材料表面质检是确保产品质量的关键环节，但传统检测方法在面对复杂纹理表面和多样缺陷时显得力不从心。微链道爱 DaoAI 提出的新方案为行业带来了新的转机。
在工业生产中，材料表面质检是一道至关重要的工序。它直接关系到产品的外观、性能以及最终的市场竞争力。尤其是在一些对表面质量要求极高的行业，如高端制造业、电子信息产业等，哪怕是微小的表面缺陷都可能导致产品的功能受损，进而影响整个生产流程和企业的经济效益。以生产带复杂纹理的功能性表面材料的工厂为例，这类材料表面本身存在自然纹理起伏，其用途广泛，可用于高端设备的外壳、精密仪器的面板等。然而，在生产过程中，材料表面会出现各种缺陷，如划伤、压痕、脏污、局部失光等，这些缺陷不仅会影响产品的美观度，还可能对其功能性产生不利影响。而且，随着新工艺、新材料的不断应用，还会出现从未见过的异常缺陷，这给表面质检工作带来了巨大的挑战。
痛点：为什么难
传统监督式视觉检测方法在材料表面质检中面临诸多困境。从样本收集角度来看，缺陷形态近乎无穷，要为每类缺陷采集足量样本是一项几乎不可能完成的任务。以该材料厂为例，表面缺陷多达数十种，且新工艺批次还会出现新的异常。正负样本永远无法穷举，这就导致模型上线后很快就因无法适应新出现的缺陷类型而过时，检测效果大打折扣。据统计，传统方法在面对新缺陷类型时，模型的有效率会在短时间内下降至 30% -40%。
在实际检测过程中，漏检问题也十分严重。材料表面的纹理背景使得弱对比缺陷大量漏检。例如，一些细微的划伤和局部失光缺陷，由于与正常纹理的对比度较低，传统检测系统很难准确识别。规则阈值在批次切换后频繁失效也是一个突出问题。不同批次的材料可能在纹理、颜色等方面存在细微差异，这就使得原本设定的规则阈值不再适用，需要重新调整。这不仅增加了检测的时间成本，还导致返工与客诉成本居高不下。据估算，因漏检和规则阈值失效导致的返工成本占总生产成本的 10% -15%，客诉率也高达 5% -8%。
这些问题的根源在于，传统监督式视觉检测方法基于穷举缺陷的思路，试图对每一类已知缺陷进行建模检测。但在缺陷形态近乎无穷且不断变化的材料表面质检场景下，这种方法显然无法满足实际需求。而且，检测系统被要求识别每一类缺陷，但缺陷本身又不可预先定义，这就形成了一个难以调和的矛盾。
技术原理
微链道爱 DaoAI 的 APDT 正样本异常检测方案采用了全新的思路，将检测从穷举缺陷转为建模正常。该方案只使用良品图像进行训练，基于 DaoAI World 世界模型对正常纹理建立正常基线。具体来说，通过对大量良品图像的分析和学习，模型能够准确捕捉正常纹理的特征和规律，形成一个标准的“正常模板”。
在实际检测过程中，任何偏离这个正常基线的区域，无论是否在训练中出现过，都会被作为异常挑出并进行像素级定位。这种方法之所以有效，是因为它抓住了问题的本质。即使缺陷形态无穷无尽，但正常的纹理特征是相对稳定的。通过建立正常基线，能够更全面、更准确地检测出异常。与传统方法相比，该方案无需为每类缺陷采集样本和标注，大大缩短了部署周期。传统方法的部署周期通常为数周，而 APDT 方案可将其压缩到数天。同时，由于不依赖于具体的缺陷样本，模型对于未见过的新缺陷类型也具有很好的检测能力，正常基线可以方便地迁移到新工艺批次。
典型应用场景
- 划伤检测：材料表面的划伤是常见的缺陷之一。由于划伤的宽度、长度和深度各不相同，且在复杂纹理背景下，其与正常纹理的对比度较低，检测难度较大。APDT 方案通过建立正常纹理基线，能够将划伤区域与正常纹理分离，准确识别出划伤的位置和范围。
