產品照片準備中
ASUS IoTASUS AISVision 2.0
AI 視覺工具，在現場訓練專屬辨識模型，快速部署到產線。
- 分類、分割、物件偵測、異常檢測
- 零程式碼影像標註與模型訓練
- 地端推論，資料不出廠
Edge AI 邊緣運算
Edge AI 邊緣運算解決方案
在設備端即時完成影像辨識與數據分析，不必把資料傳到雲端，兼顧反應速度與資料安全。
ASUS IoT 方案
AISVision 2.0 × AIEHS 2.0
淩琦科技提供 ASUS AI 方案的銷售與導入，具備實際導入經驗，負責現場部署、模型訓練與既有設備整合。
產品照片準備中
ASUS IoTASUS AIEHS 2.0
AI 智慧工安管理平台，即時辨識工安事件並通知相關人員。
- 煙霧、火焰、禁區闖入、防護裝備缺失
- 即時事件通知
- 事件紀錄與視覺化報表
能做到什麼
Edge AI 在工廠的應用
圖片準備中
AI 視覺檢測
以分類、分割、物件偵測與異常檢測模型，辨識瑕疵與作業狀態。
圖片準備中
智慧工安預警
即時辨識煙霧、火焰、禁區闖入與防護裝備缺失，並自動發送通知。
圖片準備中
事件通知與紀錄
整合警示燈、廣播系統，自動記錄異常事件，協助稽核與改善。
圖片準備中
AI 智慧修機指引
協助現場人員依異常狀況快速找到排除步驟，縮短停機時間。
圖片準備中
振動 AI 分析
在設備端分析振動訊號，及早發現旋轉設備異常。
為什麼選擇邊緣運算
分析在現場完成的好處
即時反應
推論在現場完成，低延遲，異常發生立即處理。
資料不出廠
影像與製程資料留在企業內網，保護核心機密。
現場快速部署
零程式碼訓練模型，依現場需求快速調整。
AI 視覺檢測
傳統 AOI 與 AI 深度學習瑕疵檢測的差異
兩者各有適用場景。規格固定、需精確量測尺寸時，傳統 AOI 仍是好選擇；瑕疵型態多變、背景複雜時，AI 更能發揮。
| 比較項目 | 傳統 AOI | AI 深度學習瑕疵檢測 |
|---|---|---|
| 判斷機制 | 規則式（Rule-based）與固定參數 | 類神經網路自主學習特徵並推論 |
| 最適用場景 | 少樣多量、規格固定、絕對尺寸量測 | 多樣少量（可搭配只需良品訓練的異常檢測）、非結構化瑕疵、背景複雜 |
| 誤殺（Overkill） | 易受光影干擾而偏高 | 容錯與環境適應力較佳 |
| 漏檢（Underkill） | 未定義過的瑕疵容易漏判 | 能捕捉複雜、非標準化的異常 |
| 換線與設定 | 需數天至數週重新調機與編寫程式 | 可透過遷移學習，在數小時至數天內完成 |
導入關鍵
好的 AI 檢測，從好的影像開始
Garbage in, garbage out。光學取像設計，往往比模型本身更影響結果。
光源設計
明視野適合輪廓與有無確認；暗視野能讓刮痕、微小刻印高亮顯現。
相機快門
高速產線選全域快門，避免移動物體變形；靜態拍攝可用捲簾快門。
鏡頭參數
依視野（FOV）、工作距離（WD）與景深（DOF），配合機台空間選鏡頭。
解析度
最小瑕疵在影像中需佔 3–5 個像素，AI 才能穩定辨識，並據此反推相機解析度。
驗收指標
別只看「準確度」
良率 98% 的產線，就算 AI 把所有產品都判良品，準確度也有 98%，但瑕疵全數流出。我們以更貼近產線的兩項指標驗收。
絕對不能漏
檢出率（Recall）
瑕疵被正確攔截的比例。致命瑕疵通常要求 99% 以上。
不浪費人力
過殺率（False Alarm Rate）
良品被誤判的比例。過高會讓人工複判站負荷暴增，一般以低於 5% 為目標。
瑕疵樣本不足？
瑕疵很少見，也能導入
異常檢測
只用大量良品訓練，影像偏離常態就判定異常，不必收集大量瑕疵。
資料生成與擴增
以生成式 AI 或旋轉、對比、雜訊等擴增方式，放大稀有瑕疵的訓練價值。
現場持續學習
產線上判定模糊的影像自動回傳再訓練，模型越用越準。
想在產線導入 AI？
告訴我們您想辨識的對象或場景，我們協助評估與規劃導入方案。