缺陷檢測模型怎麼做？

第一步是定義，不是收資料

先讓品保、產線與工程對「什麼算不良」達成一致，寫成有圖例的標註規則。標註不一致的資料集，訓練出來的模型只會複製人的分歧。

資料收集的現實問題

不良品天生稀少。可行做法包括保留歷史不良樣本、刻意製造典型缺陷樣品，以及在資料極度不平衡時改用異常檢測思路。

評估要看漏檢與誤殺

整體準確率會被大量良品稀釋，沒有參考價值。

• 漏檢率：不良被判成良品的比例，通常是硬指標
• 誤殺率：良品被判不良，影響產能與人力
• 複判量：需要人工介入的比例

上線之後才是重點

光源老化、換料、換供應商都會讓分布漂移。要建立定期抽樣比對與重訓流程，並保留模型版本與對應的判定結果，才能追溯問題。