背景與客戶需求
一家在工業、運動及釣具領域享譽盛名的線捲製造龍頭企業，近期啟動了一項策略性計畫，旨在提升其安全氣囊紗線生產的品質管控。該計畫的核心目標是優化檢測流程，以滿足汽車零組件嚴苛的安全標準。
其主要目標是實現「毛羽 (Fuzz)」檢測的自動化（即紗線捲上的纖維起毛或瑕疵）。該生產線要求在每 8 小時的班次中檢測約 650 捲線捲。由於確保高產能與良率至關重要，客戶希望從人工製程轉型為自動化 AI 解決方案，以確保瑕疵檢測的可靠性。
面臨挑戰
紗線捲的檢測具有獨特的視覺複雜性，使得傳統基於規則（Rule-based）的視覺系統難以應付：
瑕疵型態多樣： 「毛羽」瑕疵的形態差異極大，需要一個具備彈性、能學習多種瑕疵形式的檢測系統。
高視覺雜訊： 纏繞紗線的紋理會產生背景雜訊。若無先進處理技術，標準視覺系統容易將正常繞線誤判為實際瑕疵。
景深與對焦問題： 由於相機是檢測圓柱體線捲的側面，位於弧度邊緣的瑕疵常顯得模糊或失焦，導致潛在的漏檢風險。
標記歧義： 人工標註者與 AI 預測在瑕疵精確區域的認定上存在差異，難以建立「完美」的標準基準（Ground Truth）。
解決方案
為了應對上述挑戰，達明機器人運用 AI 技術結合高階視覺硬體進行了概念驗證（PoC）。 檢測架構包括：
視覺硬體： Basler acA2500-14gm 相機，搭配 OPTART 25mm 定焦鏡頭與 CCS LDR2-50SW2-JD 光源。
配置參數： 系統設定物距為 30 公分，捕捉線捲側面影像。
機構策略： 為解決線捲弧度導致的失焦問題，評估結論建議必須導入旋轉機構，將瑕疵帶入焦平面以進行精確檢測。
AI 模型訓練
本專案利用 TM AI+ (版本 2.22.1700) 打造強健的瑕疵檢測模型。
數據集構成： 訓練集包含 98 張影像以捕捉多樣化的瑕疵形狀，另保留 17 張影像用於測試。
標籤標註： 團隊對數據集中的瑕疵 (NG) 進行標註，初始訓練涉及 59 個標註實例。
持續優化： 由於瑕疵外觀變異大，初期驗證損失（Validation Loss）難以降低。團隊認定 「Auto AI Training」 為關鍵功能，能自動收集負樣本並強化模型對過失標（False Positive）的抵抗力。
成果與效益
在達明機器人實驗室環境下的評估證明了 AI 解決方案的可行性：
有效檢測： TM AI 系統在受控的實驗室環境中成功偵測到瑕疵。
解決過失標問題： 儘管紗線紋路複雜，AI 仍能分辨正常繞線與實際的毛羽瑕疵。
釐清機構需求： 測試顯示靜態取像會因模糊導致漏檢（某一測試集中 59 個標籤中漏檢 3 個）。分析證實，導入旋轉機構確保瑕疵位於焦點內，即可解決漏檢問題。
透過 Auto AI 實現擴展性： 針對變化無窮的毛羽形狀，團隊建議實施 Auto AI Training，持續精煉模型並減少人工與 AI 判斷之間的歧義。
結論
針對 此項評估證明，AI 檢測能克服安全氣囊紗線等複雜紋理上的細微瑕疵偵測難題。雖然環境因素（如燈光與對焦）至關重要，但透過 TM AI+ Trainer 與合適的機構設計相結合，可確保自動化品質控管流程的可靠性。藉由導入 Auto AI Training，系統具備了適應新瑕疵變異的未來擴展性，確保長期的品質一致性。