AI AOI 软件系统：解决装配缺漏错装难题

在工业生产中，产品装配的缺漏件和错装问题一直是影响产品质量和生产效率的关键因素。随着 AI 技术的发展，微链道爱的 AI AOI 软件系统为解决这一难题提供了有效的途径。

行业背景与用户场景：当下，AI 技术的应用范围不断拓展，在芯片设计领域取得显著成果后，逐渐延伸至工业视觉质检领域。在消费品/通用行业，产品的装配工序涉及多种零部件的组装，对产品质量和性能的要求极高。某头部消费品厂商的产线便是如此，其装配后的成品需要进行严格检测，以确保每个产品的零部件无缺漏、无错装。这些成品可能是电子产品、机械设备等，任何一个零部件的缺失或错装都可能导致产品无法正常使用，甚至引发安全隐患。因此，保障产品装配的准确性对于提高产品质量和市场竞争力至关重要。

痛点：为什么难

人力检测效率低下：在传统的装配检测过程中，主要依靠人工进行检查。然而，人工检测存在诸多局限性。由于检测对象数量众多且检测任务繁琐，检测人员容易出现疲劳，导致检测效率低下。据统计，该厂商在传统人力检测下，漏检率高达 4%，误报率达 30%。这不仅增加了生产成本，还可能使不合格产品流入市场，损害企业声誉。

换型时间长：随着市场需求的变化，产品的更新换代速度加快，厂商需要频繁进行产品换型。在传统检测方式下，每次换型都需要耗费大量时间进行重新编程和调试。该厂商的换型时间长达 3 小时，这严重影响了生产效率，使企业难以快速响应市场变化。其根本原因在于传统编程方式依赖人工编写复杂的代码，对技术人员的专业要求高，且编程过程繁琐，容易出错。

难以满足合规要求：随着行业标准和法规的不断完善，对产品质量的要求越来越高。传统的人力检测方式难以满足严格的合规要求，因为人工检测存在主观性和不确定性，无法保证检测结果的一致性和准确性。这使得企业在面对监管检查时面临较大压力，可能导致违规风险。

技术原理

视觉基础模型特征认知：微链道爱的 AI AOI 软件系统采用视觉基础模型进行特征认知。其核心是通过先进的算法对图像中的特征进行提取和分析。与传统方法相比，传统方法可能只能识别一些简单的特征，而该系统基于深度学习网络，能够自动识别不同零部件的形状、位置和颜色等复杂特征。例如，通过对良品图像的学习，系统可以精确记住某个螺丝的标准形状和安装位置，当检测到的图像中螺丝形状异常或安装位置不对时，就能及时准确地识别出来。这种自动识别能力大大提高了检测的准确性和效率。

APDT 正样本/少样本学习算法：在装配缺漏件/错装检测中，系统利用 APDT 正样本/少样本学习算法。传统的检测方法通常需要大量的样本进行训练，样本收集和标注的工作量巨大。而该系统只需要 1-20 张良品图像作为样本，就能快速学习到产品的正常特征模式。这是因为该算法通过对少量良品样本的深入分析，挖掘出产品的本质特征，从而实现快速准确的学习。这种少样本学习能力大大减少了样本收集和标注的时间和成本。

语义误报过滤算法：为了有效减少误报，系统采用了语义误报过滤算法。在检测过程中，系统会根据语义信息对检测结果进行进一步判断。例如，当检测到一个疑似缺陷的区域时，传统方法可能会直接判定为缺陷，但该系统会分析该区域的语义信息，如果其与正常产品特征相符，就会过滤掉这个误报。这种算法提高了检测的准确性，避免了因误报而导致的不必要的返工和成本增加。

0 代码自动编程功能：系统的 0 代码自动编程功能是其一大亮点。传统的编程方式需要专业技术人员花费大量时间编写复杂的代码，而该系统能够在 5 分钟内基于一块良品完成编程。其原理是系统自动分析良品图像的特征，并将其转化为检测规则，无需人工编写代码。这大大缩短了编程时间，提高了换型效率，使企业能够快速适应产品的变化。

典型应用场景

• 螺丝装配检测：螺丝是产品装配中常见的零部件，检测螺丝是否缺失、拧紧程度以及安装位置是否正确是关键。系统通过对螺丝的形状、大小和位置进行精确识别，能够快速判断螺丝是否装配正确。难点在于螺丝体积小，图像特征容易受到光照等因素的影响，需要系统具备较强的抗干扰能力。
• 插件安装检测：插件的安装是否到位直接影响产品的电气性能。系统通过检测插件的插入深度、方向和连接状态等特征，判断插件是否正确安装。难点在于插件的种类繁多，形状和尺寸各异，需要系统能够准确识别不同类型的插件。
• 标签粘贴检测：标签的粘贴位置和完整性对于产品的标识和追溯至关重要。系统通过对标签的颜色、图案和位置进行识别，检测标签是否粘贴正确、有无破损。难点在于标签的材质和表面纹理可能会影响图像的清晰度，需要系统具备良好的图像预处理能力。
• 零部件方向检测：某些零部件在装配时有特定的方向要求，如果方向错误，会导致产品无法正常工作。系统通过分析零部件的形状和特征，判断其方向是否正确。难点在于一些零部件的形状相似，方向差异不明显，需要系统具备高精度的识别能力。

落地案例

某头部消费品厂商，在行业内具有较大的规模和较高的知名度，其产线每天生产大量的产品。在引入微链道爱的 AI AOI 软件系统之前，该厂商面临着人力检测效率低下、换型时间长等诸多问题。在上线过程中，微链道爱的技术团队与厂商密切合作，对系统进行了定制化配置和优化，确保系统能够适应厂商的生产环境和检测需求。经过一段时间的调试和测试，系统正式上线运行。

使用 AI AOI 软件系统后，该厂商的生产效率和产品质量得到了显著提升。

微链道爱解决方案与产品

微链道爱的 AI AOI 软件系统是解决装配缺漏件/错装问题的核心产品。该系统具有强大的视觉基础模型特征认知能力，能够快速准确地识别产品的正常和异常特征。通过 APDT 正样本/少样本学习，仅需少量良品样本就能完成模型训练，大大减少了样本收集和标注的工作量。系统的语义误报过滤功能有效降低了误报率，提高了检测的准确性。同时，支持 SDK/API/Docker 100% 本地私有化部署，数据不出厂，保障了数据的安全性和隐私性。在实际应用中，可与 DaoAI 2D / 3D AI AOI 设备配合使用，利用其自研 3D 相机和三维形貌重建技术，对产品进行更全面的检测。

量化成效

使用 AI AOI 软件系统后，该厂商的检出率提升至 99.2%，漏检率降低至 <0.8%，误报率降低了 -70%，换型时间从 3 小时缩短至 5 分钟。这些显著的成效表明，该系统能够有效提高生产效率和产品质量，为企业带来巨大的经济效益。

本文由人工智能生成。文中客户案例为基于产品真实能力的模拟场景，成效数字为示例性质；官方标定口径以产品页为准。