製造業導入 AI 品管檢測踩雷案例：為什麼準確率上不去

一間中部的金屬零件加工廠，員工大約一百二十人，主力產品是給汽車與工具機廠的精密零件。品管一直是老闆心裡的痛：兩條產線各配三名目檢人員，靠肉眼加上放大鏡抓刮傷、毛邊、尺寸偏差，人一累、光線一暗，漏檢率就往上跳。廠長在一場智慧製造展看到 AI 視覺檢測的展示，鏡頭一掃，瑕疵框線秒跳出來，準確率數字漂亮得嚇人。他心想，這不就是解決人力老化、招工困難的答案嗎，於是拍板編了預算，找了一家做工業視覺方案的廠商，準備半年內把兩條產線的目檢全部換成 AI 判定。

一開始的規劃邏輯也沒有錯：買幾台工業相機加打光模組，蒐集幾千張良品與不良品照片訓練模型，上線後讓 AI 先當輔助判定、人力複檢，等準確率穩定了再逐步減少複檢人力。廠內對這件事的期待很高，甚至已經開始規劃複檢人力可以轉去支援其他站點。問題是，從那台相機第一次架上產線的那一刻起，事情就沒有照著簡報上的曲線走。

為什麼準確率一直卡在及格邊緣

模型上線初期，實驗室環境下的準確率確實有九成以上，但一搬到實際產線，數字掉到七成上下，而且怎麼調參數都卡在這個區間上不去。後來才搞清楚，問題不在演算法，而在於訓練照片是廠商自己在受控燈光下拍的，跟產線現場的環境光、金屬反光角度、油漬污漬完全是兩回事。同一批零件，早班跟晚班因為窗外光線不同，AI 判定結果就會有落差；機台換模具之後零件表面紋路稍微不同，AI 又開始把良品誤判成瑕疵。這種「實驗室很漂亮，現場很難看」的落差，是工業視覺檢測最常見也最容易被低估的一關，很多廠商在簡報階段展示的準確率，其實是在最理想條件下測出來的。

更麻煩的是，瑕疵樣態本身也在變。原物料批次不同、刀具耗損程度不同，新出現的瑕疵型態模型從沒看過，自然判不準。而蒐集新瑕疵照片、重新標註、重新訓練，是一個需要品管老手全程參與的持續工程，不是裝了系統就一勞永逸的事。

代價：多花的時間、退回的貨，還有現場的不信任感

這個案子原本規劃三個月內可以進入半自動模式，實際上花了將近兩倍的時間才勉強讓 AI 判定達到堪用水準。中間有一段時間為了不影響出貨，廠內索性維持全人力複檢，等於 AI 系統形同虛設，相機、伺服器的投資暫時看不到回收。更棘手的是曾經有一批零件因為 AI 誤判把幾件實際有瑕疵的零件標成良品，流到客戶端才被退回，雖然金額不算傷筋動骨，但客戶端對品質穩定性打了問號，業務端花了不少力氣重新解釋跟修補信任。現場師傅原本就對「機器要取代人」有戒心，這次誤判事件之後，更多人開始私下不看 AI 判定結果，自己憑經驗重新複檢一次，等於多做了一層工，人力反而沒有真正減少。

後來怎麼調整

廠方後來把專案定位從「取代目檢」改成「輔助目檢」，AI 先做初篩，把明顯良品跟明顯瑕疵品分流，中間模糊地帶才交給人力複檢，而不是一開始就想著把人力砍掉。同時要求供應商在產線現場重新拍攝訓練資料，而不是沿用實驗室照片，並且約定每季固定回訓一次模型，把新出現的瑕疵樣態持續餵進去。品管主管也被拉進系統驗收流程，不再只是 IT 或設備商說了算。半年後，準確率才真正穩定在可以逐步減少複檢人力的水準，但整體時程比原本樂觀預估多花了將近一年。

對製造業想導入 AI 品管檢測的老闆來說，最值得先問供應商的問題，其實不是「準確率多高」，而是「這個準確率是在哪裡測出來的、用的是誰的資料」。如果對方答不出現場資料蒐集與回訓機制的具體做法，或是把「減少人力」當成第一階段就要達成的目標，這通常就是該放慢腳步、多問幾輪的訊號。品管 AI 是一個需要跟現場一起養、慢慢調的系統，不是買了就能立刻上線的成品。