製造業 AI 品檢評估：瑕疵定義、分數門檻與產線介面

AI 品檢規劃先確認產品、瑕疵、影像取得與結果用途。是離線複判、提醒人員，還是影響設備動作？不同用途需要不同的資料、接受證據和權限，不必一開始就取代既有檢測設備。

以下以假設的產品表面檢查說明評估順序，沒有客戶產線或良率成果。先建立現有方法的基準，再決定要比較哪些選項。

AOI 是檢測類別，不是固定演算法

自動光學檢測（AOI）可以採用不同方法。OMRON 的官方 AOI 產品描述包含 AI 能力，足以說明 AOI 並不等於規則比對。該描述不是本案的性能證據，也不表示需要更換特定設備。

這些方法可以單獨或組合評估，不由名稱推論速度、成本或上限。既有設備若使用規則，應描述那一套設備，而不是把所有 AOI 都歸為規則系統。

定義瑕疵類別、嚴重程度、可接受變異與爭議處理。留住來源、產品、批次、設備、光源及標註版本，確認影像可用與使用權利。檢驗員意見不同時，先處理判定依據，再把資料當成參考答案。

MVTec AD 的官方研究資料集展示以無瑕疵影像訓練、以正常與異常影像評估的設定。這是一種研究選項，不支持每種瑕疵都必須固定數量標註，也不證明無瑕疵訓練可以直接通過產線接受。

開發、門檻調整與保留評估資料應分開，查看代表性產品、瑕疵及不同批次條件。資料增強或合成缺陷可研究，不能代替真實重要瑕疵的接受證據。資料集的使用條件也需核對，不把研究引用當成商用訓練授權。

scikit-learn 的官方門檻指南區分分數、類別判斷與採取動作，並要求依任務選擇評估指標。這裡明確採用「瑕疵為正類，score ≥ cutoff 判為瑕疵」的規則。

在相同樣本與分數下，提高 cutoff，判為瑕疵的樣本不會增加：誤報數不會增加，漏檢數不會減少。降低 cutoff 則方向相反。若分數代表良品，或比較方式不同，必須重新說明；precision 也不保證隨門檻單調提高。

由品質與產線負責人確認重要錯誤、可接受限制及複判能力。不要依產業名稱套用通用取捨，或只從一張 precision-recall 曲線推論每日工作量。

數量、比例與工作量分開記錄；稀少瑕疵不能被大量容易樣本的平均數掩蓋。

量測拍攝、前處理、推論、通訊、覆核與必要動作的完整路徑，包括排隊、併發及元件失效。產線吞吐量不直接決定單一推論必須多少毫秒；光源或治具變動也應測試，而不是預設所有結果一定失效。

若要回寫 MES 或控制設備，確認實際介面、產品／批次關聯、允許動作、確認回覆、重複處理及安全接手。自動剔除不必是每個試行的必要條件，受監督離線複判也可以是明確範圍。

人員回饋先覆核和版本化，再評估是否加入訓練。更新後重新查看受影響樣本，約定發布、停止與復原；不把回饋直接送進即時模型，或保證良率自動提高。NIST AI 風險管理框架可支持生命週期評估，不是機械安全認證。

現有製造業服務範圍以實際樣本、錯誤限制與介面評估為起點。另看Copilot 採用量測，分開處理知識工作使用、品質及營運責任。