P&G 測紙巾、三星 SDI 測電池內部金屬：AI 視覺如何攻下傳統光學檢測盲點？
在製造現場，品質檢測一直是自動化最難處理的環節之一。當產線運轉速度越快，留給相機擷取影像、算力進行分析與判定瑕疵的時間就被壓縮得越短，若遇上紙巾、包裝材料等容易伸縮、褶皺或移位的柔軟材質，產品外觀本身的變化甚至可能被誤判為瑕疵。若瑕疵藏在產品內部，傳統光學檢測更難直接辨識。
近年來，工業級 AI 視覺技術的普及正徹底翻轉傳統自動光學檢測（AOI）的局限。寶潔（P&G）與西門子（Siemens）聯手打造的「視覺檢測駕駛艙」（Visual Inspection Cockpit，VIC），成功將深度學習導入極速運轉的日用消費品產線；三星 SDI 則將 AI 深度結合 X-Ray 穿透技術，用於精準捕捉電池內部的微小金屬異物。
攻克柔軟動態材質：用 AI 辨識「自然變化」與「真正瑕疵」
在日用消費品製造領域，紙巾與包裝膜等柔軟材質在每分鐘產出數千件的高速傳送下，必然會產生自然拉伸、皺褶與微幅位移。傳統機器視覺主要仰賴預先設定的幾何規則與對比度參數來進行比對，一旦包裝改版或環境光線稍有變化，就必須停機重新編程。這種缺乏彈性的機制，往往導致高昂的過度誤判率。
寶潔與西門子合作推動的 VIC 系統，直接在設備邊緣端即時分析影像，不僅能在全速生產狀態下精準識別重疊零件、低對比度細微瑕疵與複雜裝飾包裝，更能學習並理解何謂柔軟材質的「正常形變」。對 AI 而言，皺褶不再直接等同於缺陷，系統能夠精準抽離出製程異常的實質特徵，根據西門子公布的數據，該系統視產品不同，已協助成功降低約 10% 至 20% 的報廢率。
除了檢測精準度，VIC 系統的靈魂更在於將 AI 工具的維護主導權還給產線第一線。透過內建的視覺化工程工具，現場工程師無需資料科學背景，便能自主進行模型設定、標註與更新。邊緣端分析結果直接與產線可程式化邏輯控制器（PLC）對接，即時剔除單一瑕疵品，同時將品質數據即時匯入企業數位生態系。
西門子自動化事業營運長暨技術長 Rainer Brehm 表示，工業 AI 與邊緣運算能滿足高速生產對每分鐘數千件產品檢測的需求，並能從單一產線擴展至全球製造據點。這套以標準化、低門檻應用架構交付的系統，也因此更容易在全球據點快速複製。
穿透肉眼不可見的風險：以 AI 結合 X-Ray 建立電池安全迴路
在新能源電池的量產過程中，極片焊接或封裝內部若殘留微小的金屬異物，極可能穿透隔膜並引發內部短路，帶來嚴重的安全隱患。為此，三星 SDI 突破了傳統光學攝影只能拍攝表面外觀的局限，將 AI 深度學習演算法與 X-Ray 穿透射線檢測設備高度整合。透過 X-Ray 取得電池內部的透視影像後，交由 AI 進行微米級異物特徵辨識，在大量生產的急迫節奏下，精準攔截潛在的結構性缺陷。
為了支援龐大的 AI 模型訓練需求，三星 SDI 建立起企業內部的「Vision AI Portal」平台。現場製程工程師能夠直接在平台上記錄、標註來自製造現場的原始檢測影像，持續優化並訓練出專屬的檢測模型，再反饋部署至生產線上的 AI 視覺檢測節點。這種設計讓公司得以在嚴格的生產條件下，精準維持「過度檢測」與「漏檢」之間的動態平衡，既防止良品被無端廢棄，更絕對杜絕帶有安全隱患的缺陷品流入市場。
三星 SDI 的實踐證明，AI 導入製造現場的過程，同時也在推動工廠組織型態的轉型。當資料蒐集、標註與模型更新成為工程師日常工作的一部分，現場人員對產品結構與製程知識的理解，便能順暢地轉化為可持續迭代的 AI 資產，不再完全依賴外部或中央資料科學團隊的支援。
寶潔與三星 SDI 的跨界應用共同展示了一個明確的產業趨勢：AI 視覺正在脫離「用相機找表面刮痕」的單一功能，演進為貫穿整體製造品質管理的關鍵數據入口。當每一次檢測都留下影像與品質紀錄，工廠便能持續追蹤瑕疵發生的位置、頻率與變化，進一步回溯製程異常的原因。對製造商而言，AI 視覺的價值因此也從「找出哪一件產品有問題」，延伸到「理解問題為什麼發生」，讓品質檢測資料真正回到製程改善本身。
【推薦閱讀】
◆ 勞斯萊斯用代理式 AI 大改造 IT：MTTR 從 6 天砍到 1 天、38,000 張工單自動分流
＊本文開放合作夥伴轉載，參考資料：西門子、《Design News》、三星 SDI ，首圖來源：Unsplash
（責任編輯：廖紹伶）