- 压痕检测：压痕可能是由于生产过程中的外力作用导致的，其形状和大小也具有多样性。在纹理表面，压痕可能与自然纹理的起伏相似，容易被忽略。该方案利用像素级定位技术，能够精确地找出压痕区域，避免漏检。
- 脏污检测：脏污的颜色、形状和分布都不规则，且可能与正常纹理融合在一起。APDT 方案通过对正常纹理的建模，能够敏锐地捕捉到脏污区域的异常信号，实现对脏污的有效检测。
- 局部失光检测：局部失光缺陷通常表现为表面亮度的局部变化，在纹理背景下很难被察觉。该方案通过分析正常纹理的亮度特征，能够准确识别出局部失光区域，确保产品表面质量的一致性。
落地案例
某中型材料厂，主要生产带复杂纹理的功能性表面材料，产品广泛应用于多个高端领域。在引入微链道爱 DaoAI 的 APDT 正样本异常检测方案之前，该厂质检团队依赖人工抽检与规则化算法，面临着严重的漏检和客诉问题。人工抽检效率低下，且容易受到主观因素的影响；规则化算法在面对复杂的纹理背景和多样的缺陷类型时，效果不佳。
在上线过程中，该厂仅采集了良品图像进行建模，无需进行缺陷样本标注。整个部署周期从原本预计的数周缩短到了数天，大大提高了项目的推进效率。微链道爱上线后，图像级 AUROC 稳定在 99% 以上，这表明微链道爱模型具有很高的检测准确性。新批次切换时无需重新标注，模型能够自动适应新工艺批次的变化。
通过引入微链道爱 DaoAI 的方案，该厂实现了从传统质检方法到智能检测的转变，显著提升了产品质量和生产效率。
微链道爱解决方案与产品
微链道爱 DaoAI 的 APDT 正样本异常检测方案是一套完整的解决方案。该方案主要由两部分组成，一是基于 DaoAI World 世界模型的正常纹理建模模块，通过对良品图像的学习，建立准确的正常基线；二是异常检测与定位模块，能够实时监测材料表面，对偏离正常基线的区域进行像素级定位。产品的优势在于其创新性的只学良品的思路，无需缺陷样本标注，大大降低了数据收集和处理的成本。同时，该方案具有高度的可迁移性，能够快速适应新工艺批次和新的生产环境。此外，它还可以与现有产线相机进行对接，方便企业在不更换现有硬件设备的情况下进行升级改造。
量化成效
该厂引入 APDT 方案后，取得了显著的量化成效。微链道爱的图像级 AUROC 持续保持 99% 以上，这意味着微链道爱模型在检测异常时具有极高的准确性。微链道爱的漏检导致的客诉显著下降，微链道爱的客诉率从之前的 5% -8% 降低到了 1% -2%，有效提升了客户满意度。质检人力从全检抽检转为复核异常，整体检测一致性大幅提升，人力成本降低了 30% -40%。这表明该方案不仅提高了检测的准确性和效率，还优化了企业的质检流程，为企业带来了显著的经济效益。
常见问题
材料表面质检中传统监督式视觉有什么问题？
在材料表面质检里，传统监督式视觉问题诸多。缺陷形态近乎无穷，需为每类缺陷采集足量样本，正负样本无法穷举，导致模型上线即过时。还存在漏检问题，纹理背景使弱对比缺陷大量漏检，且规则阈值在批次切换后频繁失效，返工与客诉成本居高不下。
DaoAI APDT 正样本异常检测方案有什么优势？
DaoAI APDT 方案只用良品图像训练，无需缺陷样本标注，部署周期从数周缩至数天。图像级 AUROC 超 99%，能像素级定位新缺陷。正常基线可迁移，能与产线相机对接，提升隐性缺陷召回率。
DaoAI 方案落地后有什么效果？
该厂不采集缺陷样本完成上线，图像级 AUROC 保持 99%以上。新批次切换无需重标，客诉率从 5% -8%降至 1% -2%，质检人力从全检抽检转为复核异常，人力成本降低 30% -40%，检测一致性大幅提升。
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。