FloVision

這是什麼、解決什麼問題

FloVision 做的是肉品與禽肉加工廠的產線視覺檢測。攝影機架在既有輸送帶上方，用訓練過的電腦視覺模型逐塊檢查產品，即時算出良率、品質與缺陷，涵蓋牛、豬、雞，官網也提到海鮮與羊肉的能力。

它解決的問題在食品加工業很具體：分切過程中損失的良率，人工目檢抓不完也算不清。一條去骨線每分鐘過幾十塊肉，人眼只能抽樣，殘留在骨頭上的可食用肉有多少、哪一班哪一位作業員的損耗特別高，傳統上沒有數字，只有印象。

實際用起來

它最聰明的產品決策是可以 retrofit——不必換新輸送帶、不必停線改造。

這一點不是技術細節，是能不能賣得出去的關鍵。食品加工廠的產線停一天，損失遠大於軟體授權費，所以任何要求「改產線」的方案，第一關就會被廠務主管擋下來。很多技術上更好的方案就是死在這裡。FloVision 把這個門檻拿掉，等於把決策層級從「資本支出專案」降到「營運改善」。

產品線包含 FloVision Nano（專做去骨線檢測）、Fingerprinting（屠體溯源技術）、企業儀表板與 API。即時警示可以直接打到產線的三色燈、HMI 人機介面或自動剔除分流器——也就是說它不只是事後報表，而是當下就介入產線。這個差別很重要：報表只能用來檢討，即時介入才能減少損失。

官網宣稱的數字是良率通常回收 1 到 3%、投資回收期低於 6 個月、6 週從試點到正式上線；案例提到某牛肉加工廠光是去骨分選一項年回收 190 萬美元。

這些數字要打折看，因為全部來自廠商自述，沒有第三方驗證。但「良率 1 到 3%」這個量級在肉品業確實有意義——這個產業的營業淨利率常常只有個位數，原料成本佔比又極高，良率一個百分點直接反映在毛利上。

定價與方案

官網未公開價格，需洽詢。它主打的是投資回收期而非單價，這種訂價溝通方式通常意味著金額不低。

評估時我會要求三件事：一、到現場做可行性評估（你的產線速度、產品擺放方式、現場照明會直接決定模型準確度）；二、以你自己的產品訓練的驗證期要多久；三、把「模型準確度未達承諾」的處理方式寫進合約。

適合誰、不適合誰

適合：有一定規模、產線標準化的肉品與禽肉加工廠；供貨給連鎖通路、對溯源有要求的業者；已有明確良率損失但缺乏數據佐證的工廠。

不適合：小型屠宰場或分切場——攤提不了這套系統，人工目檢反而合理。產品規格變化極大、產線非標準化的廠也不適合，模型需要相對穩定的作業條件。

替代方案

傳統做法是人工目檢加抽樣秤重，成本低但覆蓋率低、資料品質差。通用的工業視覺方案（Cognex、Keyence 等）功能強大但需要較多整合工程，且缺乏肉品專屬的模型。同業如 LMI 的 FactorySmart 與 KPM Analytics 的 SiftAI 各有側重，前者強在 3D 量測，後者主打異物偵測。FloVision 的差異在專攻肉品良率與溯源，且主打免改產線。

台灣觀點

我必須誠實說：台灣能直接對上 FloVision 的加工廠不多。台灣的肉品加工以中小型為主，這套系統的經濟規模對不上，這不是產品的問題，是市場結構的現實。

但我認為台灣業者仍值得關注它，而且切入角度應該換一個——不是良率，是溯源。

理由是這樣：台灣經歷過多次食安事件，通路端（超市、量販、連鎖餐飲）對供應商的溯源要求逐年收緊，而且這個趨勢只會更嚴。FloVision 的 Fingerprinting 屠體追蹤能力，在談判桌上的價值可能高於省下的那 1% 良率——能證明每一塊肉來自哪一頭、哪一批，這是拿得到大通路訂單的門票。

給台灣業者的三個具體建議：

一、先量測基準再談導入。用一週的產線資料，人工記錄你現在的良率損失與異常率。沒有基準值，你無從判斷廠商宣稱的 1 到 3% 對你是多還是少，議價也沒有籌碼。

二、模型要用你自己的肉品訓練。官網也是這樣寫的，所以別期待開箱即用。你的分切方式、常見缺陷類型、甚至肉品來源的品種差異，都需要資料收集期。把這段時間排進專案時程，別讓它變成意外。

三、規模不夠就別勉強整套。如果你的產線撐不起完整方案，與其硬上，不如先處理單一痛點——例如異物混入或特定部位的分切失準，用單點的視覺檢測方案，成本結構合理得多。導入 AI 不是比誰的系統完整，是比誰真的省到錢。