工廠那台監視器，正在變成工安稽核員：電腦視覺落地的真實門檻
2026年8月28日
接上既有監視器就能 24 小時盯工安，聽起來完美。但台灣工廠導入這類系統，卡住的往往不是技術，是攝影機角度、勞資溝通與沒人接手的待辦清單。
工廠那台監視器，正在變成工安稽核員：電腦視覺落地的真實門檻
早上七點四十分，台中一間金屬加工廠的日班剛交接。堆高機從料架區倒車出來，一位剛進廠三週的作業員低著頭滑手機、從轉角走出來——兩者的路徑在三秒後會交會。
如果這間廠裝了工安電腦視覺，此刻天花板的喇叭會先響。如果沒有，這件事的結局就交給運氣。
這幾年「把監視器變成 AI 工安稽核員」的產品越來越多，共同賣點都是：不用換硬體、接上既有攝影機就能用。聽起來門檻低到不像話。但我實際問過幾間導入過的台灣工廠，卡住的地方跟廠商簡報上寫的完全不同。
事件背景
這個市場成形得比想像中快。Intenseye 官方宣稱每天處理 220 億幀影像，客戶名單包含太古可口可樂、西門子、聯合利華與海尼根，其中太古可口可樂的案例是失工日傷害率下降 27%。Voxel 主打 48 小時上線、相容超過 95% 的既有 IP 攝影機，客戶回報職災補償成本最多降低 73%。Protex AI 則走邊緣運算路線，強調影像不出廠。
技術路徑其實都差不多：把攝影機串流餵給電腦視覺模型，辨識未戴護具、進入禁區、人車交會、不當攀爬這幾類高風險行為，觸發警報或工單。差別在於偵測項目的深度、運算放在雲端還是邊緣、以及發現問題之後接什麼流程。
台灣這邊的推力來自兩個方向。一是職安署對重大職災的裁罰逐年趨嚴，二是工廠越來越請不到人——當老師傅退休、新人流動率高，靠「資深員工用眼睛盯」的傳統工安管理正在失效。
本次重點
- 零硬體投資是真的，但零工程量是假的。 相容既有攝影機確實省下換機成本，但攝影機的角度、高度與解析度是另一回事。
- 偵測項目的訊噪比比數量重要。 抓 50 種違規不一定比抓 5 種重大風險有用。
- 雲端與邊緣的選擇是資安問題，不是技術偏好。 影像要不要出廠，在有客戶稽核要求的供應鏈裡是硬條件。
- 警報之後沒人處理，整套系統等於白裝。 這是最常見的失敗模式。
- 勞資溝通是導入成敗的關鍵變數，而且沒有任何軟體功能能解決。
市場影響分析
對台灣使用者（現場人員）
我聽過最寫實的一句抱怨來自一位廠務主管：「系統上線第一週抓了四百多筆違規，第二週我們就把警報聲關掉了。」
這不是產品的錯，是預期管理的錯。任何工安電腦視覺剛上線時都會抓出一堆你本來不知道的違規——因為那些違規本來就一直存在，只是沒人看見。問題在於，如果沒有配套的處理流程，四百筆待辦事項只會讓現場覺得這套系統是來找碴的。
務實的做法是分階段：第一個月只開最高風險的兩三項偵測（人車交會、進入禁區），把處理流程跑順，再逐步加開。一次全開是自殺。
另一個現場層面的問題是攝影機。台灣工廠的監視器多半是為了防竊裝的，角度朝向出入口、高度偏高、逆光嚴重。要判斷一個人有沒有戴安全帽，鏡頭得看得到他的頭；要判斷堆高機與人的距離，鏡頭得有合適的俯角。相容不等於看得清楚，這件事廠商簡報不會講。
對企業應用
從企業採購的角度，這類系統的投報率其實比多數人以為的好算。一次重大職災的成本不只是罰鍰，還包含停工損失、設備查扣、客戶稽核失分、以及主管的刑事責任風險。把這些加總起來，系統年費通常不是最大的數字。
真正該談的是選型邏輯。如果你的痛點是「想快速驗證這東西到底有沒有用」，Voxel 的 48 小時上線讓專案不會死在啟動階段；如果你在半導體或國防供應鏈、影像絕對不能出廠，Protex AI 的邊緣架構是唯一選項；如果你的廠區已經有成熟的職安管理制度、要的是把偵測接上實際的防護動作，Intenseye 支援直接觸發設備急停這點值得評估。環境極端（高溫、粉塵、強光）的鋼鐵冶金業，則要看 Everguard.ai 這類融合穿戴裝置與 IoT 感測的方案。
