See Good· Catch Bad·That'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——機器視覺領域中困難、也較少被深入處理的一塊。20 年累積，成為一套軟體：ZOVIS。

免費評估我的產線 ZOVIS 怎麼運作

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

評估外觀瑕疵檢測方案時，有兩個常見的考量：需要多少瑕疵樣本，以及導入需要多長時間。多數方案在這兩個維度上都偏高；ZOVIS 選擇了不同的取捨。

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困難的那一塊——外觀瑕疵。

外觀瑕疵檢測在導入時常遇到過度檢測、參數難以收斂、最終無法持續使用的情況。我們認為問題多半不在硬體，而在檢測方法的選擇。ZOVIS 是我們在這個方向上的嘗試。

01
不需要先蒐集瑕疵樣本
多數產線的不良率低，不良樣本累積速度有限。ZOVIS 只學良品的正常變異，瑕疵是「偏離」，不是「類別」。
02
不需要以月計的導入時間
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
不需要 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。

判斷可解釋

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。

OPTICS

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。

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。

深入了解 ZOVIS 技術

ZOVIS 視覺主機

軟體預載、即裝即用

把 ZOVIS 軟體和工業電腦整合成一台主機，接上 GigE 攝影機、接好 I/O 就能檢測。三種型號依攝影機數量選：2 台、4 台、6 台，全部免 GPU。

2102 台攝影機
4104 台攝影機
8106 台攝影機

看主機規格相機、鏡頭與光源

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。

全部產業應用

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

印刷雷雕Printing & Laser Marking

標籤、銘牌印刷與雷射雕刻文字的漏印、糊字、缺筆、深淺不均與位置偏移，批號變動不需重新設定。

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

08Catch

PCBPCB

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

把三種方法並列比較，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