑄件反光不均 + 字體變異大、傳統規則式 OCR 漏判率 8-15%、下游 MES 追溯系統失效、主機廠客訴頻發
  • 方案:Cognex In-Sight 2800(內建 ViDi EL Vision Suite Edge Learning AI)+ HDR Multi-exposure + EasyBuilder 開發環境
  • 關鍵成效:OCR 辨識率 85-92% → 99.5%+、追溯失敗率降 95%+、AI 模型開發時間 2-4 週 → 1-2 天、客訴消除 80%+
  • 關鍵決策點:金屬鑄件 OCR 必用 Edge Learning AI(規則式撐不住變異);HDR + 偏振光必做;POC 階段須以氧化 / 油污樣品驗證

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 In-Sight 2800 datasheet。如需細部資料,請聯絡 VSK 業務

客戶背景

A 廠(汽車馬達 / 動力總成零件業):IATF 16949 認證的 Tier 1 / Tier 2 零件廠,主要產品涵蓋汽車起動馬達、雨刷馬達、電動座椅馬達、EV 驅動馬達外殼。產線特性 200-1,500 件/小時,鑄造站 → 加工站 → 打標站 → 組裝站串連;三班制運轉、年均產量數百萬件等級。品質壓力包含主機廠對序號追溯 100% 要求、漏判即客訴、AI 開發週期被壓縮。法規 / 規範要求涵蓋 IATF 16949 汽車品質管理體系、ISO 9001 § 8.5.2 標示與可追溯性、PPAP 樣品認可。

金屬馬達外殼記號 OCR 辨識的核心需求:

  • 雷射打標序號:每件唯一序號(10-20 字元數字 / 字母混合)
  • 噴墨打標規格碼:批號 / 製造日期 / 規格代碼
  • 反光不均:金屬鑄件表面有局部過曝 / 暗區
  • 字體變異:不同打標機 / 不同批次 / 氧化後字形差異
  • 產線節拍:200-1,500 件/小時,OCR 必須即時不卡產線

傳統規則式 OCR 漏判率 8-15%、下游 MES 追溯系統失效;需要 Edge Learning AI 處理金屬鑄件記號變異性。

系統配置

本案採用 Cognex In-Sight 2800 一體機(內建 Edge Learning)整合金屬鑄件 OCR 站,完整配置如下:

  • 視覺主機:Cognex In-Sight 2800(1.6 / 2.3 MP smart camera + 內建 ViDi EL Vision Suite Edge Learning)
  • 光學設計:同軸光抑制金屬鏡面反光 + 偏振片 + HDR Multi-exposure 高動態範圍曝光
  • 內建 LED:In-Sight 2800 內建 3 LED 燈組(紅 / 白 / 藍可選),多色光源切換
  • 通訊介面:Ethernet/IP / PROFINET(需 license)/ Modbus TCP / TCP/IP,與產線 PLC 整合
  • 開發環境:Cognex EasyBuilder(圖形化拖拉,現場工程師無需 AI 背景即可上線)
  • 影像追溯:NG 影像 + OCR 辨識結果 + 信心分數 + 操作員 + 批號自動歸檔,符合 IATF 16949 audit 要求

Edge Learning OCR 演算法應用:

  • 樣本 5-30 張快速訓練:不同打標批次 / 氧化 / 油污樣品涵蓋變異
  • 訓練 1-2 天上線:vs 規則式 OCR 2-4 週調參,縮短 90%
  • 變異容忍度高:對字體變形 / 反光 / 對比不均容忍度遠優於規則式
  • 低算力可行:在 In-Sight 2800 smart camera 上直接運算,不需 PC + GPU

商業價值

  • OCR 辨識率躍升:規則式 85-92% → Edge Learning 99.5%+(+7.5-14.5 pp)
  • 追溯失敗率消除:8-15% → < 0.5%,下游 MES 系統穩定運作
  • AI 開發時間縮短:2-4 週 → 1-2 天,縮短 90%
  • 主機廠客訴消除:< 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

