核心結論
因為平均準確率可能掩蓋稀有但高風險的漏判，也可能忽略大量良品被誤剔。上線前至少要分開驗證瑕疵漏判、良品誤剔、人工複檢量與實際產線節拍，並使用未參與訓練的產品與影像。
執行摘要
核心觀察：經濟部的手工具 AI 驗證場域把高解析影像、瑕疵資料庫、模型訓練與品質判檢放在同一流程，[1] OECD 也指出，視覺檢測成效高度依賴標註品質、影像解析度與檢測條件一致性。[2] 單一平均準確率可能同時掩蓋兩種成本：瑕疵品被放行，以及良品被錯誤剔除。行動建議：先定義缺陷種類與允收標準，用未參與訓練的實際產品驗證漏判、誤剔、人工複檢與產線節拍；不確定案例先交由人員確認，再逐步擴大自動放行範圍。
九成九，也可能漏掉關鍵瑕疵
平均準確率把不同錯誤混在一起。若一千件產品中絕大多數都是良品，模型只要一直判定合格，也可能得到看似漂亮的分數，卻沒有真正攔住稀有缺陷。對工廠而言，瑕疵品流到客戶可能造成退貨、保固或安全風險；良品被誤剔則增加報廢、複檢與停線，兩者不能用一個數字抵銷。
OECD 指出，AI 視覺檢測特別適合高量、高速產線，但稀有缺陷難以蒐集，分類效果也依賴標註品質、影像解析度與檢測條件一致性。[2] 因此試點前要由品管先列出缺陷種類、嚴重程度與允收邊界，再決定每類錯誤可以承受多少，而不是先選模型才回頭找問題。
燈光與角度，也是模型的一部分
同一條刮痕在不同角度、反光、材料批次或線速下，影像可能完全不同。Scientific Reports 的射出成型研究比較固定相機、輸送帶與機器人輔助三種取像方式，結果顯示相機角度、零件運動與多影格聚合會改變漏判和誤判表現。[3] 該研究只驗證單一零件，不能直接套用數值，但證明硬體配置與決策規則必須一起測。
經濟部的手工具 AI 驗證場域同樣把高解析影像、瑕疵資料庫、模型訓練與品質判檢放在同一服務流程，並讓結果回饋到鍛造製程。[1] 中小型工廠可先固定一個工站，記錄鏡頭、燈光、治具、產品版本與批次；若換料、換色或換線，就重新抽樣驗證，避免把現場變動誤認成模型突然失效。
模糊案例不要硬做決定
已獲 GECON 2026 接受的進行中研究指出，良品誤剔與瑕疵漏判的成本方向不同，並設計讓不確定案例轉交人工判斷，而不是強迫系統輸出合格或不合格。[4] 這項結果仍屬初步，但提供實用的上線方式：先自動放行高度確定的良品，自動攔下高度確定的缺陷，其餘進入複檢。
人工複檢不是失敗，而是控制風險的工作佇列。每筆複檢要保留原圖、模型結果、最終判定、缺陷類型與處理時間，之後才能知道哪一類最常造成爭議，是否值得補資料或調整取像。當複檢量超過品管能承受的容量，就應縮小自動化範圍，不要讓警報疲勞把真正重要的缺陷淹沒。
從產線成本倒推驗收
自動光學檢測研究指出，常見的研究方法即使分數良好，也可能無法滿足實際商業目標；作者主張先定義需求導向指標、成功條件與資料隨時間的變化。[5] 試點可準備一組未參與訓練、由兩位品管人員確認的產品與影像，按缺陷類型計算漏判、誤剔與需要複檢的比例，再放到實際節拍中測試。
Lead Measure 可看標註一致率、各缺陷樣本覆蓋、複檢量、人工判定時間與環境變更紀錄；Lag Measure 則看瑕疵流出、良品報廢、重工、客訴、產線停頓與單件檢測成本。這些是穹境依來源提出的驗收架構，不是來源保證的固定標準。只有品質和節拍同時改善，才代表 AI 品檢真正進入營運。
關鍵要點
先寫缺陷標準：由品管定義哪些刮傷、偏位或缺件必須攔下，並保留邊界案例影像。
分開計算兩種錯誤：瑕疵漏判與良品誤剔造成的客訴、重工、報廢和停線成本不同。
驗證整套取像系統：燈光、鏡頭、治具、角度、線速與產品批次都要進入測試，不只比較模型。
不確定就交給人：先讓模型自動處理清楚案例，模糊結果進入可追蹤的人工複檢佇列。
用產線結果驗收：同時追蹤缺陷流出、誤剔、複檢量、檢測節拍與品質改善，不只看準確率。
參考來源
手工具產品 AI 試作暨檢測驗證場域
經濟部產業技術司 A+企業創新專案辦公室 · 2026-02-21
https://service.moea.gov.tw/EE514/tw/aiip/423.htmlEvaluation of different defect-inspection setups for injection molding parts based on the deep learning method
Scientific Reports 原始研究 · 2026-08-05
https://www.nature.com/articles/s41598-026-52635-zTrustworthy Visual Quality Inspection under Data Scarcity in Manufacturing
arXiv 原始研究 · 2026-08-22
https://arxiv.org/abs/2608.21967Towards Improved Research Methodologies for Industrial AI: A case study of false call reduction
arXiv 原始研究 · 2025-06-17
https://arxiv.org/abs/2506.14521常見問題
Q：AI 視覺檢測準確率很高，為什麼還不能直接上線？
A：因為平均準確率可能掩蓋稀有但高風險的漏判，也可能忽略大量良品被誤剔。上線前至少要分開驗證瑕疵漏判、良品誤剔、人工複檢量與實際產線節拍，並使用未參與訓練的產品與影像。
Q：瑕疵漏判和良品誤剔，哪一個比較重要？
A：要看產品與缺陷的實際成本。安全關鍵缺陷通常更不能漏掉；但誤剔過多也會增加報廢、停線和品管複檢。應按缺陷種類設定不同門檻，不要用全產品共用的一個平均分數決定。
Q：中小型工廠沒有大量瑕疵照片，可以做 AI 品檢嗎？
A：可以先從單一工站與一兩種高影響缺陷開始，但不能把資料不足藏起來。保留正常品、已知缺陷與邊界案例，讓不確定結果交由人工複檢；合成資料可輔助訓練，正式驗收仍要使用真實產品。
Q：AI 品檢試點應該記錄哪些資料？
A：至少記錄產品與批次、缺陷類型、原始影像、燈光與鏡頭設定、模型結果、人工最終判定、複檢時間和產線節拍。換料、換色、換治具或相機位置後也要留下版本，才能追查表現變化。
Q：什麼時候可以讓 AI 自動剔除或放行產品？
A：要先在代表實際產線的資料上通過分缺陷驗收，並證明複檢量、漏判、誤剔與節拍都在企業設定範圍內。初期只自動處理高度確定案例，模糊結果保留人工確認；環境或產品改版後重新抽驗。
由穹境科技 AI 情報系統生成 · 2026-09-23 · 資料來源見上方參考列表