ACI OS 作業系統壓降玻璃表面缺陷漏檢，提升檢出率

微鏈道愛 ACI OS 作業系統(視覺基礎模型的特徵認知、一塊良品 5 分鐘 0 程式碼自動編程、APDT 正樣本/少樣本學習 1–20 張良品、語義誤報過濾、支援 SDK/API/Docker 100% 本地私有化) 透過融合物理視覺系統的感測器校準資料與高階深度學習模型，精準識別化工材料行業平板玻璃生產中的微小表面劃痕與氣泡缺陷，將傳統方案的漏檢率從行業普遍的 3.5% 壓降至 <0.8%，實現了檢出率的顯著提升和生產效率的最佳化。

化工/材料行業在平板玻璃製造過程中，表面缺陷的檢測是確保產品質量和安全的關鍵環節。特別是在高品質顯示屏、建築幕牆、汽車玻璃等應用領域，微小的表面劃痕、氣泡、雜質、麻點等缺陷都可能導致產品降級甚至報廢。過去，這類缺陷主要依賴人工目檢或基於規則的傳統 AOI 系統進行檢測。然而，隨著生產節拍的加快和產品規格的日益複雜，傳統方法在精度、效率和成本方面都面臨嚴峻挑戰。微鏈道愛 ACI OS 作業系統正是為解決這些痛點而生，透過先進的視覺基礎模型與少樣本學習技術，為玻璃製造企業提供了高效、精準的缺陷檢測方案，有效提升了產品質量控制水平。

痛點: 這道坎為什麼難過

平板玻璃的表面缺陷檢測面臨多重挑戰，導致傳統方案的漏檢率居高不下，普遍在 3.5% 左右，誤報率也常達 8%–15%，嚴重影響生產效率和成本。首先，缺陷種類繁多且形態各異，如微米級的劃痕、內部氣泡、表面麻點、甚至一些半透明或低對比度的異物，這些缺陷在視覺上難以統一建模。其次，玻璃本身的光學特性複雜，反光、折射、透射等現象極易干擾成像，導致缺陷特徵模糊或被環境噪聲掩蓋。在高速生產線上，留給檢測的時間窗口極短，傳統基於規則的 AOI 系統難以在如此複雜的背景下實現高精度、高速度的穩定檢測。此外，新品種、新工藝的玻璃材料層出不窮，每次換型都需要耗費大量工程師時間重新編寫規則，停機時間長，編程效率低下。

結合今日行業熱點方向，物理 AI 視覺系統中感測器校準對系統魯棒性與檢測精度的決定性影響，在玻璃缺陷檢測中尤為突出。玻璃表面的微小缺陷，如細微劃痕，其在不同光照角度和感測器參數設定下，成像特徵會發生顯著變化。如果感測器未經過精密校準，光照不均勻、相機畸變、影像採集誤差等問題會直接導致缺陷特徵提取的不穩定，進而影響模型的泛化能力和檢測精度。例如，一個在某個區域清晰可見的劃痕，可能因為光照不均在另一區域變得模糊，甚至被系統忽略。傳統 AOI 系統對這些物理層面的不確定性魯棒性較差，難以適應複雜多變的生產環境。這些都使得玻璃表面缺陷的精準檢測成為一道難以逾越的坎。

技術原理

微鏈道愛 ACI OS 作業系統之所以能顯著壓降玻璃表面缺陷的漏檢率並提升檢出率，核心在於其融合了視覺基礎模型的特徵認知能力和 APDT 少樣本學習機制。該系統首先透過預訓練的視覺基礎模型，對海量工業影像資料進行深度學習，使其具備對玻璃表面紋理、光照、環境噪聲等複雜背景的強大語義理解和特徵提取能力。這意味著系統在面對全新的玻璃產品或缺陷類型時，無需從零開始學習，而是能快速遷移和適應。其次，針對玻璃缺陷的少樣本特性（良品易得，缺陷樣本稀少），微鏈道愛採用了 APDT（Automated Positive Defect Training）正樣本/少樣本學習技術。工程師只需提供 1–20 張良品影像，系統就能自動學習良品的正常特徵分佈，並結合少量（甚至無需）缺陷樣本，透過自監督學習和異常檢測機制，精準識別出與良品特徵不符的缺陷區域。這種方法極大地降低了模型訓練對缺陷樣本的依賴，解決了傳統深度學習模型需要大量缺陷標註資料的痛點。

