| 一键操作 | 从错误报告到训练样本 在生产过程中，在复检屏幕上报告。没有任何信息会离开机器。 |
在生产过程中，在复检屏幕上报告。没有任何信息会离开机器。
| 80% | 更少的误报 与基于规则的基线相比，并且每次报告都会持续改进。 |
与基于规则的基线相比，并且每次报告都会持续改进。
| 持续学习 | 通过每一轮反馈改进模型。 在复核误报后更新，或在生产过程中收集反馈并稍后更新。 |
在复核误报后更新，或在生产过程中收集反馈并稍后更新。
您提供反馈。AI 从中学习。
步骤 01 · 操作员
标记为 OK 或 NG
将元件标记为 OK 或 NG。您的反馈可应用于同一组中的其他元件。
步骤 02 · 操作员
选择 AI 学习的内容
开启训练以将此反馈纳入模型更新。关闭训练以记录反馈而不用于训练。
步骤 03 · AI
更新 AI
运行 AI 更新以从选定的反馈中学习并自动调整检测参数。
步骤 04 · 机器
重新检测
再次检测板并复核更新后的结果。
相同料号，不同供应商。
即使是相同料号，不同供应商也可能意味着不同的本体形状或标记。将可接受的变体标记为 OK，以便 AI 学习在元件组中识别它。
变体不是缺陷
不同批次之间标记字体不同或本体颜色变化不一定意味着缺陷。您的反馈会教导 AI 哪些变体是可接受的，而引脚翘起、连锡和元件缺失仍然是检测目标。
更新不会触及您手动设置的内容。
您的设置保持不变
更新会避开您自行设置的任何内容。
手动设置优先
当您的设置与更新冲突时，您的设置将保留。
生产线优先
更新等待生产线，而不是反过来。
撤销更新
不是您想要的结果？恢复原状。
我们如何从替代方案中脱颖而出。
同一种误报，三种处理方式。
| 调整阈值 | 手动 |
| 通用 AI AOI | 供应商重新模型训练并交付 |
| DaoAI | 反馈学习和 AI 更新 |
实际变化该参数判断的所有内容的接受范围变宽您的机器上没有变化。请求发送给供应商，已部署的模型保持不变模型学习它获得了一个该组件正确外观的示例对真实缺陷的影响在变宽范围内的缺陷也被接受直到下一个模型到来才知道，并且它没有针对您的缺陷进行模型训练仍然被捕获分数相近的缺陷仍然超出现在正常的范围决策所在某人更改的数字，原因未随之存储在供应商处，在您不持有的数据集中在您的数据集中产品数据集中的一个带标签示例，附带图像更改范围该参数管理的所有内容，无论您是否有意他们的重新模型训练更改了什么，适用于运行该模型的所有工厂您选择的组一个位置、一个类别、一个料号或一个封装谁可以操作任何有权限更改检测参数的人AI 工程师，通常是供应商的任何操作员无需权限即可报告误报，无需更改程序长期阈值保持宽松，且未记录原因您需要等待发布周期，并且您的图像可能需要离开工厂才能完成更新永久修复模型多了一个示例，不再报告该组件
我们每次都会遇到的四个问题。
需要报告多少次才能停止报告该组件？
这取决于具体项目以及组件外观的差异程度。机器会在产品收集到足够多的数据值得更新时通知您。
报告误报会更改程序吗？
不会。报告会添加一个示例。当拥有权限的人运行更新时，程序才会更改，并且该更改可以撤销。
重新训练时产线会停止吗？
不会。更新会等待产线，而不是产线等待更新。
更新会覆盖我们工程师设置的阈值吗？
不会。您手动设置的任何内容都会被机器保留。
想要更多控制权？自行调整检测设置，从单个阈值到每个组件使用的工具。