ZOVIS1 · OPTICS
影像優化
- 反光消除、圓弧金屬陰影濾除
- 多重影像處理組合，依材質配置
- 金屬、塑膠、布面、PCB 皆可穩定取像
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。
運作流程
從取像到上線，四個步驟
01取像與影像優化
針對材質選擇光學組合，以多重影像處理消除反光、陰影與紋理干擾，得到穩定、可比較的影像。
02載入 30 張起良品，建立容差圖譜
系統統計良品在顏色、紋理與細微尺寸上的自然變異範圍，建構成涵蓋整個檢測面的容差圖譜。約 30 分鐘。
03比對每一件檢測品，量化偏離
超出正常變異範圍的微小區域被標示出來，並輸出面積與色差數值。
04用數字收斂檢測規則
依區域設定檢出門檻與容許度：重要區域嚴、次要區域鬆。1–3 週在產線上穩定運作。
三層架構
每一層都可解釋
2 · TRAINING
容差圖譜學習
- 30 張良品起，約 30 分鐘建模
- 統計良品在顏色、紋理、細微尺寸上的自然變異
- 不需要瑕疵樣本；採用專利演算法
3 · LOGIC
量化判斷
- 每個偏離區域輸出面積與色差數值
- 分區域設定門檻與容許度
- 判定可追溯、靈敏度可精準調校
定位
與規則式 AOI、深度學習的差異
| 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。
常見問題
技術主管最常問的幾件事
ZOVIS 和深度學習 AI 檢測有什麼不同？
深度學習需要大量已標註的瑕疵樣本來學習「瑕疵長什麼樣」；ZOVIS 的容差圖譜學習只從良品學習「正常可以有多少變異」，瑕疵是偏離而不是類別。兩者互補：當你累積不到足夠不良品、或需要每個判斷都有數值依據時，ZOVIS 是另一條路。
真的只要 30 張良品？
30 張是建模的起點，能讓系統掌握良品的合理變異範圍。良品越多、涵蓋的批次越廣，容差圖譜越貼近實際產線；但不需要任何瑕疵樣本。
需要 GPU 嗎？
不需要。ZOVIS 以 CPU 運算，一般工業電腦即可，也降低了導入與維護成本。
換料號、換產品要重新來過嗎？
重新載入該料號的良品建模即可，約 30 分鐘。光學設定若材質相同通常可以沿用。
判斷結果可以解釋嗎？
可以。每個被標示的區域都有面積與色差數值，門檻與容許度由使用者依區域設定，判定有明確的工程依據，可存檔追溯。
導入流程是什麼？
先填寫評估需求表，我們會先判斷檢測物適不適合；適合的話用你的樣品做測試，再到產線驗證，通常 1–3 週可以穩定上線。
免費評估
想知道你的檢測物適不適合 ZOVIS？
告訴我們檢測物、材質、目前的痛點。適合的話我們用你的樣品做測試，先看結果再談。