4 個 AI 驗布迷思＋6 個容易忽略的細節

驗布一直都是很依賴經驗的工作。有經驗的驗布人員，看著布料經過驗布區，就知道要注意破洞、油污、色點、異纖、勾紗、橫條，以及其他可能影響後續裁剪與成衣品質的布面問題。

當工廠每天處理的布卷越來越多，布種與顏色變化增加，客戶又要求留下更完整的驗布紀錄，要讓不同人員、不同班別長期維持相同判定標準，本來就會越來越困難。這也是近年 AI 智慧驗布開始受到重視的原因。系統可以協助找出瑕疵、記錄位置並產生驗布報告，減少操作人員長時間盯著移動布面的工作。

不過，AI 加進來以後，驗布原本面對的生產條件並沒有消失。布還是要穩定地通過驗布區，工廠還是要先定義什麼叫瑕疵，AI 模型仍需要適合的圖片資料，驗完布之後也還是要有人決定這些資訊怎麼往後使用。

所以在談相機數量、畫素或 Accuracy 以前，我們反而會先把幾個工廠最常遇到的 AI 驗布迷思說清楚。

AI 真的什麼都能解決？4 個常見 AI 驗布迷思

迷思一：AI 驗布機買回來 就應該可以直接把所有布驗準

AI 驗布機進到工廠時，不會自動知道你每天做哪些布、客戶怎麼判定品質，也不會立刻理解所有瑕疵在不同材料上的樣子。

即使使用同一個瑕疵名稱，不同布種的外觀也可能差很多。油污出現在淺色布與深色布上的影像不同，針織布與平織布的表面結構也不同。

再加上不同客戶的允收標準，一個在某種產品上可以接受的小痕跡，換到較高品質要求，或最後落在成衣明顯位置時，就可能必須標示。

因此，正式導入以前，工廠與設備廠商需要先把幾件事情說清楚：

• 平常主要驗哪些布種；
• 哪些瑕疵最常出現；
• 哪些一定要抓出來或標示；
• 哪些布面狀況仍在允收範圍；
• 驗布後留下的資訊，後面是否還要給品管或裁剪區使用。

