在材料表面质检中，缺陷形态几乎无穷，靠收集缺陷样本训练注定追不上产线变化。DaoAI 用只学良品的思路，把检测从穷举缺陷转为建模正常。
99%+图像级AUROC
✓只学良品
✓缺陷可迁移
该材料厂生产带复杂纹理的功能性表面，表面本身存在自然纹理起伏，而缺陷包括划伤、压痕、脏污、局部失光等数十种形态，且新工艺批次还会出现从未见过的异常。传统监督式视觉需要为每类缺陷采集足量样本，但在缺陷形态近乎无穷的材料表面，正负样本永远无法穷举，模型上线即过时。
质检团队此前依赖人工抽检与规则化算法，纹理背景导致弱对比缺陷大量漏检，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。核心矛盾在于：缺陷不可预先定义，而检测系统却被要求识别每一类。
DaoAI APDT 正样本异常检测方案
DaoAI 采用 APDT 正样本/异常检测，只用良品图像训练，基于 DaoAI World 世界模型对正常纹理建立正常基线。任何偏离基线的区域——无论是否在训练中出现过——都会被作为异常挑出并像素级定位。针对纹理背景，模型在弱对比/弱纹理条件下仍能将缺陷信号与自然纹理分离。
- 仅采集良品图像即可建模，无需缺陷样本标注，部署周期从数周压缩到数天
- 图像级 AUROC 稳定在 99% 以上，像素级热力图直接定位缺陷位置
- 未见过的新缺陷类型无需重训即可检出，正常基线可迁移到新工艺批次
- 与现有产线相机对接，弱对比划伤、局部失光等隐性缺陷召回显著提升
把检测从穷举缺陷转为建模正常，缺陷形态再无穷，也跑不出正常基线之外。
落地后，该厂在不采集任何缺陷样本的前提下完成上线，图像级 AUROC 持续保持 99% 以上，新批次切换时无需重新标注，漏检导致的客诉显著下降，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。