在材料表面質檢中，缺陷形態幾乎無窮，靠收集缺陷樣本訓練注定追不上產線變化。DaoAI 用只學良品的思路，把檢測從窮舉缺陷轉為建模正常。
99%+圖像級AUROC
✓只學良品
✓缺陷可遷移
該材料廠生產帶複雜紋理的功能性表面，表面本身存在自然紋理起伏，而缺陷包括劃傷、壓痕、髒污、局部失光等數十種形態，且新工藝批次還會出現從未見過的異常。傳統監督式視覺需要為每類缺陷采集足量樣本，但在缺陷形態近乎無窮的材料表面，正負樣本永遠無法窮舉，模型上線即過時。
質檢團隊此前依賴人工抽檢與規則化算法，紋理背景導致弱對比缺陷大量漏檢，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。核心矛盾在于：缺陷不可預先定義，而檢測系統却被要求識別每一類。
DaoAI APDT 正樣本異常檢測方案
DaoAI 采用 APDT 正樣本/異常檢測，只用良品圖像訓練，基于 DaoAI World 世界模型對正常紋理建立正常基線。任何偏離基線的區域——無論是否在訓練中出現過——都會被作為異常挑出並像素級定位。針對紋理背景，模型在弱對比/弱紋理條件下仍能將缺陷信號與自然紋理分離。
- 僅采集良品圖像即可建模，無需缺陷樣本標注，部署周期從數周壓縮到數天
- 圖像級 AUROC 穩定在 99% 以上，像素級熱力圖直接定位缺陷位置
- 未見過的新缺陷類型無需重訓即可檢出，正常基線可遷移到新工藝批次
- 與現有產線相機對接，弱對比劃傷、局部失光等隱性缺陷召回顯著提升
把檢測從窮舉缺陷轉為建模正常，缺陷形態再無窮，也跑不出正常基線之外。
落地後，該廠在不采集任何缺陷樣本的前提下完成上線，圖像級 AUROC 持續保持 99% 以上，新批次切換時無需重新標注，漏檢導致的客訴顯著下降，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。