▋ 前言
在現代製造與影像處理技術的快速發展下，如何從高分辨率影像中快速、準確地檢測出細微瑕疵成為許多企業的挑戰。隨著相機感測元件越做越大，越來越多解決方案專注於大影像資料處理(如圖一)。然而，這些解決方案常面臨兩大瓶頸：如何處理大影像的巨大數據量，以及如何提高對小瑕疵的檢測能力。本文將介紹兩種方法：傳統影像處理方法切割關鍵檢測點搭配卷積神經網路（Convolutional Neural Network）檢測瑕疵，以及SAHI（Slicing Aided Hyper Inference）技術搭配物件偵測（Object Detection）檢測瑕疵。這兩種方法通過各自的技巧提升在大影像中的小瑕疵檢測能力，幫助企業突破限制。
圖一、每年CMOS相機感測元件越做越大
在製造業中，大型影像資料（如木料影像、半導體材料影像或紡織品影像）是品質管控施作最困難之處。傳統瑕疵檢測方法，無論是人工檢測還是基於傳統影像處理的技術，都面臨準確率的困境。一方面，人工檢測需要耗費大量時間與人力，且受制於檢測人員的經驗與注意力；另一方面，基於傳統影像處理方法常發生無法捕捉細微變化的瑕疵，例如輕微異色、淡斑等與背景相似的特徵(如圖二)。
圖二、異色及淡斑瑕疵
深度學習技術的引入提供了新的可能性，但也帶來了新的挑戰。當處理大影像資料時，通常作法是將影像縮放到固定尺寸再進行分析的方式會導致細節特徵損失(如圖三)，使檢測模型難以準確識別微小瑕疵。同時，大影像資料的處理效率問題也限制了深度學習模型的應用場景。在這樣的背景下，我們提出了兩種方法，幫助企業在高效處理大影像資料的同時，捕捉到細微的瑕疵。
圖三、深度學習分析作法
▋ 傳統影像處理方法切割關鍵檢測點搭配卷積神經網路檢測瑕疵
傳統影像處理方法(如圖四)是製造業中廣泛應用的一種檢測技術，其主要目的是確保產品品質。在面對日益增大的影像資料量與更高的檢測準確需求時，將傳統影像處理方法與卷積神經網路相結合，成為提升檢測精度的有效解決方案。這種方法通過聚焦影像中的關鍵檢測點，大幅優化了檢測效率。
圖四、傳統影像處理
其核心運作方式首先從傳統影像處理方法根據客戶關鍵檢測點，進行自動定位並切割關鍵檢測位置開始。在高分辨率影像中，以傳統影像處理方法快速掃描並鎖定關鍵可能存在瑕疵的位置，例如木料相關的加工或者紡織品的圖案重疊區域。這樣可以在大幅減少數據處理量的同時，保證檢測聚焦於最可能出現問題的區域，而無需分析整張影像。隨後，系統會針對傳統影像處理方法鎖定的關鍵點進行卷積神經網路高分辨率切片分析。在這一步中，從影像中裁剪出的關鍵區域以原始解析度輸入卷積神經網路模型進行瑕疵分類(如圖五)。這種處理方式有效避免了影像壓縮可能導致的資訊損失，充分保留了細節特徵。相比直接對整張影像進行分析，此方法能更精準地辨識微小特徵。
圖五、傳統影像處理方法切割關鍵檢測點搭配卷積神經網路 檢測瑕疵核心運作方式
這一技術結合帶來了顯著的優勢。由於專注於檢測重點區域，數據分析效率大幅提升，同時保證檢測率。此方法在檢測細微瑕疵方面表現出超越單一使用傳統影像處理方法或單一使用卷積神經網路模型的不足，能夠識別出容易遺漏的細節問題(如圖六)。
圖六、傳統影像處理方法切割關鍵檢測點搭配 卷積神經網路檢測瑕疵的演進構思
