多光譜成像 × 邊緣 AI

把機器視覺帶進現場

源點數替設備廠、門市與產線打造「看得懂」的視覺系統:從選光源、取像模組、模型,到在一塊小板子上離線跑起來。不只做展示,做到能在現場每天用。

400–950 nm可見光到近紅外的多光譜範圍
現場離線影像在設備端處理,不必上雲
模組到整機同一個團隊負責到底
光源與光學窄頻 LED、頻閃同步、環形照明
01
多光譜取像與校正暗場、平場、壞點、環境光扣除
02
邊緣 AI 推論分割、偵測、追蹤,跑在 Raspberry Pi 級硬體
03
現場決策與介面機構動作、門市 App、報告
04
應用案例

正在現場運作與開發中的視覺系統

每個案例都從同一套能力出發:先把光和取像做好,再把模型放到現場的硬體上。

咖啡與農產品研究中

咖啡豆分選

輸送帶上即時計數並追蹤每一顆豆子,結合多光譜辨識瑕疵豆。

輸送帶計數
93%(370/399 顆)
執行平台
Raspberry Pi 5
看案例 →
分藥設備與設備廠共同開發

藥物辨識

判斷藥盒裡有沒有藥,並替吸嘴找出每顆藥最好吸的位置。

內部情境測試
36/36 次吸取點正確
執行平台
Raspberry Pi CM4
看案例 →
美容沙龍・保養品門市門市試用中

膚質檢測

多光譜分析斑點、褐色區與紅色區,臉部照片只存在門市主機。

出報告
約 10 秒
介面
iPhone App
看案例 →
合作方式

從一個問題,到一台每天在用的設備

你帶來現場的問題和樣品,我們負責回答「做不做得到、要多少成本」,再一步步做到量產。

  1. 可行性評估

    看樣品、量光譜,判斷要用 RGB、多光譜還是其他感測方式。

    產出:可行性報告
  2. 原型驗證

    做出能跑的原型,用你的真實樣品測準確率和速度。

    產出:原型+實測數據
  3. 現場導入

    把系統裝進設備或門市,在真實光線和節奏下調到穩定。

    產出:現場驗收紀錄
  4. 量產與維運

    壓低硬體成本、整理成可複製的模組,之後持續更新模型。

    產出:量產模組/SDK
視覺筆記

機器視覺落地,常見的坑與解法

我們把專案裡學到的事情整理成短文,給正在評估視覺方案的設備廠、品牌與工程師參考。

  • 多光譜
    為什麼 RGB 相機分不出斑點和泛紅?從黑色素和血紅素的吸收曲線說起
    即將推出
  • 取像
    多光譜校正的四個步驟暗場、平場、壞點遮罩、扣除環境光
    即將推出
  • 邊緣 AI
    在 2GB 記憶體的板子上跑分割模型量化、輸入尺寸與記憶體預算怎麼取捨
    即將推出
  • 產線
    輸送帶上數豆子:追蹤比偵測難全域運動補償與重複計數
    即將推出

有一個「人眼在看」的工作想交給機器?

設備開發、產線檢測、門市導入、研究合作或投資洽詢,都歡迎來信。附上樣品照片或現場描述,我們會先回覆初步評估。

聯絡信箱
視覺方案評估模組採購設備共同開發門市試用投資洽詢