資策會數位轉型研究院─FIND中心

食品製造業正面臨品質控制、產線自動化與人力成本壓力等多重挑戰。在傳統食品生產環境下，維持產品標準化與品質一致性尤為重要；隨著食品市場規模持續擴大，產品生產的效率與品質的提升已成為產業關注的議題。

隨著智慧製造的浪潮，導入AI人工智慧技術的智慧品檢方案，已成為提升食品安全與生產品質的重要手段。本案例說明了AI在玉子燒生產線導入的應用成果，透過高速攝影機擷取影像並結合深度學習模型，精準辨識產品瑕疵（如異物、焦黑或破損），實現即時檢測與分類，顯著提升了品質管控效率。

食品製造業的品檢挑戰

食品製造過程中，產品在出廠前必須經過嚴格的品質檢驗。以某大型食品製造業者的玉子燒產品為例，其生產需經攪拌、成型、加熱熟成與冷卻等多道工序，最終產品必須確保形狀、色澤與口感的穩定一致。然而，多數業者的品質檢驗仍主要依賴人工目視檢查，這種方式面臨明顯的瓶頸與痛點：

檢測標準不一致：人工品檢仰賴個人經驗判斷，受主觀因素影響大，很難保持一致的檢測標準，導致同批產品可能因不同人員檢驗而結果不一。
效率與人力成本問題：人工目視需要長時間高度專注，檢驗員易因疲勞而誤判。此外，人力檢驗成本高昂，難以滿足大規模生產需求。
缺陷追溯困難：傳統品檢無法保存詳細的檢測數據，一旦出現瑕疵品，難以及時追溯問題源頭，影響後續製程改善。
無法即時調整製程：人工檢驗通常在生產完成後才進行，無法即時反饋生產品質異常，導致缺陷累積，無法在製程中即刻調整參數控制不良率。

上述問題不僅降低了檢測準確性和效率，也對企業品牌聲譽和食品安全帶來風險，如果因人工檢驗不當導致瑕疵品流入市場，不僅可能造成大規模退貨損失，更可能引發食品安全事件。某大型食品製造場域曾經因人工疏失讓焦黑、破裂的產品隨貨出廠，不但遭客戶退貨，還影響了商譽，可見傳統人工品檢的瓶頸已成為食品製造業亟待解決的痛點之一。

AI機器視覺缺陷檢測的導入流程

為克服人工品檢的限制，業者導入AI機器視覺瑕疵檢測方案。在經濟部產業發展署所制定的智慧科技導入指引(網址：https://reurl.cc/dQ304V)協助下，團隊依序完成了從問題確認到技術上線的所有階段，包括確認問題、數據蒐集、模型建立、模型測試、模型部署等。以下說明AI品檢技術導入的主要流程與關鍵技術環節：

問題確認與現況評估

團隊首先盤點生產線現有品管流程與問題點，明確導入AI的目標。經訪談發現，以往在生產線旁由品檢員逐一檢視產品，受限於不能觸碰食品、無法即時紀錄數據且人員標準不一等因素。因此，專案目標鎖定為導入AI視覺系統來輔助或取代人工，降低因人工檢視失誤導致的不良品流出，以維持檢測標準的一致性。

數據與影像蒐集

圖1：建置高解析度高速攝影機進行影像擷取

資料來源：本研究整理

接著，團隊開始建置高解析度高速攝影機於產線關鍵節點，對每件產品進行即時影像擷取。團隊針對產品可能出現的各類瑕疵（例如表面裂痕、燒焦斑點、未熟透色澤異常、異物污染等）拍攝了大量影像，建立涵蓋不同生產批次、配方與工況變異的訓練資料庫。透過充分且多樣的數據蒐集，確保模型學習各種正常與異常情況的特徵。

CNN模型訓練與建立

圖2：AI學習與模型建立

資料來源：本研究整理

利用蒐集的影像，團隊以卷積神經網路（CNN）訓練模型，學習辨識產品表面細微紋理、色差與形狀偏差，準確檢測焦黑、裂痕、異物等瑕疵；深度學習模型可隨數據累積不斷優化，對天然變異具高容錯度，並能進一步分析內部氣孔與結構異常，擴展檢測深度。此外，系統還可依烘烤程度在1至5刻度量化評估熟成度，超越肉眼粗略判斷，大幅提升品管精度。

