當傳統視覺已到極限：STIHL 導入 AI 深度學習實現 99% 檢測準確率
德國 STIHL 集團，自 1926 年創立以來，便是高品質農林業電動工具的代名詞。為了維持其全球暢銷產品 (如電鋸) 的卓越品質，STIHL 對每一個關鍵組件的生產驗證都有著極其嚴苛的標準。其中，「汽油吸頭」是確保引擎穩定運作的核心零件，它能過濾木屑與雜質，防止其進入燃燒室。然而，在對此組件進行品質檢驗時，傳統機器視覺卻遭遇了前所未有的挑戰。
檢測挑戰：為何傳統機器視覺的準確率僅有 80%？
檢測任務的目標，是確認吸頭組件上的縫線，是否與四個橋狀結構精準對齊。問題在於，這些縫線的影像特徵變化極大，可能是材質本身紋理不均、縫線寬窄不一，或是光線造成的細微反光差異。這些在人眼看來可接受的「正常公差」，對於依賴固定規則進行判斷的傳統圖像處理演算法來說，卻是難以克服的「雜訊」。
結果導致傳統視覺檢測系統的準確率僅在 80% 至 95% 之間徘徊，產生了大量的誤判 (將良品判為不良品) 與漏判 (將不良品判為良品)，不僅無法保證品質，更嚴重影響產線效率。
解決方案：導入 Zebra AI 深度學習分類模組
為突破此一瓶頸，STIHL 的工程團隊轉向了最前沿的 AI 技術，建構了一套全新的自動化視覺檢查系統。此系統的核心，正是用 Aurora Imaging Library (AIL) 中的 AI 深度學習分類 (Classification) 模組，取代了原有的傳統演算法。
系統整合架構：
- 視覺控制器：Zebra 4Sight EV6 作為系統的運算核心。
- 視覺軟體：Zebra AIL 搭配 Classification AI 模組進行模型訓練，並以 Zebra Design Assistant (DA) 快速部署。
- 影像擷取：透過轉台與編碼器，同步觸發 PoE 線掃描相機，將圓柱形的吸頭組件「展開」成一幅完整的 2D 平面圖像進行分析。
AI 模型如何訓練與部署？
整個 AI 視覺的建置流程清晰而高效：
- 數據收集與標記：首先，團隊收集超過 8000 張吸頭組件影像，並手動分類標記為「OK」與「NG」(不良品)。
- AI 模型訓練：接著，利用 AIL CoPilot 的互動式環境，將這些標記影像餵給基於卷積神經網路 (CNN) 的分類器訓練。AI 自動學習 OK 與 NG 樣本間的細微差異，建立比人為規則更強大且具泛用性的判斷模型。
- 快速部署與驗證：訓練完成後的模型，被直接導入到 Zebra DA 的圖形化流程中。開發者無需編寫複雜程式碼，即可讓AI模型在產線上對新的影像進行即時、自動的分類判讀。
成果：準確率躍升至 99%，品質與效率兼得
成果是驚人的：導入 AI 深度學習方案後，該檢測任務的準確率穩定地達到了 99% 以上。STIHL 多年來一直是 Zebra 視覺軟硬體的忠實用戶，此次的成功經驗再次證明，深度學習技術不僅擴展了機器視覺的應用邊界，更透過系統化的建置，在節省人力、時間成本的同時，將產品品質提升到了一個全新的高度。
👉 您的產品是否存在特徵多變、紋理複雜，難以用傳統視覺方法檢測的瑕疵？立即聯繫我們的 AI 視覺專家，了解 Zebra 深度學習方案如何為您解決最棘手的檢測難題。