許多台灣傳統製造業、精密金屬加工與塑膠射出廠，面臨缺工、人工目檢漏檢與客戶要求 100% 全檢的巨大壓力。然而，一聽到「智慧製造」或「引進自動光學檢測 (AOI)」，廠長或老闆往往望而卻步——因為採購一台全新的 AOI 機台動輒新台幣 200 萬至 500 萬元，且廠內運行良好但已使用 10 年的老舊機台若要全面汰換，資本支出更是天文數字。
其實，智慧轉型不需要把舊機台報廢！ 透過「外掛式 Edge AI 影像辨識系統」，即可在既有產線設備上實現毫秒級瑕疵檢出與自動剔除。本文將為您拆解這套低成本、高投報的升級實戰架構。
一、為什麼「外掛式 Edge AI」是傳產升級首選？
傳統工廠升級的最大瓶頸，在於舊設備缺乏網路通訊模組（無 Ethernet、無 OPC-UA、無 API）。外掛式 Edge AI 採取「非侵入式 (Non-invasive)」架構，具備以下三大優勢：
- 超低導入成本：保留價值數百萬的既有機台，僅需添購工業相機、專屬光源與一台邊緣運算工控機（如 NVIDIA Jetson 或 Intel/AMD x86 邊緣運算盒），硬體成本降低 70% 以上。
- 不破壞既有機構與保固：相機架設於輸送帶上方或出料口，不更動原機台主體結構與原廠電路。
- 毫秒級即時響應：影像資料在產線現場的 Edge AI 端即時推論（單張運算 < 30ms），不需上傳雲端，避免網路延遲與資安隱私疑慮。
二、外掛 Edge AI 系統的三層整合架構
💡 外掛式智慧視覺系統運作流程：
光學取像 ➔ 邊緣模型推論 ➔ PLC 訊號觸發剔除 ➔ MES 產線儀表板上傳
1. 光學取像層（相機與光源規劃）
瑕疵檢測的成敗 80% 取決於光學設計。針對金屬反光、不規則曲面或微米級刮痕，工程團隊會根據產線速度（FPS）挑選合適的面陣 (Area Scan) 或線掃 (Line Scan) 工業相機，並搭配同軸光、環形光或低角度背光消除雜訊。
2. 邊緣模型推論層（Edge AI Model）
工控機內部搭載經輕量化與 TensorRT 優化的深度學習模型（如 YOLOv10、Segment Anything 或異常偵測無監督模型）。系統在 15~30ms 內完成刮痕、氣孔、缺角、毛邊或髒污的分類與定位。
3. 產線連動與剔除控制層（I/O 連動）
當判定為不良品 (NG) 時，Edge AI 系統透過 GPIO 或工業繼電器發送 24V 高電位訊號至機台 PLC，即時驅動氣閥吹嘴 (Air Blower) 或推桿，將不良品分流至 NG 收集盒，並同步在螢幕上警報。
三、傳統機台升級導入的 4 個關鍵步驟
- 光學評估與樣品取樣：收集 50~100 件良品與不良品樣品，在實驗室模擬打光與相機解析度。
- PoC 概念驗證（1~2 週）：訓練初步 AI 檢驗模型，實測檢出率（Recall）與過殺率（Overkill Rate），確認達到 99% 以上精準度。
- 現場機構外掛與訊號串接：於產線安裝相機支架、遮光罩與 I/O 訊號線，進行現場光線校正。
- 驗收與自主維運交接：交付模型部署手冊與維運操作介面，現場人員可一鍵切換不同料號的檢驗標準。