玻璃/無紡布表面缺陷檢測：少樣本上線，實現 94%+ 缺陷檢出率

玻璃和無紡布作為重要的工業材料，其表面質量直接影響到產品的效能和應用。然而，由於材料特性和生產過程的複雜性，表面缺陷檢測一直是行業內的難題。微鏈道愛（DaoAI）憑藉先進的技術，為這一難題提供了有效的解決方案。

行業背景與使用者場景：玻璃和無紡布在眾多領域都有廣泛的應用，如建築、醫療、紡織等。在玻璃生產中，高質量的玻璃常用於建築幕牆、汽車玻璃等，其表面的微小缺陷可能會影響到整體的安全性和美觀度；在無紡布生產中，常用於醫療防護用品、過濾材料等，表面缺陷會降低其過濾效能、防護效果等。因此，對玻璃和無紡布的表面缺陷進行準確檢測至關重要。對於生產企業來說，他們需要一種高效、準確的檢測方案，能夠在保證生產效率的同時，提高產品質量，減少次品率。

痛點深挖：為什麼難

從量化角度來看，玻璃和無紡布的缺陷發生率較低，通常在 1% -5% 左右，這導致可用於訓練的缺陷樣本數量稀少。而且這些缺陷樣本的形態多變，例如玻璃表面的氣泡大小、結石形狀、劃傷長度和深度都各不相同；無紡布的破洞形狀、異物的種類和大小也差異很大。在實際檢測中，由於玻璃半透明的特性，其表面缺陷與背景的對比度微弱，據統計，缺陷訊號與背景訊號的對比度可能低於 10%，這使得缺陷很難被清晰識別。無紡布纖維分佈天然雜亂，屬於典型的弱紋理表面，缺陷與背景的分離難度極大，其紋理複雜度指數較高，達到 80 以上（滿分為 100）。

造成這些難題的根因在於材料本身的特性和生產工藝。玻璃的半透明性使其在檢測時容易受到背景和反光的干擾，光線的折射和反射會模糊缺陷的邊界，增加了識別難度。而無紡布的生產過程中，纖維的隨機排列形成了複雜的紋理，缺陷往往隱藏在這些紋理之中，難以與正常紋理區分開來。傳統的檢測方法對於這種複雜的情況往往無能為力。

技術原理

微鏈道愛（DaoAI）採用的是少樣本學習與 APDT 正樣本異常檢測相結合的技術。在演算法機制上，首先利用充足的良品影象建立正常基線，這就相當於為系統設定了一個正常的標準模板。然後使用極少量的缺陷樣本對判據進行微調，使系統能夠識別出與正常基線不同的異常情況。從成像和硬體機制來看，系統配備了高精度的影象採集裝置，能夠捕捉到玻璃和無紡布表面的細微特徵，為後續的分析提供準確的資料。

與傳統的監督式深度學習方法相比，傳統方法需要大量的標註樣本才能進行有效的訓練，但在缺陷樣本稀缺的現實情況下，根本無法湊齊足夠的樣本，專案往往會因資料不足而停滯。而 DaoAI 的方法只需要少量的缺陷樣本就能上線，大大降低了對資料量的要求。同時，以良品正常基線為基礎，能夠兼顧對未見缺陷的檢出，具有更強的泛化能力。

典型應用場景

• 玻璃氣泡檢測：在玻璃生產的成型工序中，可能會產生氣泡缺陷。檢測時，系統透過分析影象中灰度值的變化來識別氣泡。難點在於玻璃的半透明性會使氣泡的灰度值與背景接近，需要系統在弱對比條件下準確分離氣泡訊號。
• 玻璃結石檢測：結石通常在玻璃原料熔化過程中形成。檢測過程中，系統會根據結石與周圍玻璃的紋理差異進行判斷。由於結石的形狀和大小不一，且與玻璃的對比度不高，準確識別結石是一大挑戰。
• 玻璃劃傷檢測：劃傷一般在玻璃的切割、搬運等過程中產生。系統透過檢測影象中的線條特徵來判斷是否存在劃傷。但玻璃表面的反光可能會干擾劃傷的識別，需要對影象進行去噪和增強處理。
• 無紡布破洞檢測：在無紡布的成型和加工過程中可能會出現破洞。系統透過分析影象的紋理連續性來識別破洞。由於無紡布本身纖維雜亂的特性，區分破洞和正常紋理較為困難。
• 無紡布異物檢測：異物可能在原材料混入或生產過程中進入無紡布。檢測時，系統會根據異物與無紡布的顏色、紋理差異進行識別。但當異物顏色和紋理與無紡布相近時，檢測難度會增大。

落地案例

某中型材料生產企業，同時生產玻璃和無紡布兩類產品。該企業之前一直採用人工目檢的方式進行表面缺陷檢測，但由於人工檢測受半透明與弱紋理影響，長時間盯檢易疲勞漏判，一致性差，導致產品次品率較高。在引入微鏈道愛（DaoAI）的檢測方案後，上線過程較為順利。首先，DaoAI 團隊利用企業現有的少量缺陷樣本和充足的良品樣本進行模型訓練。然後，將訓練好的模型部署到生產線上進行測試和最佳化。經過一段時間的除錯，系統正式上線。上線前，該企業的玻璃和無紡布缺陷漏檢率分別達到 15% 和 12%，誤報率分別為 10% 和 8%。上線後，缺陷漏檢率分別降低至 5% 和 6%，誤報率分別降低至 3% 和 2%。

缺陷樣本越稀少，只學良品的價值越大——先建正常基線，再用少樣本補齊判據。

微鏈道愛解決方案與產品

微鏈道愛（DaoAI）的解決方案主要基於少樣本學習與 APDT 異常檢測相結合的技術。產品包括高精度的影象採集裝置和先進的資料分析軟體。影象採集裝置能夠快速、準確地採集玻璃和無紡布表面的影象，為後續的分析提供資料支援。資料分析軟體則利用少樣本學習和 APDT 演算法，對採集到的影象進行處理和分析，識別出表面的缺陷。該產品具有少樣本即可上線、針對玻璃半透明和無紡布弱紋理最佳化等特點，能夠有效提高檢測的準確性和效率。

量化成效：透過使用微鏈道愛（DaoAI）的檢測方案，該企業實現了玻璃和無紡布表面缺陷檢出率達到 94% 以上。同時，缺陷漏檢率分別降低了 10% 和 6%，誤報率分別降低了 7% 和 6%。質檢從依賴經驗目檢轉為標準化線上判定，新缺陷型別可憑少量樣本快速補充，檢測的一致性和可維護性得到了同步提升，為企業提高產品質量、降低生產成本提供了有力支援。

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。