AI 需要一套清楚的判定標準。

同一種狀況如果今天這個人叫油污，另一個人歸到髒污，或有人判 NG、有人認為可以接受，增加更多訓練圖片也不會自動把標準變一致。

另外，AI 驗布也不是只有軟體。

布面是否平整、張力是否穩定、速度、照明與相機取像條件，都會影響最後進入模型的影像。尤其是針織布與彈性布，驗布過程中拉力過大，布面外觀本身就可能已經改變。

AI 要辨識得穩定，前面先要讓布穩定。

迷思二：訓練資料越多 AI 就一定越準

AI 確實需要圖片做訓練，但資料很多，不代表資料一定有用。

比較麻煩的是分類不一致。同一種污漬被放進不同類別、正常布紋被混進瑕疵資料，或外觀差很多的問題因為現場習慣全部叫同一個名稱，AI 最後學到的判斷也會變得混亂。

進到實際驗布後，可能出現兩種結果：該抓的沒抓到，或正常布面一直被判成瑕疵。

後者看起來好像「抓得很多」，但最後仍然要靠人工逐一複檢，對現場並沒有比較輕鬆。

工廠剛開始建立資料時，與其大量收集所有可能的瑕疵，不如先從每天真的會遇到、而且會影響後續生產的問題開始。

依布種不同，可能包括：

• 破洞；
• 油污；
• 色點；
• 異纖；
• 紗結；
• 勾紗；
• 橫條。

有用的資料除了瑕疵圖片，也要知道這是哪一種布、什麼顏色，以及工廠到底判定為允收還是不允收。

先把最常見的幾類做得一致，再隨著新布種與新問題慢慢擴充，通常會比一開始累積大量沒有整理好的圖片更實際。

迷思三：等別人把 AI 模型訓練好 我的布直接拿來用就可以

設備廠商如果已經有既有的瑕疵模型，對工廠當然有幫助。

至少導入時不需要完全從零開始，也可以比較快進入實際布料測試。

不過，別人的訓練成果不能直接代表你的布也會有一樣的辨識結果。

布料組織、顏色、彈性、表面光澤與後整理方式不同，都會影響瑕疵在相機裡呈現的樣子。

同樣叫油污、勾紗或彈性異常，不同材料上的影像特徵可能差很多。

客戶驗收標準也不一定相同。

所以既有模型比較適合作為導入的起點，而不是直接當成量產成果的保證。

設備正式投入日常使用以前，還是應該拿工廠自己的常用布種來測試，而且最好包含平常真正會遇到的主要瑕疵。

展示樣布能證明系統可以辨識那一塊樣布；自己的生產布，才比較能看出設備進廠以後實際會遇到什麼問題。

迷思四：導入 AI 驗布之後 就不需要驗布人員了

AI 會改變驗布人員的工作內容，但不代表經驗從此不重要。

系統可以持續看著移動中的布面、辨識已經定義好的瑕疵、記錄位置並產生報告。原本需要人工長時間盯布的工作，可以由設備分擔一部分。

但最後判定標準仍然是工廠訂的。

新布種進來時，要有人決定原本的標準能不能繼續用。遇到過去沒有收錄的布面狀況，也需要有人判斷這到底是新的瑕疵、正常布面差異，還是需要另外建立分類。

客戶要求改變後，原本的判定方式也可能需要重新整理。

所以實際導入後，有經驗的驗布或品管人員，工作會逐漸往標準建立、異常確認與資料維護移動。

從這個角度來看，AI 比較有價值的地方，是把一部分原本存在於個人經驗裡的判斷，變成可以重複使用、記錄與追蹤的流程，而不是把所有人的判斷全部拿掉。

6 個 AI 驗布機廠商不一定會說清楚的事

把前面的期待釐清之後，設備選型反而會簡單很多。

工廠可以開始從真正的生產需求去看相機配置、資料保存與後續維護，而不是只比較哪一台設備用了比較多 AI 名詞。

1. 相機站越多 不代表驗布效果一定越好

相機站數很容易寫進規格表，也很容易比較，所以採購時常常第一眼就會注意。

多一個相機站，可以提供不同的取像條件，但前提是這個取像條件真的能處理工廠需要抓的瑕疵。

有些一般布面問題，在適合的照明條件下就已經可以辨識；有些結構性瑕疵，則可能需要透光或其他取像方式才比較容易看到。

因此，多一站以前，要先知道它到底多看了什麼。

工廠可以直接問：

• 第一站主要抓哪些瑕疵；
• 第二站多了哪些辨識範圍；
• 這些新增的瑕疵是不是我們平常真的會遇到；
• 多一站之後，報告與操作流程會有什麼差異。

主要布種如果用合適的單站配置就能處理，再增加相機站不一定會讓驗布結果直接變好。

站數應該跟著瑕疵需求走，而不是越多越好。

2. 每一個相機站 都應該對應明確的瑕疵需求

這和上一點很接近，但採購時最好再往下問一層。

設備廠商如果有單站與雙站配置，工廠應該要很清楚知道第二站存在的理由。

像色點、油污、勾紗、磨傷這類布面問題，和斷經、斷緯、粗細節等結構性瑕疵，不一定適合使用完全相同的取像方式。

所以選設備時，順序應該從瑕疵往回看。

先整理自己的主要布種與品質部門真正需要抓的問題，再決定需要什麼照明與取像條件。

這會比先選最高配置，再回頭找理由使用這些相機更實際。

3. 相機畫素越高 不代表辨識率一定越高

高解析度相機確實可以看到更細的布面資訊，但被看見的不只是瑕疵。

天然纖維本來就有的差異、正常布紋，以及工廠可以接受的細微表面變化，也可能變得更明顯。

工廠的瑕疵標準如果還沒有先整理清楚，系統可能因此把更多正常布面判成異常。

最後得到的設備或許很敏感，但品管人員每天要處理的誤判也很多。

而且相機畫素並不是獨立條件。布面平整度、燈光、驗布速度、影像處理與 AI 模型，都會一起影響最後結果。

所以比起只問「幾百萬畫素」，更值得要求的是拿自己的布實際測試。

看系統抓到了什麼、漏掉了什麼，也看正常布面被標出了多少。

這些結果對量產比較有意義。

4. AI 驗布背後還有運算、儲存與資料管理

AI 驗布機並不只是相機拍到瑕疵而已。

布料經過驗布區時，系統還要持續處理影像、執行模型、記錄瑕疵位置、產生報告並保存資料。

當每天累積的布卷越來越多，資料怎麼管理就會開始影響設備實際好不好用。

採購以前可以先確認：

• 能不能離線運作；
• 瑕疵圖片與驗布報告存在哪裡；
• 過去資料能不能搜尋；
• 報告能不能匯出；
• AI 模型與軟體未來怎麼更新；
• 驗布資料能不能繼續提供其他品質或生產流程使用。