應用場景中，傳統影像處理技術與卷積神經網絡的結合，不僅能夠精確檢測板材加工過程中產生的瑕疵，甚至能夠識別微小的破損情況。同樣地，在木材拼接加工過程中，技術的結合可以有效檢測木材是否存在原生缺損，是否加工正確，或塗膠是否正確等多種問題。藉由將傳統影像處理方法與卷積神經網絡結合，瑕疵檢測變得更加高效與精準，同時也為未來更多影像處理應用奠定了堅實的技術基礎，展示出極大的應用潛力(如圖七)。
圖七、板材及木材瑕疵檢測應用場景
▋ SAHI技術搭配物件偵測檢測瑕疵
在處理高分辨率影像，且無法確定具體關鍵檢測點，需要對整體影像進行全面檢測的情況下(如圖八)，無法使用前述的技術，這使得準確發現細微瑕疵成為一個巨大的挑戰。為了解決這一問題，SAHI應運而生。SAHI是一種專為大影像資料設計的物件檢測技巧，特別在檢測細微特徵和小瑕疵方面，展現了卓越的性能。
圖八、高分辨率需全面檢測的產品
SAHI 的核心技術流程始於對大影像的切片處理。它將一幅高分辨率影像分割為若干重疊的子區域，每個切片的大小均設計為適配於物件檢測模型的輸入尺寸。這種切片方式的優勢在於不會壓縮影像細節，從而保留瑕疵的完整性。隨後，每個切片會通過訓練好的物件檢測模型進行分析，例如使用YOLOv11或RT-DETRv2，以準確檢測瑕疵的位置與類型。最後，系統會將所有切片的檢測結果重新拼接回完整影像，並進行後處理，去除重疊區域的重複檢測，輸出一份清晰、準確的檢測報告(如圖九)。
圖九、SAHI技術搭配物件偵測檢測瑕疵核心運作方式
這項技術的顯著優勢在於解決了傳統方法在小瑕疵檢測中的不足。面對大範圍影像資料時，傳統模型通常因為輸入範圍過大，無法有效捕捉尺寸極小的瑕疵。SAHI 技術通過將重點放在較小的影像切片上，避免了瑕疵細節被忽略的風險，從而顯著提高了對小瑕疵的檢測能力(如圖十)。
圖十、物件偵測搭配SAHI應用前與應用後
SAHI搭配物件偵測技術應用於各類需要處理大影像資料的場景。例如，在木工業的瑕疵檢測中，能準確發現整張木皮表面的微裂紋和細小木節，助力木皮分級。而在半導體中，以公分等級為影像單位識別微米級瑕疵，檢出瑕疵並分類，展現了其靈活性與高效性。不論是木工業應用還是半導體業，SAHI搭配物件偵測技術都為精確檢測提供了一種切實可行的解決方案，成為處理大影像資料時不可或缺的利器(如圖十一)。
圖十一、木工業及半導體檢測應用場景
▋ 未來展望與應用價值
隨著製造業與影像處理技術的不斷進步，大影像資料的瑕疵檢測正朝著更高效、更精準的方向發展。傳統影像處理方法切割關鍵檢測點搭配卷積神經網路檢測瑕疵以及 SAHI技術搭配物件偵測檢測瑕疵功能，有效應對大規模影像檢測中的小瑕疵挑戰，為解決細微特徵檢測難題提供了強有力的技術支持，同時展現出提升生產效率與擴展應用範圍的顯著優勢。這些技術將可廣泛應用於多個領域(如圖十二)，透過自動化的高靈敏度檢測手段，企業能有效減少人工干預，降低運營成本，並顯著提高檢測速度與準確性，進一步優化品質管控流程。
圖十二、技術擴散
儘管這些技術已展現出廣泛應用價值，仍有一些挑戰亟待解決。例如，進一步降低誤檢率、提升SAHI切片與合併效率，以及在複雜場景中實現多瑕疵高效檢測等。未來，從大影像資料中檢測細微瑕疵，將更依賴技術創新與問題細節的深刻理解。隨著這些技術的持續改進，不僅能幫助企業更靈活高效地應對品質檢測挑戰，還將推動 AI 應用邁向更多元、更具深度的發展階段，為各行各業帶來新的突破與價值。