精確度與召回率的科學權衡
影像辨識的成功並非僅靠單一數值。在工業及研發環境中，過高的偽陽性或偽陰性均具備不同的機會成本。我們採用國際通用的 F1 Score 綜合評估標準，確保模型在穩定性與敏感度之間取得最優平衡。
精確度 (Precision)
驗證模型在所有被識別為目標的圖像中，真實目標所佔的比例，減少誤報帶來的作業中斷。
召回率 (Recall)
衡量模型檢出所有真實目標的能力，對於缺陷檢測與安全監控而言，這是我們最重要的容錯指標。
| Metric Factor | Threshold | Status |
|---|---|---|
| Baseline Accuracy | 94.5% - 98.2% | Verified |
| Noise Resilience | > 85% IoU | Active |
| Latency (Static) | < 150ms / frame | Compliant |
| F1 Consistency | 0.92 Delta | Passed |
環境韌性與壓力測試
實驗室的高精準度外推至真實廠房往往會面臨瓶頸。我們在軟體原型驗證階段，模擬了多種極端視覺場景，確保演算法具備應對台灣常見濕熱、低照度及複雜光影的適應能力。
極低照度補償
針對不足 100 Lux 的環境進行邊緣強化測試。我們的算法能在高噪點影像中準確定位物件輪廓，降低對補光設備的依賴。
- 噪點抑制演算法驗證
- 自動對比度直方圖校正
多棲角度容忍度
模擬攝像頭偏移 +/- 15 度的非預期位移。透過空間仿射變換校準，確保即使安裝支架發生微小晃動，識別精度依舊穩定。
- 仿射變換穩健性測試
- 特徵點空間映射覆核
遮擋與殘影抗性
評估當目標物被其他物件部分遮蔽（達 30%）時的識別成功率。這對於動態生產線上的快速靜態擷取至關重要。
- 部分卷積特徵提取
- 語意連貫性驗證
數據安全的本地化協定
Data Isolation Protocol v4.0
我們深知工業數據的敏感性。FreeSolvirox 的驗證流程嚴格遵循「不落地、不留痕、不外傳」三大原則。所有測試數據僅在封閉式本地環境進行處理。
影像本地化處理
軟體運作無需雲端連線，杜絕洩漏風險。
標註去識別化
移除影像中的個人特徵與廠區敏感標示。
加密權重部署
模型權重採用高強度封裝，保護演算法核心。
合規存取審計
嚴格紀錄每一次的模型調用與參數變更。