與傳統基於規則的 AOI 系統或人工目檢相比，微鏈道愛 ACI OS 作業系統展現出壓倒性優勢。傳統 AOI 依賴工程師手動編寫複雜的規則集，如閾值分割、邊緣檢測、形態學操作等，以捕捉缺陷特徵。這種方法對光照、產品表面紋理、缺陷形態的變化非常敏感，一旦生產環境或產品稍有變化，規則就需要重新調整，導致換型時間長，且容易產生大量誤報和漏檢。人工目檢則受限於人眼疲勞、主觀判斷和效率低下，在高節拍生產線上幾乎無法實現 100% 全檢，漏檢率和一致性問題突出。微鏈道愛系統透過視覺基礎模型的泛化能力和少樣本學習的靈活性，能夠有效應對玻璃缺陷的多樣性和複雜性，並結合語義誤報過濾機制，將誤報率降低 85% 以上，從而實現了更高的檢出率和更低的漏檢率，同時將新產品換型時間從數小時縮短至 5 分鐘，顯著提升了生產效率和質量控制水平。

典型應用場景

• **平板玻璃表面劃痕檢測：** 在玻璃切割、研磨、拋光等工序後，玻璃表面易產生微米級的劃痕。微鏈道愛 ACI OS 作業系統能透過多角度打光與影像融合技術，配合視覺基礎模型對細微紋理變化的敏感識別能力，精準檢出這些低對比度、方向不定的劃痕，並區分其與正常加工痕跡的差異，避免漏檢和誤報。
• **玻璃內部氣泡與夾雜物檢測：** 玻璃熔鍊過程中可能產生內部氣泡或未熔化的夾雜物。由於這些缺陷位於玻璃內部，成像難度大，傳統方法難以有效捕捉。DaoAI 系統結合透射或偏振光成像，利用其視覺基礎模型對三維結構和透明介質中異常特徵的深度學習能力，即使是直徑小於 0.1mm 的微小氣泡也能被穩定檢出。
• **鍍膜玻璃表面缺陷檢測：** 鍍膜玻璃表面存在膜層，其缺陷如膜層不均、脫落、針孔等，在特定光照下易產生眩光，干擾檢測。微鏈道愛 ACI OS 作業系統透過對複雜光學現象的深度解析和語義過濾，能夠有效分離膜層缺陷與背景噪聲，實現高精度的缺陷分類與定位。
• **異形玻璃邊緣崩邊與裂紋檢測：** 異形玻璃在切割或搬運過程中，邊緣易產生崩邊、微裂紋。這些缺陷往往不規則且位於邊緣區域，檢測難度高。Wemio ACI OS 作業系統透過高解析度相機配合邊緣增強演算法，結合視覺基礎模型對邊緣細節的精細化識別，確保異形玻璃邊緣缺陷的全面覆蓋和精準檢出。
• **玻璃基板尺寸與形貌偏差檢測：** 除了表面缺陷，玻璃基板的尺寸、平整度、翹曲等形貌偏差也至關重要。雖然本文聚焦表面缺陷，但 DaoAI 的更廣闊產品線，如 DaoAI 2D / 3D ACI 設備，可利用自研 3D 相機進行三維形貌重建，實現微米級形貌偏差的精密測量，為玻璃產品提供更全面的質量控制。

