AI 模型再好，影像不清楚也無法正確判斷。本文整理工業視覺取像的四個關鍵：光源打光、相機快門、鏡頭參數與解析度計算，並附上解析度的反推方法。
導入 AI 瑕疵檢測時，大家通常把注意力放在模型上。但在實務上，影像品質往往比模型本身更影響結果。
Garbage in, garbage out：如果瑕疵在影像裡根本看不清楚，再好的 AI 也判斷不出來。以下整理工業視覺取像的四個關鍵。
一、光源：視覺系統的靈魂
正確的打光能消除背景雜訊，把瑕疵的對比度拉到最大。最基礎的兩種策略：
明視野（Bright Field） 光源從高角度照射，光線直接反射進相機。適合檢查物體輪廓、平整表面，以及零件「有沒有」。
暗視野（Dark Field） 光源從極低角度照射。平整表面在影像中呈現暗色，但只要表面有刮痕或微小刻印，光線就會散射進鏡頭，讓瑕疵變成高亮，非常容易辨識。
面對金屬反光或油污等難題，還可以搭配同軸光、低角度光或偏光鏡，直接從物理層面減少誤判來源。
二、相機快門：拍的是動態還是靜態？
全域快門（Global Shutter） 所有像素在同一時間曝光與讀取。拍攝移動中的物體，影像依然清晰、邊緣不變形，是**高速產線、邊拍邊走（On-the-fly）**的首選。
捲簾快門（Rolling Shutter） 感光元件逐行曝光讀取。拍攝高速移動的物件時，會產生幾何扭曲（果凍效應）；影像特徵一旦扭曲，AI 就可能無法正確辨識，甚至大量誤判。比較適合**停下來再拍（Stop-and-go）**的靜態取像。
三、鏡頭：在空間與精度之間取得平衡
鏡頭負責把光線無失真地聚焦到感光元件上。選鏡頭時，要看三個核心參數：
| 參數 | 意義 | 實務考量 |
|---|---|---|
| 視野 FOV（Field of View） | 相機能拍到的實際範圍 | 要比待測物稍大，預留機構定位誤差的空間 |
| 工作距離 WD（Working Distance） | 鏡頭前端到待測物的距離 | 要配合機台內部空間與光源的安裝位置 |
| 景深 DOF（Depth of Field） | 待測物上下移動時，仍保持清晰的範圍 | 待測物有高低差時，縮小光圈可增加景深 |
四、解析度：用瑕疵大小反推相機規格
AI 模型要穩定辨識瑕疵，最小的目標瑕疵在影像中至少要佔 3–5 個像素。所以相機解析度不是越高越好，而是從瑕疵大小反推：
步驟一：計算需要的空間解析度（Spatial Resolution） 空間解析度 = 最小瑕疵尺寸 ÷ 每個瑕疵要佔的像素數（3–5）
空間解析度代表影像中「一個像素對應到的實際尺寸」，數值越小，能看到的細節越細。
步驟二：推導感光元件的像素數 所需像素數 = 視野寬度 ÷ 空間解析度
舉例：視野寬 100 mm，最小瑕疵 0.2 mm，希望佔 4 個像素。 空間解析度 = 0.2 ÷ 4 = 0.05 mm／像素 所需像素數 = 100 ÷ 0.05 = 2,000 像素 因此相機的水平解析度至少要 2,000 像素以上。
解析度過低，瑕疵太小認不出來；解析度過高，影像資料量變大，推論速度變慢，邊緣運算裝置的成本也跟著上升。從瑕疵大小反推，才能在精度與成本之間取得平衡。
取像前也別忘了物理處理
有時候問題不在相機，而在待測物本身。例如表面有灰塵、油污或水痕，就很容易被誤判為瑕疵。在取像前增加吹氣、除油、除塵等前處理站，常常比調整模型更有效。
結語
好的 AI 檢測，從好的影像開始。光源、快門、鏡頭、解析度這四個環節，每一個都會影響最後的檢出率與過殺率（可參考〈AI 檢測準確度 98% 為什麼可能是陷阱？〉）。淩琦科技的 AI 視覺檢測系統，會先評估現場條件與瑕疵特性，再設計合適的取像架構。歡迎提供樣品，讓工程師協助評估。