ZOVISOPTICS
影像優化
獨家多重影像處理組合，從金屬反光、塑膠透明、布面紋理到 PCB 細節，都能穩定取像。
See Good· Catch BadThat's all we do.
AI 外觀瑕疵檢測
只需 30 張良品
宜谷京專注在外觀瑕疵檢測——一個機器視覺領域裡最難、最沒人願意做好的角落。歷經 20 年，一套軟體，一個答案：ZOVIS。
- Years in Vision
- 20+
- Industries
- 8+
- Singular Focus
- 1
Catch
偏離區域 #04
面積 767 · 色差 33
Good
容差圖譜
30 張良品 · 30 分鐘
可驗證的數字
30 張良品起 · 約 30 分鐘建模 · 1–3 週上線
外觀瑕疵檢測有兩個讓人卡住的維度：你需要多少瑕疵樣本，以及你願意等多久。過去十年，多數方案都在地圖的右上角——樣本要多、時間要長。ZOVIS 在另一個位置。
30張
良品起即可建模
不需要蒐集瑕疵樣本
30分鐘
約 30 分鐘完成建模
換料號、改版都一樣快
1–3週
產線穩定上線
一條產線值不值得投資，很快有答案
CPU
免 GPU 即可運算
每個判斷輸出面積與色差數值
數字為 ZOVIS 標準導入流程的一般情況：30 張良品起 · 約 30 分鐘建模 · 1–3 週上線。實際時程依檢測物與產線條件而定。
為什麼 ZOVIS 在不同的座標上
機器視覺有很多面向。我們選擇把資源放在最難的那一塊——外觀瑕疵。
不是因為我們只能做這個，是因為這件事值得被做好。我們看過太多檢測設備卡在「過度檢測」「調參太難」「無法使用」——那不是設備不好，是路徑錯了。ZOVIS 是我們選擇的路徑。
- 01
我們不需要您先去蒐集瑕疵
大多數工廠根本累積不到足夠的不良樣本。ZOVIS 只學良品的正常變異，瑕疵是「偏離」，不是「類別」。
- 02
我們不需要 6 個月
一條產線值不值得投資，1–3 週就有答案。建模約 30 分鐘，先看結果，再決定要不要往下走。
- 03
我們不靠 GPU
CPU 即可運算，每個判斷都輸出面積與色差數值，可解釋、可追溯、可調校。與深度學習互補，而非取代。
不是黑盒子
三層架構，每一層都可解釋
從取像、建模到判斷，每一層都能看見它在做什麼、為什麼這樣判。
TRAINING
容差圖譜學習
採用專利演算法的容差圖譜學習（Tolerance Map Learning）。30 張起良品即可建模，掌握良品的合理變異範圍，精準排除允許差異，鎖定真實瑕疵。
LOGIC
量化判斷
分區域量化設定，面積、色差、形狀全數值化。每個瑕疵判定都有明確的工程依據，靈敏度可精準調校。
產業應用
八大產業，同一套邏輯
材質不同、瑕疵不同，但「只學良品、量化偏離」在每個產業都成立。
01Catch塑膠射出Plastic Injection Molding
外殼、鏡頭座、透明件的縮水、流痕與刮傷，在反光與透明材質下仍能穩定取像。
看檢測重點
02Catch印刷包裝Printing & Packaging
標籤、銘牌、禮券與陶瓷印刷的漏印、糊字、色差與髒污，批號變動也不必重新設定。
看檢測重點
03Catch電子Electronics
連接器、保險絲、光通元件的混料、缺件、端子變形與微小異物。
看檢測重點
04Catch醫療器材Medical Devices
試劑瓶、試劑片與金屬藥罐的氣泡、裂痕與異物，每個判斷都有可追溯的數據。
看檢測重點
05Catch半導體Semiconductor
導線架、晶圓、均熱片與陶瓷基板上的極微小瑕疵、鍍層色差與高反光表面。
看檢測重點
06Catch金屬加工Metalworking
圓柱軸心、銑刀、齒輪與壓鑄件：反光、刀痕與真實瑕疵的區分。
看檢測重點
07Catch紡織Textiles
拉鍊布帶與金屬拉鍊在複雜紋理背景下的污點、抽紗與缺齒。
看檢測重點08CatchPCBPCB
銲點、模組與線路的外觀檢測，銲點形態變異大也不必逐一寫規則。
看檢測重點三種方法，一目瞭然
規則式、深度學習、容差圖譜學習
技術買家最快理解 ZOVIS 的方式：三者平鋪，看差異在哪。
| 面向 | Rule-based AOI規則式 | Deep Learning AI深度學習 | Tolerance Map Learning容差圖譜學習 · ZOVIS |
|---|---|---|---|
| 核心做法 | 人工設定規則與閾值 | 從大量瑕疵樣本學習特徵 | 只從良品學習正常變異範圍 |
| 需要的樣本 | 不需樣本，但需逐一寫規則 | 大量已標註的瑕疵樣本 | 30 張良品起 |
| 導入時間 | 依規則複雜度而定 | 常需數月蒐集與標註 | 約 30 分鐘建模，1–3 週上線 |
| 換線／換料 | 常需重新設定 | 常需重新蒐集與訓練 | 重新建模約 30 分鐘 |
| 判斷依據 | 閾值 | 模型信心值 | 偏離區域的面積與色差數值 |
| 硬體 | CPU | 多需 GPU | CPU |
三種方法各有適用場景。ZOVIS 不需要深度學習所需的大量瑕疵樣本，與深度學習互補而非取代：當你的產線累積不到足夠的不良品、或需要每個判斷都有數值依據時，容差圖譜學習是另一條可行的路。
Demo
看 ZOVIS 實際運作
30 秒看完：載入良品、建立容差圖譜、對檢測品標出偏離區域並輸出數值。
「我相信外觀瑕疵不應該這麼難解。不需要瑕疵樣本訓練、不需要 GPU、不需要等半年——這是可以做到的，只是要願意走一條不一樣的路。」關於 IQUMIN
免費評估
如果你也在找一個不一樣的視覺檢測夥伴
告訴我們你要檢測什麼、目前卡在哪裡。我們會先評估這條產線適不適合 ZOVIS，適合再往下談。