金屬鑄件 OCR 的失敗模式分析

金屬鑄件 OCR 常見的失敗模式可歸為四類。第一,硬上規則式 OCR — 規則式 OCRMax 對固定字體 / 高對比印刷效果好,但金屬鑄件字體變異大、規則式漏判率 8-15%;必須改用 Edge Learning AI。第二,光學配置沒做 POC — 金屬反光導致局部過曝 / 暗區,沒做 HDR + 偏振光 POC 驗證,辨識率不穩。第三,樣本涵蓋邊界不足 — 訓練樣本只收 OK 件,未涵蓋氧化 / 油污 / 不同打標批次邊界樣本,模型上線後辨識率斷崖。第四,打標機老化未察覺 — 雷射打標機長期使用後雷射衰減、字形改變,OCR 模型未跟進重訓練。

降低失誤的工程實務:金屬鑄件 OCR 必用 Edge Learning(不撐規則式);HDR + 偏振光必做 POC;樣本涵蓋邊界;每月複檢觸發重訓練。

為什麼選擇 Cognex PSI 系統整合商

金屬鑄件 OCR 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,硬上規則式 OCR 漏判失控。第二,光學配置(HDR + 偏振)沒做 POC,辨識率不穩。第三,視覺與打標機 / PLC 分工模糊。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)

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 汽車馬達外殼金屬記號 OCR 辨識、Cognex In-Sight 2800 內建 Edge Learning、HDR Multi-exposure、EasyBuilder 開發環境、IATF 16949 追溯相關方案,VSK 威視康可依現場提供 Cognex 設備選型建議。金屬鑄件 OCR 辨識導入請來電 +886 2-8809-3200。

PRODUCTS USED · 本案採用

本案採用的 Cognex 產品

FAQ · 客戶常見問題

關於這個案例的常見問題

傳統 OCR 為何抓不到金屬鑄件記號? +
傳統規則式 OCR(OCRMax / 模板比對)對固定字體 / 高對比印刷字效果好,但金屬鑄件雷射打標字體變異大(不同打標機 / 不同批次 / 表面氧化),且金屬反光造成局部過曝;漏判率 8-15%。需 Edge Learning AI 處理變異性。
Edge Learning 樣本要多少張? +
Cognex Edge Learning(搭載於 In-Sight 2800 / 3800 / D900)每類典型 5-10 張起步(依字體變異可增至 30-100 張),訓練 1-2 天即可上線;遠少於 ViDi 完整版需 200-1,000 張的門檻。
In-Sight 2800 與 3800 怎麼選? +
In-Sight 2800(1.6 / 2.3 MP,入門 Edge Learning,3 LED 燈組)— 小工件 / 低速產線 / 預算敏感;In-Sight 3800(5 MP,更強處理器 + High-Power Integrated Torch,更大 FOV)— 大工件 / 高速產線 / 複雜 AI。實際選型由 VSK 工程師依工件 / 節拍 / 預算評估,並以 datasheet 為準。
金屬反光 / 表面氧化 OCR 如何處理? +
金屬反光採同軸光 + 偏振 + HDR Multi-exposure 高動態範圍曝光;表面氧化採多曝光融合或調高雷射 ROI 對比度;Edge Learning AI 容忍字體變異。POC 階段須以實機樣品(含氧化 / 油污 / 不同打標批次)驗證辨識率。
IATF 16949 法規如何符合? +
Cognex 內建影像保存 + 時間戳記功能,可保留批號、時間、操作員、檢測值、辨識結果等 audit trail;協助達成 ISO 9001 § 8.5.2「標示與可追溯性」+ IATF 16949 § 8.5.2.1「Identification and traceability — supplemental」對汽車零件追溯紀錄的要求(紀錄保存期限依主機廠合約而定,常見 10-15 年)。
AI 模型未來會退化嗎? +
不會自動退化(Cognex Edge Learning 是離線模型)。但建議每月抽樣 100 件對照 AI 判斷,準確率低於門檻時補訓練。完整說明見 Edge Learning 詞彙頁
REFERENCES · 引用標準與規範

📚 案例引用標準

本案例涉及之國際 / 在地標準與規範(標準內容請洽各主管機關官方來源):

  • IATF 16949 汽車品質管理體系
YOUR APPLICATION?

想做類似的應用?

每個產線狀況不同。歡迎與工程師討論您的應用條件,可規劃對應的 Cognex 機型測試與可行性評估。