機器視覺的用途是什麼
每一項應用都有相同的形態：相機擷取一張影像，軟體加以分析，系統則以足夠快的速度做出判定，得以在產線上即時採取動作。改變的只是零件、瑕疵與照明。同一套技術，在 我們的機器視覺系統指南 中有詳細說明，能涵蓋下列每一項任務。
依任務
依檢測任務分類的應用
多數機器視覺應用歸結起來都是少數幾項工作，在各產業中反覆出現。為任務命名是第一步，因為它決定了相機、照明，以及究竟是固定規則還是 AI 更適合。以下這十二項涵蓋了工廠現場絕大多數的部署。
依產業
依產業分類的應用
每個產業都帶來各自的零件、瑕疵、公差與標準，從汽車飾條的外觀處理，到食品與飲料的填充精準度，再到製藥的批號與日期碼。底層的視覺技術始終如一。改變的是訓練資料與允收標準。以下是 Overview 目前在生產中運行的領域。
實證
看它捕捉真實的瑕疵
同一套平台跨產業檢測真實零件。綠色代表合格，紅色代表標記出的瑕疵。
兩項應用，從頭到尾完整呈現
上述任務是基本元件。在實務上，它們會組合成單一工位的單一檢查。以下是其中兩項最常見的應用在真實產線上的樣貌，從相機看到什麼，到系統在零件移動前所做的判定。
從何處著手
機器視覺最先在哪裡見效
你不必一次就把每一項檢測都自動化。最快的回報通常來自單一工位，那裡的瑕疵代價高昂、發生頻率高到值得處理，且在產線速度下難以由人持續一致地捕捉。先在那裡證明成效，再加以擴展。
會漏失的瑕疵
任何會演變成退貨、保固索賠或召回的問題，都值得在源頭捕捉。單一一次漏失的代價，往往就足以支付一個工位的成本。
會漂移的人工檢查
人工檢測員在一個班次裡會疲勞，彼此之間也會出現分歧。視覺系統則對每一個零件、每一個循環、全天候套用相同的標準。
最終檢測的瓶頸
若最後一道品質檢查是產線上最慢的步驟，將它自動化便能提升其上游所有環節的產出。
一旦一個工位開始運行、資料開始流動，第二與第三項應用就會輕鬆許多，因為你的團隊已經熟悉工作流程並信任其結果。關於那第一個專案背後的數字，請參閱 為 AI 視覺檢測建立投資效益論證。
改變了什麼
AI 打開了那些棘手的應用
規則式視覺數十年來處理了乾淨、可預測的檢測。深度學習則補上了過去需要靠人的案例：外觀瑕疵、多變表面，以及難以用固定規則應付的零件。透過 Overview，您的團隊可在瀏覽器中以範例影像訓練那些應用。
外觀瑕疵
大小、形狀與位置各不相同的刮傷與瑕點。
多變表面
反光、有紋理或天然的材質，會讓固定門檻失效。
罕見瑕疵
太少見而難以編寫程式的失效類型，可用合成資料訓練。
眾多製造商在生產中使用 Overview AI
眾多製造商在生產中使用 Overview AI
常見問題
常見問題
機器視覺的主要應用有哪些？
最常見的機器視覺應用包括瑕疵與表面檢測、組裝與存在性驗證、尺寸量測與量規、讀碼與字元辨識（OCR、條碼、日期與批號）、焊接與接合檢測，以及分揀。同一套以相機為基礎的技術，依任務設定後即可涵蓋上述所有應用。
機器視覺在製造業中用於哪些地方？
機器視覺廣泛應用於汽車、電子與半導體、醫療器材與製藥、食品與飲料、包裝與物流、航太等領域。只要有零件在產線上移動且品質至關重要，視覺系統就能以產線速度全檢每一個單元。
機器視覺應用有哪些範例？
一個常見的範例是汽車產線上的最終組裝驗證：相機在單元往下流動前，確認每一個扣件、緊固件與連接器都存在且正確就位。另一個例子是製藥的泡殼包裝檢測，視覺會在封口前檢查每一個孔穴都裝有完整的藥錠。
機器視覺應用與 AI 視覺應用有什麼差別？
傳統的機器視覺應用使用設定好的規則與量測，適合可預測的零件與精準的量規。AI 視覺應用則使用以範例影像訓練的深度學習，適合外觀瑕疵、多變表面，以及難以用規則描述的零件。許多產線會同時結合兩者。
一套視覺系統能處理多種應用嗎？
可以。單一套現代 AI 視覺系統能在同一工位執行多項檢測任務，例如在同一張影像中同時檢查存在性、表面瑕疵與一個印刷編碼。Overview 系統雖按應用分別訓練，但都在同一台一體式相機上運行。