隨著工業生產對產品質量要求的不斷提高，化工/材料行業中印刷膜和標籤卷材的質量檢測面臨著更高的挑戰。微鏈道愛 2D AI AOI 裝置的出現，為這一領域帶來了新的突破。
在化工/材料行業，印刷膜和標籤卷材的應用極為廣泛，涵蓋包裝、標識等多個領域。這些產品的質量直接影響到最終產品的外觀和效能，因此對其進行嚴格的質量檢測至關重要。某化工材料領域的頭部廠商，在其印刷膜/標籤卷材的生產線上，需要對產品表面的印刷質量、字元清晰度、裝配完整性等進行全面檢測。檢測物件包括各類不同規格和用途的印刷膜和標籤卷材，以確保產品符合相關標準和客戶要求。
痛點：為什麼難
傳統的檢測方式在該場景下面臨著諸多量化困境。從漏檢率來看，約為 1.2%，這意味著部分有缺陷的產品可能會流入市場。這些缺陷產品可能存在印刷瑕疵、字元模糊等問題，會嚴重影響品牌聲譽。例如，在食品包裝上使用有缺陷的標籤，可能會導致消費者對產品產生不信任感。
誤報率方面，高達 35%，這使得大量合格產品被誤判。企業需要投入大量的人力進行復檢，不僅增加了人力成本，還延長了生產週期。而且，人工複檢的效率和準確性也難以保證，容易出現漏檢或誤判的情況。
此外，傳統檢測方法在換型時間上也存在不足。當生產線上更換產品型號時，需要花費大量的時間進行裝置調整和引數設定，這降低了生產線的靈活性和效率。隨著本地大模型規模化商用在工業視覺質檢領域成為熱點方向，傳統檢測方法難以滿足智慧化、高效化的需求，其根本原因在於缺乏先進的演算法和成像技術，無法準確識別微小缺陷和過濾誤報。
技術原理
微鏈道愛的 2D AI AOI 裝置採用了高分辨 2D 成像和深度學習二次判圖技術。高分辨 2D 成像能夠以微米級的精度捕捉印刷膜/標籤卷材表面的微小細節，如微小劃痕、油墨不均等缺陷。與傳統成像技術相比，其解析度更高，能夠提供更清晰、準確的影象，為後續的分析提供了堅實的基礎。
深度學習二次判圖技術則利用先進的演算法對成像進行分析。透過大量的樣本訓練，模型能夠準確識別不同型別的缺陷。與傳統的基於規則的檢測方法相比，深度學習演算法具有更強的適應性和準確性，能夠不斷學習和最佳化，提高缺陷識別的能力。
該裝置的核心優勢之一是語義誤報過濾功能。它可以根據缺陷的語義資訊，如缺陷的型別、位置、大小等，對誤報進行有效過濾。例如，對於一些由於材料紋理等正常現象產生的誤報，系統可以透過語義分析將其排除。而傳統方法往往無法準確區分這些正常現象和真正的缺陷，導致誤報率較高。
典型應用場景
- 印刷質量檢測：透過高分辨 2D 成像技術，裝置可以清晰地捕捉印刷圖案的細節，檢測是否存在油墨缺失、圖案模糊等問題。難點在於一些輕微的印刷缺陷可能與正常的印刷紋理相似，需要深度學習演算法進行準確區分。
- 字元清晰度檢測：裝置能夠對印刷膜/標籤上的字元進行 OCR 識別，判斷字元是否清晰、完整。難點在於不同字型、字號和顏色的字元對識別的準確性有一定影響，需要演算法進行自適應調整。
- 裝配完整性檢測：檢測標籤卷材上的零部件是否裝配齊全，是否存在缺失或錯位的情況。難點在於一些微小的零部件可能難以被準確識別，需要高解析度成像和精確的演算法分析。
- 表面缺陷檢測：包括檢測劃痕、氣泡、汙漬等表面缺陷。難點在於這些缺陷的形態和大小各不相同，需要演算法具備較強的泛化能力。
落地案例
某化工材料領域的頭部企業，生產規模較大，產品種類繁多。在引入微鏈道愛 2D AI AOI 裝置之前，該企業採用傳統的檢測方式，面臨著較高的漏檢率和誤報率，生產效率低下。在上線過程中，微鏈道愛專業的技術團隊將裝置安裝在生產線上，並進行了詳細的除錯和培訓。軟體系統會根據預設的檢測標準對影象進行實時分析和處理，一旦發現缺陷，及時發出警報。
使用微鏈道愛 2D AI AOI 裝置後，該企業的檢測成效得到了顯著提升，為其生產帶來了更高的質量保障和效率提升。
微鏈道愛解決方案與產品
以 2D AI AOI 裝置為核心，該裝置具備高速線上全檢能力，能夠在不影響生產節拍的情況下，對印刷膜/標籤卷材進行全面檢測。其微米級的檢測精度可以滿足行業的嚴格要求。配套的 DaoAI AI AOI 軟體系統，利用視覺基礎模型的特徵認知，一塊良品 5 分鐘即可實現 0 程式碼自動程式設計，並且支援 APDT 正樣本/少樣本學習（1-20 張良品），能夠快速適應不同的產品檢測需求。在實際應用中，裝置安裝在生產線上，軟體系統實時對產品影象進行分析和處理，一旦發現缺陷，立即發出警報，確保產品質量。
量化成效
使用微鏈道愛的 2D AI AOI 裝置後，該廠商的檢測成效顯著。檢出率提高到了 98.8%，漏檢率降低至 <1.2%，有效確保了產品質量。誤報率降低了 -65%，大大減少了人工複檢的工作量。換型時間縮短至 5min，提高了生產線的靈活性和效率。
常見問題
2D AI AOI 裝置能檢測哪些型別的缺陷？
該裝置可檢測印刷膜/標籤卷材表面缺陷、印刷瑕疵、字元 OCR 錯誤、裝配缺漏等平面缺陷。憑藉高分辨 2D 成像和深度學習技術，能實現微米級精度檢測，可清晰識別微小劃痕、油墨不均等問題。
裝置的誤報過濾是如何實現的？
透過語義誤報過濾功能，依據缺陷的語義資訊，如型別、位置、大小等進行精準分析。系統能區分正常現象和真正的缺陷，將因材料紋理等產生的誤報排除，有效降低誤報率。
更換產品型號時，裝置能快速適應嗎？
可以。配套軟體支援 0 程式碼自動程式設計，一塊良品 5 分鐘即可完成設定，且支援正樣本/少樣本學習（1-20 張良品），能快速適應不同產品的檢測需求。
本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。