材料表面質檢是確保產品質量的關鍵環節，但傳統檢測方法在面對複雜紋理表面和多樣缺陷時顯得力不從心。微鏈道愛 DaoAI 提出的新方案為行業帶來了新的轉機。
在工業生產中，材料表面質檢是一道至關重要的工序。它直接關係到產品的外觀、效能以及最終的市場競爭力。尤其是在一些對表面質量要求極高的行業，如高階製造業、電子資訊產業等，哪怕是微小的表面缺陷都可能導致產品的功能受損，進而影響整個生產流程和企業的經濟效益。以生產帶複雜紋理的功能性表面材料的工廠為例，這類材料表面本身存在自然紋理起伏，其用途廣泛，可用於高階裝置的外殼、精密儀器的面板等。然而，在生產過程中，材料表面會出現各種缺陷，如劃傷、壓痕、髒汙、區域性失光等，這些缺陷不僅會影響產品的美觀度，還可能對其功能性產生不利影響。而且，隨著新工藝、新材料的不斷應用，還會出現從未見過的異常缺陷，這給表面質檢工作帶來了巨大的挑戰。
痛點：為什麼難
傳統監督式視覺檢測方法在材料表面質檢中面臨諸多困境。從樣本收集角度來看，缺陷形態近乎無窮，要為每類缺陷採集足量樣本是一項幾乎不可能完成的任務。以該材料廠為例，表面缺陷多達數十種，且新工藝批次還會出現新的異常。正負樣本永遠無法窮舉，這就導致模型上線後很快就因無法適應新出現的缺陷型別而過時，檢測效果大打折扣。據統計，傳統方法在面對新缺陷型別時，模型的有效率會在短時間內下降至 30% -40%。
在實際檢測過程中，漏檢問題也十分嚴重。材料表面的紋理背景使得弱對比缺陷大量漏檢。例如，一些細微的劃傷和區域性失光缺陷，由於與正常紋理的對比度較低，傳統檢測系統很難準確識別。規則閾值在批次切換後頻繁失效也是一個突出問題。不同批次的材料可能在紋理、顏色等方面存在細微差異，這就使得原本設定的規則閾值不再適用，需要重新調整。這不僅增加了檢測的時間成本，還導致返工與客訴成本居高不下。據估算，因漏檢和規則閾值失效導致的返工成本佔總生產成本的 10% -15%，客訴率也高達 5% -8%。
這些問題的根源在於，傳統監督式視覺檢測方法基於窮舉缺陷的思路，試圖對每一類已知缺陷進行建模檢測。但在缺陷形態近乎無窮且不斷變化的材料表面質檢場景下，這種方法顯然無法滿足實際需求。而且，檢測系統被要求識別每一類缺陷，但缺陷本身又不可預先定義，這就形成了一個難以調和的矛盾。
技術原理
微鏈道愛 DaoAI 的 APDT 正樣本異常檢測方案採用了全新的思路，將檢測從窮舉缺陷轉為建模正常。該方案只使用良品影象進行訓練，基於 DaoAI World 世界模型對正常紋理建立正常基線。具體來說，透過對大量良品影象的分析和學習，模型能夠準確捕捉正常紋理的特徵和規律，形成一個標準的“正常模板”。
在實際檢測過程中，任何偏離這個正常基線的區域，無論是否在訓練中出現過，都會被作為異常挑出並進行畫素級定位。這種方法之所以有效，是因為它抓住了問題的本質。即使缺陷形態無窮無盡，但正常的紋理特徵是相對穩定的。透過建立正常基線，能夠更全面、更準確地檢測出異常。與傳統方法相比，該方案無需為每類缺陷採集樣本和標註，大大縮短了部署週期。傳統方法的部署週期通常為數週，而 APDT 方案可將其壓縮到數天。同時，由於不依賴於具體的缺陷樣本，模型對於未見過的新缺陷型別也具有很好的檢測能力，正常基線可以方便地遷移到新工藝批次。
典型應用場景
- 劃傷檢測：材料表面的劃傷是常見的缺陷之一。由於劃傷的寬度、長度和深度各不相同，且在複雜紋理背景下，其與正常紋理的對比度較低，檢測難度較大。APDT 方案透過建立正常紋理基線，能夠將劃傷區域與正常紋理分離，準確識別出劃傷的位置和範圍。