對開發者
這個領域對本地團隊其實有機會。國際廠商的模型是用歐美廠區資料訓練的，台灣廠區的動線密度、機具型號與作業習慣都不同；更別說營建工地的臨時性場景，跟制式廠房差異極大。在地化的偵測模型、與既有 MES 或工安管理系統的串接，都是外商不會做的細活。
技術上要留意的是誤報成本的不對稱性。漏報一次可能出人命，誤報一百次會讓系統被關掉——但這兩者的代價在模型訓練時常被當成對稱處理。設計台灣場景的模型時，門檻怎麼調、要不要引入人工複核，比追求準確率小數點後一位重要得多。
未來發展趨勢
我認為接下來兩三年會往三個方向走。
第一是從偵測走向控制。目前多數系統做到發警報就停手，但 Intenseye 已經在做直接觸發急停。這條路走下去，工安 AI 會從監測工具變成安全迴路的一部分，責任歸屬與失效模式的設計會變成新的議題——系統誤停產線的損失誰扛？
第二是感測器多元化。純靠一般攝影機的天花板很快就會到，熱像、深度相機、UWB 定位與穿戴裝置的融合會成為標配，特別是在遮蔽多、光線差的場域。
第三是與職安法規的接軌。目前這類系統產出的資料還沒有法定地位，但當它們累積足夠的案例，「有沒有裝」很可能在未來的職災調查中變成一個被問到的問題。這對業者是壓力，也是市場的加速器。
TheAI學院 總結與評語
講真的，我對工安 AI 的態度一直是「技術不是問題，組織才是」。這幾家廠商的偵測能力都到了堪用的水準，真正決定成敗的是三件事：攝影機角度對不對、勞資有沒有先講清楚、警報出來有沒有人接。這三件事全部發生在軟體之外。
我特別想強調勞資溝通。監視器拍到的是人，員工的第一反應一定是「這是要用來抓我遲到早退」。一旦這個認知定型，接下來就是攝影機被轉向、警報被忽略、系統被架空。要破解只有一個辦法：導入前明確承諾影像只用於工安、不作為考績依據，而且要寫進勞資會議紀錄，口頭講沒有用。
評語：工安電腦視覺已經是成熟技術，但它是一套組織工程而不是採購案。買之前先問自己一個問題——警報響了，誰去處理？答不出來就先別買。
給台灣讀者的具體建議：如果你在製造業負責工安，先做三件事。第一，盤點現有攝影機的角度與畫質，挑出三到五支真正拍得到高風險區域的；第二，選一家願意做小規模 POC 的廠商，只開兩項偵測跑一個月；第三，在 POC 開始前召開勞資會議說明用途與界線。這三步做完，你會比八成的導入案例更接近成功。想比較這個領域的工具，可以看 AI 公共安全與應變 分類下的整理，或從 AI 任務指南 找相近的應用情境。
資料來源
（本文依公開資訊整理，各產品規格與客戶案例數字以廠商官方揭露為準。）
常見問題
接上既有監視器真的不用換硬體嗎？
硬體確實不用換，但攝影機的角度、高度與解析度會直接決定偵測效果。多數台灣工廠的監視器是為防竊而裝，角度朝向出入口且逆光嚴重，未必拍得到判斷工安行為所需的畫面。建議導入前先盤點，挑出真正拍得到高風險區域的幾支做試點。
影像上雲會不會有資安問題？
會，而且在有客戶稽核要求的供應鏈裡通常是硬條件。Voxel 這類混合雲架構需要上傳影像，Protex AI 則主打邊緣運算、影像不出廠。半導體、國防相關供應鏈建議直接選邊緣方案，並在合約中確認資料存放地點與保存期限。
員工反彈怎麼處理？
這是導入失敗最主要的原因。有效的做法是在系統上線前召開勞資會議，明確承諾影像只用於工安用途、不作為考績或出勤依據，並將這項承諾寫入會議紀錄。同時優先選擇影像不外傳的方案，可大幅降低疑慮。
預算有限的話該從哪裡開始？
從單一最高風險區域開始，只開兩到三項偵測項目（例如人車交會與進入禁區），跑一到三個月的 POC。這樣既能驗證效果，也能讓現場先建立處理流程。等流程跑順再逐步擴大偵測項目與區域。
資料來源：theai-editorial