半導體與 PCB AOI 的量產級 OCR 與 OCV
比 AI 還重要的關鍵要素
在半導體與 PCB 生產時，OCR 故障極少源自辨識演算法，而是由成像條件的不穩定所致；這類狀況在實驗室環境下幾乎難以重現。
生產現場中的 OCR 失敗，很少是由 AI 所造成
生產現場的 OCR 故障極少由 AI 造成OCR 在受控環境下表現良好，但在生產現場往往失靈；這是因為工廠環境會引入震動、速度變化、眩光與不一致的標記品質，而這些因素在實驗室測試中難以重現。低對比的雷射蝕刻會隨視角偏移，油墨標記則會隨著時間逐漸暈開或褪色；若缺乏穩定的輸入，OCR 辨識精度便會崩潰。
為何影像擷取品質比演算法更關鍵
為何影像擷取品質比演算法更重要在生產環境下，影像擷取品質的重要性往往勝過演算法的選擇；即使前端只有小幅改善，也能帶來不成比例的效益。舉例來說，某後段生產線升級時，僅針對治具剛性與曝光時序予以強化，未調整任何模型，就能大幅降低誤判。一項廣受認可的原則再次獲得印證：也就是穩定而高對比的影像，是提高 OCR 辨識精度最重要的單一要素。
這正是 OCR 故障極少屬於 AI 問題的原因。這類故障其實是系統層面的問題。前端設計薄弱（例如光學元件不穩定或曝光控制不佳），會讓 AI 吃進無法使用的資料；這也是 AI 升級在示範時常能奏效，但放大到量產規模後卻往往失效的主因。在實務上，可靠的 OCR 來自整個成像流程的穩定，光調整模型是沒有用的。
OCR vs OCV：OCR 與 OCV，看似相同，實則大不相同
光學字元辨識 (OCR) 負責讀取文字，例如從影像中擷取「LM358」這類字串；光學字元驗證 (OCV) 則更進一步，評估印字品質並辨識暈染、褪色、筆畫缺失或位置偏移等問題。儘管兩者仰賴相同的影像輸入，但對變異的容忍度卻有顯著差異。
OCR vs OCV：關鍵差異
只要字元仍可分類，OCR 便能容忍中等程度的對比變異或區域性劣化；而 OCV 則會評估更精細的細節，例如邊緣連續性、筆畫寬度、對比均勻性與幾何完整性。因此 OCV 對成像不穩定極為敏感，也就是說，光源、對焦或運動的微小變化，都可能迅速轉化為可量測的瑕疵或誤判。
OCR（讀取） | OCV（驗證） | |
|---|---|---|
用途 | 擷取文字 | 驗證印刷品質 |
容許度 | 中等 | 低 |
敏感度 | 較低 | 高 |
系統需求 | 中等 | 高 |
風險 | 可能通過品質下降的文字 | 可能增加誤判為不良的情況 |
繼續閱讀實用的 OCR/OCV 設計指南
瞭解在實際生產環境中實現可靠 OCR/OCV 的關鍵因素——從光源、對比度與同步，到半導體及 PCB 檢測的實務驗證。