Page 48 - 2026 AI 智動化工業總覽

25
47

由結果可以看出模型準確率（Precision）表現優異，惟召回率約44%，對細小或樣本較少之瑕疵類型
人工智慧辨識技術於 仍有漏檢情形，顯示訓練樣本多樣性仍須持續補強。

瑕疵檢測研究 本研究建立一套以 YOLOv8 Segment 為核心之皮革瑕疵智慧檢測系統，將標註方式由矩形框選優

化為多邊形標註，有效提升不規則瑕疵之標註準確度。系統整體準確率（Precision）達 95.77%，單張

影像檢測時間僅約 0.86 秒，並已完成模型導出，可自動生成 DXF 瑕疵座標檔與數量統計報表，具備
■ 文、圖／國立勤益科技大學 智慧自動化工程系 精密製造科技研究所 副教授 李坤穎
與實際生產線對接之可行性。為進一步驗證模型之分類效能，本研究另針對皮革表面瑕疵進行分類

瑕疵檢測在加工產業中至關重要，傳統人工檢測耗時且易受人為因素影響。本研究採用人工智慧 模型之效能評估，涵蓋 Scratches、Open Pores、Front Vein、Wrinkles、Indentation、Stretch Mark 及整體
辨識技術深度學習演算法，建立一套可應用於任何產線的瑕疵智慧檢測系統。系統採用 YOLOv8 類別（all classes）共六項。根據 F1 分數、Precision 與 Recall 指標分析，模型於 Cracks（F1 = 0.936）與
Segment 架構，取代傳統矩形偵測，兼具不規則瑕疵分割能力，並可自動輸出標記圖、DXF 裁切座標 Scratches（F1 = 0.933）兩類表現最佳，顯示對結構性明顯缺陷具備高度辨識準確性與穩定性。

檔及瑕疵統計表。實驗結果顯示，系統整體平均準確率（Precision）達 95.77%，多數瑕疵類別準確率
高於 90%，每張 A4 影像檢測時間僅約 0.86 秒，可支援即時線上檢測並與後續排版製程整合。 參考文獻
[1] J. Redmon, S. Divvala, R. Girshick, A. Farhadi. You Only Look Once: Unified, Real-Time Object Detection. CVPR, 2016.
製鞋加工產業應用 [2] G. Jocher, et al. YOLOv8 by Ultralytics: New Advancements in Object Detection and Segmentation. GitHub, 2023.
[3] Peng, Zhang, Wei — Leather Defect Detection Based on Improved YOLOv8 Model（Applied Sciences, 2024）
皮革廣泛應用於鞋類、服飾、家具與汽車內裝，其表面品質直接影響產品價值與製程良率。傳統檢
46 測高度仰賴人工目視判斷，易受檢驗員經驗與疲勞影響，造成檢測效率低落且結果不一致。隨著電 [4] Li et al. — A Multi-Scale Attention Mechanism for Detecting Defects in Leather Fabrics（Heliyon, 2024）

[5] Banduka et al. — Automated Dual-Side Leather Defect Detection and Classification Using YOLOv11（Processes, 2024）
腦視覺與深度學習技術發展，工業缺陷檢測已逐
漸朝自動化與智慧化方向轉型。YOLO 系列演算 [6] Liu et al. — Research on Leather Defect Detection and Recognition Algorithm Based on Improved Multilayer Perceptron
（Processes, 2025）
法因單階段偵測架構兼具高速與高準確度，已廣
泛應用於金屬表面、紡織品等領域；然而皮革瑕疵
智慧影像辨識於其他實際應用
（如血管、劃痕、妊娠紋）多呈不規則形態，傳統
矩形框選方式常造成邊界誤差與誤檢。本研究採 1. 金屬工件表面裂紋、刮傷與瑕疵辨識

用 YOLOv8 Segment 架構強化不規則瑕疵之分割 利用人工智慧與影像辨識技術，即時檢測金屬工件表面的裂紋、刮傷、凹痕及其他瑕疵，提升產品
能力，並依產線需求整合自動化輸出功能，建立可 品質檢驗效率，降低人工檢測誤判率，確保產品符合品質規範。
直接導入生產現場之智慧檢測系統。
2. 農作物果實成熟度、病蟲害與葉片健康辨識

系統運作分為「訓練」與「執行」兩階段，如圖 透過影像辨識分析農作物果實顏色、形狀及葉片特徵，自動判斷成熟度、病蟲害及植株健康狀
1所示。訓練階段先以人工匡列瑕疵範圍並轉換為 況，協助農民進行精準管理，提高作物品質與產量。

YOLO 可用格式，再交由 YOLOv8 Segment 模型
學習；模型完成後僅需約1分鐘即可完成單張完整 3. 腫瘤及醫學影像病灶辨識
皮革之瑕疵檢測，相較人工檢測20～30分鐘大幅 運用深度學習分析X光、CT及MRI等醫學影像，自動辨識腫瘤及病灶位置，協助醫師快速完成診
縮短，檢測結果可直接輸出瑕疵座標，銜接機器自 斷，提高判讀效率與疾病早期發現的準確性。

動排版與裁切流程。系統訓練完成後，每張 A4 皮
革影像之檢測時間僅約 0.86 秒，可支援即時線上 4. 工件定位、零件組裝及機械手臂導引辨識

檢測並與排版機台對接。圖4為實際檢測範例，系 利用影像辨識取得工件位置、姿態及方向資訊，引導機械手臂完成抓取、組裝及搬運等作業，提高
統可準確標示瑕疵類型與位置（以正面血管 Front ▲ 表 1 為各瑕疵類別之準確率（Precision）統計結果。整體平均 自動化生產效率、定位精度及整體製造品質。
準確率達 95.77%，其中毛孔（Open Pores）與妊娠紋（Stretch
Vein 為例）。 Mark）之準確率達 100%，正面血管（97.78%）、折痕（98.64%）、
壓痕（93.10%）亦均高於 90%，僅劃痕（85.07%）略低。

46 47