技術學院
依序說明 finetheAi 解決方案中的 2D·3D 視覺、AI 模型與 Physical AI 核心技術。可直接作為客戶教育訓練與公司內部新人培訓教材。
2D・3D 視覺
取得良好影像、加以對齊並進行量測的技術。這是在 AI 之前決定檢測品質的階段。
- 01
好影像優先：相機、光源、觸發與前處理
AI 模型只能看到影像中拍到的東西。本課說明如何選定相機、光源與拍攝時機，讓瑕疵在影像中清楚呈現，並在送入模型前整理亮度與背景。
- 02
對位（Alignment）：讓零件以相同姿態擺正的技術
零件每次以不同角度擺放，模型就會先學到旋轉而不是瑕疵。本課整理對位的原理與用途，包括圓形零件的 Ring 對位、任意形狀的 PCA 對位，以及對位後再判定的 yolo_align。
- 03
規則式尺寸量測：將像素換算成公釐的方法
公差以數字訂定的檢測，比起 AI 更適合用量測。本課說明如何透過校正、輪廓擷取與圓擬合量測直徑、厚度與真圓度，以及與 AI 判定搭配使用的架構。
- 04
Photometric Stereo：用 2D 相機看出表面高低起伏的方法
一邊改變光源方向一邊拍攝多張影像，就能計算出每個像素的表面朝向哪一側。本課說明如何以曲率圖呈現肉眼與一般影像看不見的淺壓痕。
- 05
3D 視覺與點雲：需要高度與姿態的時候
機械手臂要夾取物體，或要量測焊道高度時，2D 影像並不足夠。本課說明如何整理、分割並比對 3D 相機產生的點雲。
AI 模型
僅以良品學習的異常偵測、找出名稱與位置的物件偵測，以及在產線現場可信賴地評估與運作的方法。
- 01
只看良品就找出異常：異常檢測與 PatchCore
不良樣品難以收集，而且明天就可能出現從未見過的不良。本課以最廣泛使用的 PatchCore 為例，說明只用良品影像訓練、找出「與正常不同之處」的異常檢測原理。
- 02
選擇異常檢測演算法：11 種演算法各自適用的時機
AD Workbench 的 11 種演算法，包括 PaDiM、PatchCore、AnomalyDINO、WinCLIP、EfficientAD 等，輸出結果相同，但強項各不相同。本篇依資料量、零件是否固定、解析度與節拍時間整理選擇依據。
- 03
物件偵測：為瑕疵標上名稱與位置的 YOLO・RT-DETR
說明物件偵測如何針對已知的瑕疵類型，回答「是什麼、在哪裡、有多確定」。內容涵蓋框・類別・信心度、IoU 與 NMS、各類別閾值，以及如何與異常檢測搭配使用。
- 04
模型評估與現場運作：過檢・漏檢、閾值、重新訓練
光憑準確率 99% 這個數字，還不足以讓模型上線。本篇說明如何分別計算過檢與漏檢、依成本設定閾值，以及監控運作中的變化並重新訓練的流程。
Physical AI
機械手臂依據看到並判斷的結果動作。涵蓋座標校正、數位分身，以及採收・揀取自動化。
- 01
Physical AI：會看、會判斷、會動作的 AI
不只停留在把檢測結果顯示在畫面上，而是由機器人依據該結果夾取、搬移、加工物體，這就是 Physical AI。本篇以香菇採收自動化案例說明其組成要素與運作循環。
- 02
Hand-Eye 校正：讓機器人前往相機所看到位置的方法
相機用自己的座標說「在這裡」，而機器人只依自己的座標移動。本篇說明求出兩者之間轉換的 Hand-Eye 校正的概念、程序，以及提高精度的訣竅。
- 03
數位孿生與 Pick & Place：在實機之前先以虛擬方式驗證
將機器人工作站原樣複製到虛擬空間，就能在實際移動之前確認路徑、碰撞與週期時間。本篇依序走過 Pick & Place 的完整流程，從 3D 辨識、夾取規劃到實機鏡像。