這些規格不像機台尺寸或相機那麼顯眼，但交機幾個月以後，反而常常更直接影響日常使用。

尤其當驗布資訊還需要往裁剪區走時，這件事更重要。

一個瑕疵座標，如果驗完布之後永遠只留在驗布機裡，工廠雖然建立了很完整的數位資料，後面的製程卻沒有真正用到。

當品管可以回查，或裁剪規劃可以繼續使用這些位置資料時，驗布資料才開始有更完整的生產價值。

5. 一個 Accuracy 數字 很難代表真正的驗布效果

工廠採購設備時，希望有一個數字可以直接比較很正常。

問題是 AI 驗布很難只用一個百分比說完。

同一套設備在不同布種、不同瑕疵、不同速度與不同計算方式下，數字都可能不同。

漏檢與誤判也應該分開看，因為兩者造成的生產問題不同。

一個破洞漏掉，可能一路進到裁剪；誤判太多，則可能讓品管每天花大量時間檢查其實正常的布面。

所以看到 Accuracy 或 Detection Rate 時，可以繼續問：

• 測的是什麼布；
• 包含哪些瑕疵；
• 驗布速度是多少；
• 有沒有統計漏檢；
• 有沒有統計誤判；
• 特殊布種或新材料能不能另外測。

測試條件越接近工廠每天真正的生產，數字才越有參考價值。

單獨看一個 Accuracy，而不知道後面怎麼測出來，對設備採購的幫助其實有限。

6. AI 驗布機交機以後 模型還是需要持續調整

工廠的布種不會永遠一樣。

新材料會進來、供應商會改變、客戶的驗收標準可能調整，以前不常見的瑕疵也可能突然變成需要管理的問題。

AI 模型也要跟著這些變化走。

所以採購時，除了問設備保固與機械維修，也應該了解：

• 新布種未來怎麼測試；
• 新的瑕疵圖片怎麼加入；
• 瑕疵分類能不能調整；
• 模型後續怎麼修改；
• 軟體怎麼更新；
• 操作與維護出了問題，由誰協助。

今天的模型適合目前的布種，不代表三年後面對不同產品時完全不需要改。

比較合理的做法，是把 AI 驗布當成一套會跟著工廠材料與品質標準持續調整的生產工具，而不是交機當天訓練完成，後面就再也不用碰的模型。

OSHIMA EagleAi/Plus 在 AI 驗布流程中的位置

在這段驗布流程中，OSHIMA 目前相關設備為 EagleAi/Plus AI 智慧驗布機。

依現有設備資料，EagleAi/Plus 可應用於彈性針織布與平織布，驗布速度依布種不同為 10–40 公尺／分鐘。

先把布控制穩定 再談影像辨識

對針織與彈性布來說，驗布過程中的張力特別需要注意。

布料在驗布區被過度拉伸，布面狀態可能在相機取像以前就已經改變。

EagleAi/Plus 採用無張力布料處理，搭配三段式速度控制張力。依目前設備資料，彈性與針織布在驗布區內的變形量可控制於 5% 以內。

這一段處理的是 AI 辨識以前的布面條件，讓布料經過取像區時盡量維持穩定，再交由影像系統判讀。

單站與雙站 對應的是不同瑕疵需求

EagleAi/Plus 單站配置可辨識的項目包括紗結、粗節、異纖、經向與緯向異常、斷緯、停車痕、橫條、勾紗、破洞、接布、摺痕色差、溶劑殘留、色點、色污、髒污、油污、彈性不均與磨傷等。

雙站配置另外增加斷緯、斷經、破洞、接布、彈性異常及粗細節等瑕疵的辨識範圍。

因此，選單站或雙站，還是應該回到工廠平常處理的布種與主要瑕疵，而不是把站數當成設備等級。

完成驗布後，系統會產生瑕疵分布圖與詳細報告，並留下瑕疵位置與分類資料，供後續品質管理與裁剪規劃使用。

這也是 AI 驗布開始往下一個製程延伸的地方。

驗布先把問題找出來、留下位置；布料真正進到裁剪以前，工廠接下來要處理的是：這些已知瑕疵資訊，要怎麼繼續用在後面的生產決策。

結論

AI 驗布真正進到量產後，最後還是回到工廠原本就熟悉的幾件事情：品質標準要一致、布料狀態要穩定、異常要能留下紀錄，而且這些資訊後面的製程要用得到。

所以採購以前，與其先比較相機有幾站、畫素有多高或哪一家宣稱的 Accuracy 比較漂亮，不如先整理自己的常用布種、主要瑕疵與允收標準，再拿代表性的實際生產布去測試，同時看漏檢、誤判、布料控制與最後產出的報告。

AI 讓驗布多了一套新的工具，但工廠追求的事情沒有變：讓判定更穩定，問題更早被看見，而且已經找到的瑕疵資訊，可以繼續用在下一個生產階段。