AI AOI 軟體系統：解決裝配缺漏錯裝難題

在工業生產中，產品裝配的缺漏件和錯裝問題一直是影響產品質量和生產效率的關鍵因素。隨著 AI 技術的發展，微鏈道愛的 AI AOI 軟體系統為解決這一難題提供了有效的途徑。

行業背景與使用者場景：當下，AI 技術的應用範圍不斷拓展，在晶片設計領域取得顯著成果後，逐漸延伸至工業視覺質檢領域。在消費品/通用行業，產品的裝配工序涉及多種零部件的組裝，對產品質量和效能的要求極高。某頭部消費品廠商的產線便是如此，其裝配後的成品需要進行嚴格檢測，以確保每個產品的零部件無缺漏、無錯裝。這些成品可能是電子產品、機械裝置等，任何一個零部件的缺失或錯裝都可能導致產品無法正常使用，甚至引發安全隱患。因此，保障產品裝配的準確性對於提高產品質量和市場競爭力至關重要。

痛點：為什麼難

人力檢測效率低下：在傳統的裝配檢測過程中，主要依靠人工進行檢查。然而，人工檢測存在諸多侷限性。由於檢測物件數量眾多且檢測任務繁瑣，檢測人員容易出現疲勞，導致檢測效率低下。據統計，該廠商在傳統人力檢測下，漏檢率高達 4%，誤報率達 30%。這不僅增加了生產成本，還可能使不合格產品流入市場，損害企業聲譽。

換型時間長：隨著市場需求的變化，產品的更新換代速度加快，廠商需要頻繁進行產品換型。在傳統檢測方式下，每次換型都需要耗費大量時間進行重新程式設計和除錯。該廠商的換型時間長達 3 小時，這嚴重影響了生產效率，使企業難以快速響應市場變化。其根本原因在於傳統程式設計方式依賴人工編寫複雜的程式碼，對技術人員的專業要求高，且程式設計過程繁瑣，容易出錯。

難以滿足合規要求：隨著行業標準和法規的不斷完善，對產品質量的要求越來越高。傳統的人力檢測方式難以滿足嚴格的合規要求，因為人工檢測存在主觀性和不確定性，無法保證檢測結果的一致性和準確性。這使得企業在面對監管檢查時面臨較大壓力，可能導致違規風險。

技術原理

視覺基礎模型特徵認知：微鏈道愛的 AI AOI 軟體系統採用視覺基礎模型進行特徵認知。其核心是透過先進的演算法對影象中的特徵進行提取和分析。與傳統方法相比，傳統方法可能只能識別一些簡單的特徵，而該系統基於深度學習網路，能夠自動識別不同零部件的形狀、位置和顏色等複雜特徵。例如，透過對良品影象的學習，系統可以精確記住某個螺絲的標準形狀和安裝位置，當檢測到的影象中螺絲形狀異常或安裝位置不對時，就能及時準確地識別出來。這種自動識別能力大大提高了檢測的準確性和效率。

APDT 正樣本/少樣本學習演算法：在裝配缺漏件/錯裝檢測中，系統利用 APDT 正樣本/少樣本學習演算法。傳統的檢測方法通常需要大量的樣本進行訓練，樣本收集和標註的工作量巨大。而該系統只需要 1-20 張良品影象作為樣本，就能快速學習到產品的正常特徵模式。這是因為該演算法透過對少量良品樣本的深入分析，挖掘出產品的本質特徵，從而實現快速準確的學習。這種少樣本學習能力大大減少了樣本收集和標註的時間和成本。

語義誤報過濾演算法：為了有效減少誤報，系統採用了語義誤報過濾演算法。在檢測過程中，系統會根據語義資訊對檢測結果進行進一步判斷。例如，當檢測到一個疑似缺陷的區域時，傳統方法可能會直接判定為缺陷，但該系統會分析該區域的語義資訊，如果其與正常產品特徵相符，就會過濾掉這個誤報。這種演算法提高了檢測的準確性，避免了因誤報而導致的不必要的返工和成本增加。

0 程式碼自動程式設計功能：系統的 0 程式碼自動程式設計功能是其一大亮點。傳統的程式設計方式需要專業技術人員花費大量時間編寫複雜的程式碼，而該系統能夠在 5 分鐘內基於一塊良品完成程式設計。其原理是系統自動分析良品影象的特徵，並將其轉化為檢測規則，無需人工編寫程式碼。這大大縮短了程式設計時間，提高了換型效率，使企業能夠快速適應產品的變化。

典型應用場景

• 螺絲裝配檢測：螺絲是產品裝配中常見的零部件，檢測螺絲是否缺失、擰緊程度以及安裝位置是否正確是關鍵。系統透過對螺絲的形狀、大小和位置進行精確識別，能夠快速判斷螺絲是否裝配正確。難點在於螺絲體積小，影象特徵容易受到光照等因素的影響，需要系統具備較強的抗干擾能力。
• 外掛安裝檢測：外掛的安裝是否到位直接影響產品的電氣效能。系統透過檢測外掛的插入深度、方向和連線狀態等特徵，判斷外掛是否正確安裝。難點在於外掛的種類繁多，形狀和尺寸各異，需要系統能夠準確識別不同型別的外掛。
• 標籤貼上檢測：標籤的貼上位置和完整性對於產品的標識和追溯至關重要。系統透過對標籤的顏色、圖案和位置進行識別，檢測標籤是否貼上正確、有無破損。難點在於標籤的材質和表面紋理可能會影響影象的清晰度，需要系統具備良好的影象預處理能力。
• 零部件方向檢測：某些零部件在裝配時有特定的方向要求，如果方向錯誤，會導致產品無法正常工作。系統透過分析零部件的形狀和特徵，判斷其方向是否正確。難點在於一些零部件的形狀相似，方向差異不明顯，需要系統具備高精度的識別能力。

落地案例

某頭部消費品廠商，在行業內具有較大的規模和較高的知名度，其產線每天生產大量的產品。在引入微鏈道愛的 AI AOI 軟體系統之前，該廠商面臨著人力檢測效率低下、換型時間長等諸多問題。在上線過程中，微鏈道愛的技術團隊與廠商密切合作，對系統進行了定製化配置和最佳化，確保系統能夠適應廠商的生產環境和檢測需求。經過一段時間的除錯和測試，系統正式上線執行。

使用 AI AOI 軟體系統後，該廠商的生產效率和產品質量得到了顯著提升。

微鏈道愛解決方案與產品

微鏈道愛的 AI AOI 軟體系統是解決裝配缺漏件/錯裝問題的核心產品。該系統具有強大的視覺基礎模型特徵認知能力，能夠快速準確地識別產品的正常和異常特徵。透過 APDT 正樣本/少樣本學習，僅需少量良品樣本就能完成模型訓練，大大減少了樣本收集和標註的工作量。系統的語義誤報過濾功能有效降低了誤報率，提高了檢測的準確性。同時，支援 SDK/API/Docker 100% 本地私有化部署，資料不出廠，保障了資料的安全性和隱私性。在實際應用中，可與 DaoAI 2D / 3D AI AOI 裝置配合使用，利用其自研 3D 相機和三維形貌重建技術，對產品進行更全面的檢測。

量化成效

使用 AI AOI 軟體系統後，該廠商的檢出率提升至 99.2%，漏檢率降低至 <0.8%，誤報率降低了 -70%，換型時間從 3 小時縮短至 5 分鐘。這些顯著的成效表明，該系統能夠有效提高生產效率和產品質量，為企業帶來巨大的經濟效益。

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。