模型測試與優化

上線前，團隊以生產線歷史影像進行離線測試，並與人工檢驗結果比對，評估準確率、誤判率與漏檢率。結果顯示對主要瑕疵的檢測準確度達99%，明顯優於人工。對少數誤判案例，透過分析並增補訓練資料或調整參數，經多次迭代後模型即符合預期目標，確保在各種情境下具備足夠穩定性，避免上線後出現誤判或漏檢。

系統部署與即時回饋

圖3：產線導入AI機器視覺判斷瑕疵並自動剔除不良品

資料來源：本研究整理

完成驗證後，AI模型立即部署於產線，連接高速攝影機即時分析每件產品。檢測時，系統在毫秒內判斷瑕疵並自動剔除不良品，所有檢測結果同步回傳至MES系統，實現全面檢驗的目標。當某類瑕疵率超過設定閾值，系統會自動警示並建議調整參數，以即時修正製程。所有數據亦儲存於歷史資料庫，供後續的大數據分析與預測維護使用，提前偵測設備或製程異常，避免生產中斷。

AI智慧品檢導入後的效益分析

引進AI機器視覺品檢技術後，企業在品質管理和營運效益方面均取得了顯著提升。根據項目執行結果統計，主要關鍵績效指標（KPI）的改善情形如下：

品檢準確率大幅提高

AI自動檢測的準確率高達約99%，有效減少了人工視覺疲勞和主觀判斷造成的誤判。以往人工檢驗受限於人眼極限，對細小瑕疵的判斷常有遺漏，現在機器視覺可以穩定地檢出微小缺陷，整體檢測正確率遠超人工水準。

檢驗人力需求銳減

導入AI系統後，減輕超過50%人工檢測的工作量。現場只需少數人員輪班監控，大部分產品由機器自動檢驗，降低人力投入與管理成本。品保人員得以從繁瑣重複的瑕疵篩選工作中解放出來，投入更高價值的品質改進任務。

產品不良率與生產良率改善

透過即時異常回饋與製程參數的動態調整，產線良品率提升了8～10%。由於瑕疵品在源頭即被剔除並即時進行製程參數修正，減少產品瑕疵的問題，生產的穩定性明顯提升。

食品安全風險降低

AI系統詳實記錄每批產品的檢測結果，建立完善的品質數據資料庫，可追溯每件瑕疵品的發生時間和原因。這使企業對於潛在的食品安全問題有更強的管控能力。如：發生客訴或市場事件，能迅速調出相關批次紀錄進行精準召回，降低大範圍下架的風險。同時，經由嚴格的AI品檢把關，流出市場的產品品質更加可靠，強化了企業的食品安全聲譽與品牌信譽。

生產品質數位化與決策優化

透過與ERP/MES等系統串接，將品檢與生產數據整合後，管理階層可在儀表板上即時查看各產線的良率、瑕疵類型分布，做出決策。例如，根據不同缺陷類型的統計趨勢，研擬設備保養計畫或培訓需求；利用品質數據分析，評估原料供應商的穩定性等。

FIND觀點

引入AI機器視覺後，食品製造業者依循智慧科技導入指引，將深度學習模型成功應用於產線，克服了人工檢測與效率的瓶頸，品質一致性顯著提升，不良率與人力成本大幅下降，以更快、更準、更穩定的方式取代人力目視檢查，為每一批產品提供更可靠的品質保證，也提升企業的市場競爭力。

隨著演算法與硬體持續進化，機器視覺將可結合X光、光譜分析等技術，實現食品成分偏差的檢測；同時，與機器手臂及自動化設備整合後，檢測至剔除的全流程有望全面自動化。再者，累積的品檢數據也可透過預測模型及時預警製程異常，實現預測維護與持續優化。最終，食品製造業將邁向更智慧、更有效率、穩定且永續的生產模式，助力企業在數位時代搶得先機、以更高品質標準迎戰市場挑戰。

封面圖片來源：unsplash

參考資料來源：