方案一：HDMI/VGA 數位影像攔截
🌟 強烈推薦 / 可行性極高
架構師優化建議
-
文字辨識 (OCR)：
「30.664」等浮點數建議採用
PaddleOCR，在繁中與工業數字環境下，準確率顯著優於 Tesseract。 -
曲線提取：
使用 HSV 色彩空間過濾黃色曲線
(H: 20-35, S: >100, V: >100)，抗雜訊穩定度遠勝 BGR。 -
線性度量化演算法：
將曲線 Y 值正規化後，計算
(max - min) / mean × 100%，即可直接對應小於 20% 的檢驗標準。 -
潛在風險提示：
若舊系統螢幕為 VGA 類比輸出，須嚴格確認 Capture Card 是否支援其對應的特殊解析度與更新率。
Data Flow Architecture
FastAPI + OpenCV
方案四：人機協作 PWA
過渡 / 備援
捨棄在前端 WebAssembly 跑 CV 的複雜度，直接呼叫多模態大語言模型 (如 Claude Vision API 或 GPT-4o)，讓模型看圖並直接回傳結構化資料。
Vision LLM JSON Payload 範例
開發成本極低。對「曲線平緩度」的語意判斷，AI 大模型反而比純粹的 OpenCV 演算法更具彈性與容錯率。
方案二：相機視覺辨識
有條件可行
必須落實的防護措施
- 1 硬體端必須安裝 遮光罩 (相機標配) 隔絕環境光。
- 2 加入 自動白平衡 (AWB) 鎖定 與 固定曝光值 設定。
- 3 軟體演算法務必實作 Perspective Transformation (透視投影校正)，否則畫面變形會導致 Y 軸比例失真，產生系統性線性度誤差。
方案三：物理訊號直接攔截
⚠️ 技術最純粹，但工程風險最高
雖然直接讀取源頭訊號在理論上數據最純粹，但在實務工程上隱藏著嚴重的陷阱，需謹慎評估。
| 工程風險項目 | 影響與後果說明 |
|---|---|
| 阻抗匹配問題 | 並聯分流會改變訊號源的負載阻抗，可能影響舊系統的量測值，造成「新舊系統數據打架」的不一致狀況。 |
| 接地迴路干擾 | 兩台設備共地極可能產生 Ground Loop，直接注入 60Hz 工頻雜訊到微弱的感測器訊號中。 |
| 法規/校驗失效 | 若舊機台具備計量校驗認證 (Calibration)，未經原廠授權的硬體改動可能導致認證瞬間失效。 |
| 微控制器頻寬限制 | 爆震感測器工作頻率高達 15kHz+，ESP32 等 MCU 的 ADC 採樣率與精度不足。建議改用 NI DAQ 或 Measurement Computing 等工業級模組。 |
硬派解法 (Mitigation)
若非得選此方案，強烈建議在電路上加裝 隔離放大器 (Isolation Amplifier，例如 Texas Instruments INA128)，確保兩套系統在電氣上達到完全隔離。
架構師總體建議與部署策略
第一階段：敏捷上線
先導入 「方案四：PWA + Vision LLM」。開發週期極短，預期在 2~3 週內即可上線。讓現場產線作業員先行使用，快速累積歷史數據並建立對新系統的信心，同時驗證管控邏輯。
第二階段：全自動化
在第一階段穩定後，採購 Capture Card 與小型 Edge Server (如 Intel NUC 或 NVIDIA Jetson 等工業電腦)，全面實施 「方案一：數位影像攔截」，徹底達成零人工介入的全自動管控與數據採集。