半導體與 PCB AOI 的量產級 OCR 與 OCV

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。