- 壓痕檢測：壓痕可能是由於生產過程中的外力作用導致的，其形狀和大小也具有多樣性。在紋理表面，壓痕可能與自然紋理的起伏相似，容易被忽略。該方案利用畫素級定位技術，能夠精確地找出壓痕區域，避免漏檢。
- 髒汙檢測：髒汙的顏色、形狀和分佈都不規則，且可能與正常紋理融合在一起。APDT 方案透過對正常紋理的建模，能夠敏銳地捕捉到髒汙區域的異常訊號，實現對髒汙的有效檢測。
- 區域性失光檢測：區域性失光缺陷通常表現為表面亮度的區域性變化，在紋理背景下很難被察覺。該方案透過分析正常紋理的亮度特徵，能夠準確識別出區域性失光區域，確保產品表面質量的一致性。
落地案例
某中型材料廠，主要生產帶複雜紋理的功能性表面材料，產品廣泛應用於多個高階領域。在引入微鏈道愛 DaoAI 的 APDT 正樣本異常檢測方案之前，該廠質檢團隊依賴人工抽檢與規則化演算法，面臨著嚴重的漏檢和客訴問題。人工抽檢效率低下，且容易受到主觀因素的影響；規則化演算法在面對複雜的紋理背景和多樣的缺陷型別時，效果不佳。
在上線過程中，該廠僅採集了良品影象進行建模，無需進行缺陷樣本標註。整個部署週期從原本預計的數週縮短到了數天，大大提高了專案的推進效率。微鏈道愛上線後，影象級 AUROC 穩定在 99% 以上，這表明微鏈道愛模型具有很高的檢測準確性。新批次切換時無需重新標註，模型能夠自動適應新工藝批次的變化。
透過引入微鏈道愛 DaoAI 的方案，該廠實現了從傳統質檢方法到智慧檢測的轉變，顯著提升了產品質量和生產效率。
微鏈道愛解決方案與產品
微鏈道愛 DaoAI 的 APDT 正樣本異常檢測方案是一套完整的解決方案。該方案主要由兩部分組成，一是基於 DaoAI World 世界模型的正常紋理建模模組，透過對良品影象的學習，建立準確的正常基線；二是異常檢測與定位模組，能夠實時監測材料表面，對偏離正常基線的區域進行畫素級定位。產品的優勢在於其創新性的只學良品的思路，無需缺陷樣本標註，大大降低了資料收集和處理的成本。同時，該方案具有高度的可遷移性，能夠快速適應新工藝批次和新的生產環境。此外，它還可以與現有產線相機進行對接，方便企業在不更換現有硬體裝置的情況下進行升級改造。
量化成效
該廠引入 APDT 方案後，取得了顯著的量化成效。微鏈道愛的影象級 AUROC 持續保持 99% 以上，這意味著微鏈道愛模型在檢測異常時具有極高的準確性。微鏈道愛的漏檢導致的客訴顯著下降，微鏈道愛的客訴率從之前的 5% -8% 降低到了 1% -2%，有效提升了客戶滿意度。質檢人力從全檢抽檢轉為複核異常，整體檢測一致性大幅提升，人力成本降低了 30% -40%。這表明該方案不僅提高了檢測的準確性和效率，還最佳化了企業的質檢流程，為企業帶來了顯著的經濟效益。
常見問題
材料表面質檢中傳統監督式視覺有什麼問題？
在材料表面質檢裡，傳統監督式視覺問題諸多。缺陷形態近乎無窮，需為每類缺陷採集足量樣本，正負樣本無法窮舉，導致模型上線即過時。還存在漏檢問題，紋理背景使弱對比缺陷大量漏檢，且規則閾值在批次切換後頻繁失效，返工與客訴成本居高不下。
DaoAI APDT 正樣本異常檢測方案有什麼優勢？
DaoAI APDT 方案只用良品影象訓練，無需缺陷樣本標註，部署週期從數週縮至數天。影象級 AUROC 超 99%，能畫素級定位新缺陷。正常基線可遷移，能與產線相機對接，提升隱性缺陷召回率。
DaoAI 方案落地後有什麼效果？
該廠不採集缺陷樣本完成上線，影象級 AUROC 保持 99%以上。新批次切換無需重標，客訴率從 5% -8%降至 1% -2%，質檢人力從全檢抽檢轉為複核異常，人力成本降低 30% -40%，檢測一致性大幅提升。
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。