AI 影像辨識·工廠瑕疵分類

蒐集良品 / 不良品樣本，離線訓練 AI 自動分類 · v3

載入程式中…

⏳ 載入程式中，完成後可啟動相機。

1 設定與準備

2 樣本蒐集

每類建議 30 張以上、涵蓋不同角度與光線。📷 點一下拍一張、長按連拍；🖼️ 上傳到該類；點「樣本 ▾」檢視與刪除；右側選單設定良品 / 不良 / 其他。

尚未新增任何類別

即時辨識結果

— —

3 訓練與辨識

70%

低於門檻一律顯示「需人工複判」，不給 OK/NG。

4 檢驗作業與紀錄

0總數
0OK
0NG
0待複判
—良率
#時間料號 / 批號AI 類別信心最終

紀錄只存在本頁記憶體、不含影像；離開前請下載 CSV。AI 結果僅供輔助，放行依公司 QC 程序。

進階工具與狀態

以全新工件與無關影像驗證；也可新增「其他／無關」類別，蒐集空景與不同物件後重訓。

系統狀態

👋 歡迎使用！請從步驟 1 開始。
0
樣本總數
0
FPS
—
推論 (ms)
0
類別數

資料與模型

資料集 = 樣本特徵（可續訓）；模型檔 = 訓練好的分類器（可在產線平板直接判定）。兩者都不含影像。

選取 model.json、metadata.json 與全部權重檔。全程離線載入。

模型指紋 SHA-256（稽核用）：
—

特徵抽取模型（MobileNet v2）

已內建，離線可用。僅 IT 需要更換時，選 MobileNet v2 / 1.0 的 model.json 與全部權重檔。

相機權限診斷

安全上下文: — 媒體API: — 相機權限: — 可用裝置: — 網路連線: — 螢幕常亮: —

結束作業

共用平板換班時使用：關閉相機並清除樣本、模型與檢驗紀錄。

🏭 工廠應用對照（TPM）

本 Demo 模擬產線上的 AOI 自動光學檢測 / AI 視覺品檢 概念：

  • ①蒐集樣本 = 收集良品與不良品（瑕疵）的影像，建立資料集。
  • ②建立模型 = AI 從樣本中學習良品/不良品的特徵差異。
  • ③即時辨識 = 產線上每個工件即時判定 OK / NG 並分流。
  • ④置信門檻 = 信心不足者轉人工複判，降低漏檢與過殺。
  • ⑤漏檢率 / 過殺率 = 混淆矩陣中 NG→OK 與 OK→NG 的比例，是 QC 驗收 AI 的核心指標。
  • ⑥檢驗紀錄 = 料號／批號／判定／複判結果可下載 CSV，接續 SPC 與 8D 分析。

重點：資料品質與樣本平衡（良品/不良品數量相近）決定模型表現，呼應 TPM「自主保全 + 源頭管理」的品質思維。所有運算皆在瀏覽器本機執行，影像不會上傳。