外觀瑕疵檢測為什麼導入產線困難？從三個技術特性談起

機器視覺涵蓋的題目很廣：2D尺寸量測、工件定位、字元辨識、物件追蹤。這些題目經過多年的發展，已經有成熟的方法與大量可選的方案。相較之下，外觀瑕疵檢測雖然需求最普遍，卻也是最常出現「上線後過度檢測、參數調不完、最後被關掉」的一類。

這篇文章主要是想整理一件事：外觀瑕疵檢測在技術上和其他視覺題目究竟差在哪裡。理解這些差異，會比較容易判斷一個方案適不適合自己的產線，也比較能和設備商、演算法供應商用同一套語言討論。

特性一：瑕疵沒有明確的定義

量測有明確的目標：長度 10.00 mm、公差 ±0.05 mm。定位也有：工件中心落在哪個座標、旋轉幾度。這些題目的「正確答案」可以用數字寫下來，演算法只需要盡可能準確地逼近它。

「刮傷」則不然。同樣稱為刮傷，可能是 0.1 mm 的髮絲紋，也可能是 2 mm 的明顯溝痕；可能在邊緣或中央；可能是直線或弧線。再加上縮水、流痕、髒污、色差、異物，每一類都有近乎無限的形態，而且同一條產線在不同時期出現的瑕疵樣貌也會改變。

這個特性決定了一件事：外觀瑕疵檢測沒有辦法像量測一樣，靠一組明確的規格來定義「什麼是對的」。它需要的是一種描述「什麼是不正常」的方式，而這件事在工程上比描述「什麼是正確」困難得多。

特性二：良品本身就有變異

第二個特性常常被低估。一條正常運作的產線，良品之間並不完全相同：射出件的表面光澤會隨模溫微幅變化，金屬件的加工紋路每一件都略有差異，布面與紙材的紋理本來就帶有隨機性。這些差異在品保眼中都是「正常」，但在影像上它們確實存在。

如果系統把某一件良品當成唯一的標準，任何偏離這個標準的正常變異都會被視為異常，這就是過度檢測最常見的來源。反過來，如果為了容忍這些變異而放寬條件，真正細微的瑕疵就跟著被放過。

所以外觀瑕疵檢測真正要處理的，不只是「找出瑕疵」，而是「在良品的正常變異範圍之內，分辨出超出範圍的部分」。這需要系統對良品的變異有某種程度的認識，而不只是對瑕疵有認識。

特性三：判斷需要能被解釋

第三個特性來自使用情境。當系統判定一件產品 NG，品保或製程人員通常會想知道原因：偏離在哪裡、程度多大、和良品差在什麼地方。這個答案會直接影響下一步：要不要調整門檻、要調多少、調整之後對漏檢與過檢的影響是什麼。

如果系統只能回答「異常機率 0.87」，這個討論就難以進行。不是因為數字不對，而是因為它無法對應到任何製程上可以操作的量。相較之下，若判斷可以拆解成「這個區域偏離了多少面積、色差多少」，品保就能拿著數字和製程討論可接受的範圍，也能針對不同區域設定不同的嚴格程度。

可解釋性在量測題目裡是理所當然的（量出來的數字本身就是解釋），在外觀瑕疵檢測裡卻需要刻意設計。

兩條主流路線，為什麼都沒有讓它變簡單

面對上述三個特性，業界目前主要有兩條技術路線，它們各自解決了一部分問題，但也各自留下了一部分。

規則式（Rule-based）影像處理。 由工程師針對每一種瑕疵定義特徵與閾值：面積大於多少、對比度超過多少、長寬比落在什麼範圍。這條路線的判斷完全透明、運算輕量，也不需要訓練資料，對「判斷需要能被解釋」這個特性回應得很好。但它直接撞上前兩個特性：瑕疵沒有明確定義，規則就永遠寫不完；良品本身有變異，固定閾值就無法區分正常差異與真正的瑕疵。實務上的結果是規則越加越多、每加一條就多一個誤判的機會，最後在過檢與漏檢之間反覆拉扯。

深度學習（Deep Learning）。 讓模型從大量已標註的瑕疵影像中自行學習特徵，不再需要人工寫規則，對形態多變的瑕疵有很強的辨識能力，也是目前研究與應用最活躍的方向。它在第一個特性上前進了一大步，卻在另外兩個特性上遇到新的門檻：因為瑕疵形態無限、正常產線的不良率又低，要蒐集到每一類都足夠且具代表性的樣本需要很長的時間，而且產品一改版就要重來；同時模型輸出的是機率，判斷的依據不容易對應到製程上可以操作的量，可解釋性需要額外的工具補足。

換句話說，兩條路線都不是失敗的方法，它們在各自擅長的場景裡運作得很好。但它們都沒有改變外觀瑕疵檢測的本質：無法用一組規格把「不正常」定義清楚、必須在良品的正常變異裡分辨異常、而且每個判斷都需要說得出理由。這些是題目本身的性質，換一種演算法並不會讓它們消失。

小結

外觀瑕疵檢測的困難，來自它與其他視覺題目在本質上的差異：瑕疵沒有明確定義、良品本身就有變異、判斷需要能被解釋。量測、定位、辨識之所以成熟，是因為它們的目標可以被明確寫下來，方法也就能被通用化；外觀瑕疵檢測則是每一條產線、每一種材質、每一個時期都有自己的樣貌，很難用同一套做法直接套用。

這也是為什麼它需求最普遍，卻最容易在導入後卡關。理解這些天性，並不會直接給出答案，但至少能讓我們在評估任何方法時，先問對問題：它怎麼定義不正常、怎麼看待良品的變異、判斷的依據是什麼。