質量工程師無需視覺專家也能搭建 AI 檢測嗎？

可以，質量工程師無需先成為機器視覺專家，也能主導 AI 檢測專案。 最佳起點是對零件的瞭解：缺陷是什麼樣、允許哪些變化，以及從何處能穩定看到所需特徵。

在 Mansfield Engineered Components，一位此前缺少視覺相機經驗的質量工程師使用 OV Spark 建立了線末檢測。該應用檢查鉸鏈裝配特徵，替代之前依賴操作員目視檢查的流程。這說明工藝專家可以主導首個視覺專案，但不代表每項應用所需工作量都相同。

MEC 檢測工站發生了哪些變化

檢測將零件對齊與墊圈、銷等裝配特徵檢查相結合。缺少墊圈是反覆出現的問題，團隊使用相機工具檢查裝配。工站還透過 AI Trigger 拍攝零件，無需獨立的外部觸發感測器。

關鍵成果是一套執行中的生產應用。隨後團隊將 Spark 用於兩條產線。可閱讀 OV Spark 釋出故事中的 MEC 生產案例 瞭解客戶經歷。移動應用後，仍需在新位置檢查成像並重新驗證。

先明確決策，再選擇工具

開啟配方編輯器之前，先用清楚的語言寫下合格判定要求。四個墊圈全部在位是一項決策，使用 AI 則不是。如果要求涉及尺寸、程式碼讀取或表面缺陷，應先定義團隊認可的合格結果。

然後讓相機看到決策兩側的樣本。僅有一個完美合格件並不充分。應包括表面、位置和材料批次的正常變化，以及接近驗收邊界的缺陷，為選工具和評估表現建立現實基礎。

Sparky 能在哪些環節提供幫助

Sparky 是 Spark 和 Spark Pro 內建的 AI 智慧體，可協助選擇檢測工具、配置配方、解答相機問題，並瀏覽已儲存的檢測影象和結果。幫助就在實際操作的控制介面旁。

智慧體協助搭建檢測的人。生產決策由已配置的檢測工具執行，對話不替代這些工具。Sparky 的寫入操作需要批准。團隊仍負責影象、訓練樣本、決策規則和經驗證的生產配置。

首個專案的實用步驟

1. 讓特徵清晰可見。 確定視野、零件位置、對焦、曝光和照明，檢查最難識別的合格件和最小相關缺陷。
2. 建立檢測。 使用適當的 AI 和規則工具，將結果組合成預期的合格判定。首個配方應圍繞清晰的要求。
3. 測試未參與配置的樣本。 保留部分零件和影象供獨立測試，檢查誤剔除和漏檢，尤其是臨界樣本與允許的變化。
4. 整合響應。 與控制負責人確認觸發、PLC 結果、零件跟蹤和可用決策時間。
5. 在產線上驗證。 以生產速度執行完整工站，明確結果缺失或延遲時的處理方式，並培訓使用人員。

這些是不同的工作。儲存影象上的配方表現良好，仍可能因運動模糊、觸發延遲，或剔除訊號對應到下一件零件而在生產中失敗。

何時應儘早請專家參與

若特徵難以成像、缺陷相對視野極小、零件高度或朝向變化，或決策時間很緊，應儘早尋求幫助。反光表面、多視角和尺寸驗收要求也可能需要光學或控制評審。

目標是讓工藝專家在適當支援下主導專案。簡單的缺件檢查與困難的表面計量應用不應被描述成同一類任務。

讓檢測易於維護

記錄經驗證的配方和成像設定，保留代表性測試集，明確變更批准人。培訓各班次理解失敗影象，並知道何時升級處理，而不是隨意改閾值。每次更新配方後重新執行測試集。

首個專案可帶上零件和要求，與 Overview 工程師討論。我們將協助選擇可控的起始應用，並在相機承擔生產決策前商定必要的驗證證據。