CompScience

工廠裡最被浪費的資產：那些沒人看的監視器畫面

台灣的工廠、工地、倉儲，監視器覆蓋率其實很高。問題是那些畫面平常沒人看，只有出事之後才會被調出來——用途是釐清責任，不是預防事故。

CompScience 的切入點就是這個落差：接上你既有的攝影機，用電腦視覺把「事後查證」變成「事前預警」。不用換硬體，這是它最務實的地方。

它在偵測什麼

主要是三類：防護具有沒有依規定配戴、人員跟機具的危險接近（堆高機、吊臂這類）、以及跌倒與近失事件。近失事件的偵測我覺得最有價值——那些「差一點就出事」的瞬間，傳統上根本不會被記錄，但它們正是事故的前兆。

系統會把這些訊號彙整成可追蹤的安全指標，讓職安部門有數據可以講話，而不是只能說「大家要小心」。

商業模式很聰明

它跟工傷保險連動：事故率降低換保費調整。這讓投資報酬變得可以計算，而不是一個模糊的「安全很重要」。對要跟財務部門爭預算的職安主管來說，這個框架好用很多。

缺點與風險

員工監控的疑慮一定會出現。 這是導入時最大的阻力，而且是合理的阻力。我看過的失敗案例，幾乎都是技術裝好了、員工反彈到用不下去。比較能被接受的做法是：明確限定用途為安全改善、不與績效考核連動、資料保存期限講清楚、導入前跟員工代表溝通過。

辨識準確度高度依賴攝影機條件。 角度不對、解析度太低、逆光——這些都會讓準確度掉一大截。實際導入前會需要場域評估，決定哪些鏡頭能用、哪些要調位置。這部分的工程成本容易被低估。

誤報需要調校期。 剛上線時警示會很吵，需要幾週到幾個月的規則調整。這段期間如果沒有人負責調校，系統很快就會被當成雜訊忽略。

適合誰

• 製造業、倉儲物流、營建業的職安衛負責人
• 已經有大量監視器、但沒有善用的廠區
• 需要用數據佐證安全改善成效的單位

不適合：攝影機覆蓋率低的場域、勞資關係緊張到無法溝通監控議題的組織。

替代方案

需求偏營建工地、而且要更廣的模組選擇，viAct 的電腦視覺模組數量更多，涵蓋工地、油氣與礦業等場景。若你的痛點其實是文件與表單流程而不是現場影像，那該找的是別的工具，別把電腦視覺硬套上去。

台灣觀點

台灣的職業安全壓力這幾年明顯上升，重大職災的社會關注度也高。製造業的監視器密度足夠，缺的從來不是硬體，而是「有人看」。這是 AI 最該優先接手的那種工作：重複、單調、但漏看的代價很高。

不過我要誠實講一件事：台灣的職場文化對監控相對敏感，而且勞資溝通的習慣不見得成熟。技術上這套系統一週就能接完，難的是那場說明會。

我的建議是把它定位成「保護你」而不是「盯著你」，而且要說到做到——資料不進考核、不做個人識別排名、發現問題先改流程而不是先究責。做不到這幾點，系統裝了也是白裝。