金屬薄片 AI 檢測：大圖切塊、GPU 與量產節拍怎麼一起做

金屬薄片的瑕疵可能很小，整張影像卻很大。直接把 64 MB 大圖丟進模型，不一定看得到小瑕疵，也不一定跟得上產線節拍。

我們處理大面積薄片時，先找出有效檢測範圍，再把大圖切成可控的小區塊交給 AI。速度只是其中一項；平整度、擺放角度與影像一致性，往往更早決定模型能不能穩定上線。

晟技術審閱：晟格科技 AOI 應用工程團隊
最後實質更新：2026 年 9 月 7 日

大圖檢測跟不上節拍？

帶著影像大小、最小瑕疵、產能與擺放條件來，我們先拆解完整 cycle time。

先切出有效檢測區，別讓模型看整張背景

大圖前處理的第一步，是切出真正的金屬薄片主體。這能減少無效背景、降低後續運算量，也讓模型聚焦在需要判定的表面；前提是 ROI 邊界不能把產品邊緣瑕疵切掉。

切塊後，模型能在較高的局部解析度下處理瑕疵，但切塊尺寸、重疊區與回拼規則都要先定義。瑕疵剛好落在兩塊交界時，沒有重疊或索引規則就可能被切斷。

例如專案目標是以 GPU 加速深度學習，設定下約 7 秒內要完成一張 64 MB 大圖檢查，目標是 3.5 秒內。這兩個數字只代表當時的影像、硬體、模型和前處理條件；要評估量產，必須分開記錄取像、ROI、切塊、推論、回拼、判定、存檔與送料的完整時間。

別忽略擺放條件：金屬薄片的平整度和角度一致性會改變反光與紋理。影像基準不穩時，換更大的 GPU 也不會讓結果穩定。

64 MB 影像只是檔案大小，不等於檢測難度。金屬薄片上真正影響模型的，是反光分布、平整度、擺放角度、邊緣是否翹起，以及瑕疵是否在切塊後還保有足夠像素。

目標節拍不能只交給模型團隊。取像、傳輸、ROI、切塊、GPU 排程、回拼、資料庫寫入和下料訊號都會佔時間。

先量到每一段的時間，再決定該換 backbone、縮小 ROI、調整切塊或改善硬體。否則只換 GPU，常常花錢卻沒有縮短真正的瓶頸。

大圖專案容易把焦點放在 GPU 和模型速度，但真正的驗收要同時確認瑕疵座標正不正確、跨切塊是否重複或漏掉、不同平整度下是否穩定，以及資料是否能回到產品批號。

請提供代表性大圖、最小瑕疵、產品尺寸、目標速度、現有 GPU／IPC 與擺放條件。我們會先從光學、切塊、資料與整機時序分段評估，找出最值得優先改善的環節。