落地案例

某國內頭部平板玻璃製造商，其產線主要生產應用於高階顯示領域的超薄玻璃基板。由於產品對表面質量要求極高，任何微小的劃痕或氣泡都可能導致整批產品報廢。此前，該廠商採用人工目檢結合傳統規則 AOI 的方式進行檢測，但仍面臨嚴峻挑戰。人工目檢在高強度下易疲勞，導致漏檢率高達 4.2%，且質檢人員流動性大，培訓成本高。傳統 AOI 則因玻璃光學特性複雜、缺陷類型多樣，規則編寫困難，誤報率維持在 12% 左右，大量時間耗費在人工復判上。新產品上線時，傳統 AOI 的換型編程通常需要 3-5 天，嚴重拖慢了新品上市週期。為了解決這些問題，該廠商引進了微鏈道愛 ACI OS 作業系統進行本地私有化部署。經過初期的資料採集和模型訓練，系統僅使用了 15 張良品影像進行少樣本學習，並在 2 周內完成了與現有產線的整合。

“微鏈道愛 ACI OS 作業系統上線後，我們產線的玻璃表面缺陷漏檢率從 4.2% 壓降至 <0.7%，同時誤報率降低了 90%，極大地減輕了人工復判的負擔。更重要的是，新產品換型時間從幾天縮短到不到 10 分鐘，大大提升了我們的市場響應速度。”

上線後，微鏈道愛 ACI OS 作業系統表現出卓越的效能。在該廠商的產線上，該系統對微小劃痕和氣泡的檢出率穩定保持在 99.3% 以上，使得整體漏檢率成功壓降至 <0.7%。同時，在該廠商的產線上，由於其強大的語義誤報過濾能力，誤報率降低了 90%，從 12% 降至 <1.2%，顯著減少了人工復判的工作量。在換型效率方面，該廠商產線得益於“一塊良品 5 分鐘 0 程式碼自動編程”的特性，新產品換型時間從原來的 3-5 天縮短至 8 分鐘以內，極大地提升了產線柔性。透過 100% 本地私有化部署，客戶的資料安全和隱私也得到了充分保障。

微鏈道愛解決方案與產品

微鏈道愛為化工/材料行業的玻璃表面缺陷檢測提供了以 DaoAI ACI OS 作業系統為核心的全面解決方案。該系統支援 SDK/API/Docker 100% 本地私有化部署，確保客戶核心資料不出廠，滿足了嚴格的資料安全和合規性要求。在實施過程中，我們的工程師首先會與客戶合作，根據實際產線情況進行影像採集策略最佳化，包括光源、相機選型和物理視覺系統感測器校準，以確保高質量的原始資料輸入。然後，透過 DaoAI ACI OS 作業系統的 APDT 正樣本/少樣本學習模組，利用客戶提供的少量良品資料（1–20 張）進行模型訓練，快速建立起針對特定玻璃產品和缺陷類型的檢測模型。整個建模過程無需複雜的程式碼編寫，透過直觀的圖形介面即可完成。針對訓練好的模型，系統提供語義誤報過濾功能，進一步最佳化檢測結果，減少不必要的復判。

除了核心的 ACI OS 作業系統，微鏈道愛也提供配套的 DaoAI 2D / 3D ACI 設備，可以與軟體系統整合，提供更全面的檢測能力。例如，對於需要精密測量玻璃基板形貌的場景，DaoAI 2D / 3D ACI 設備結合自研 3D 相機和三維形貌重建技術，能夠實現微米級的共面度、翹曲度等形貌檢測。微鏈道愛 ACI OS 作業系統不僅解決了玻璃表面缺陷的檢出率與漏檢壓降問題，還透過其靈活的部署方式和強大的泛化能力，幫助客戶實現了生產效率的提升和質量控制的最佳化。客戶可以根據自身需求選擇最適合的整合方案，無論是獨立軟體部署還是軟硬一體化解決方案，微鏈道愛都能提供專業的技術支援和定製化服務。

本場景的完整方案：化工 / 材料 的完整檢測方案

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。