裝配缺漏件與錯裝的遷移學習上線：28 類缺陷、檢出 92%+

消費電子行業的裝配檢測面臨諸多挑戰，DaoAI 憑藉遷移學習技術為這一領域帶來了新的解決方案。

場景：在消費電子行業，多品種小批次的生產節奏已成為常態。眾多消費電子廠為多個知名品牌進行整機與模組的組裝工作。由於市場需求的快速變化和產品更新換代的加速，單一型號產品的生命週期常常不足三個月，這意味著產線一年要進行數十次的換型操作。在裝配環節，涉及到螺絲、卡扣、排線、遮蔽罩、泡棉、標籤等數十個要素。任何一個要素的缺漏或錯裝，都可能在客戶端放大成批次退貨的風險，給企業帶來巨大的經濟損失。

痛點：為什麼難

首先，從樣本獲取方面來看，新品在量產爬坡前幾乎沒有真實的缺陷樣本。傳統的監督式視覺檢測方法需要數百張缺陷圖才能進行有效的模型訓練，但在實際生產中，新品上線時間緊迫，根本來不及收集足夠的樣本。這就導致模型訓練不充分，難以準確識別缺陷。其次，缺陷型別的多樣性也是一個難題。少裝一顆螺絲、卡扣未到位、排線插反、遮蔽罩錯位、泡棉貼偏等多種不同型別的缺陷，需要在一套系統中進行統一的識別和分類。不同型別的缺陷特徵差異較大，增加了檢測的難度。最後，生產節拍和人工檢測的侷限性也是關鍵因素。產線的生產節拍緊湊，人工目檢需要在短時間內對大量產品進行檢查，面對眾多的裝配要素，漏檢和誤判情況長期存在。而且每推出一個新品，都需要重新培訓質檢員，這不僅增加了人力成本，還難以保證檢測的準確性和一致性。

進一步剖析其根因，消費電子行業的快速發展使得產品更新換代頻繁，企業為了搶佔市場份額，需要儘快將新品推向市場，這就導致了樣本收集時間的壓縮。同時，產品設計的不斷創新和複雜化，使得裝配要素增多、缺陷型別更加多樣。而人工檢測方式本身就存在主觀性和疲勞性，無法適應這種高強度、高精度的檢測需求。

技術原理

DaoAI 以遷移學習為核心技術。遷移學習的原理是將同平臺、同工藝族此前積累的裝配檢測模型作為基座。這些歷史模型經過大量資料的訓練，已經學習到了一些通用的特徵和規律。當有新品需要進行檢測時，無需從頭開始訓練模型，只需要讓新品補充少量本機型的樣本，就可以對基座模型進行微調，使其適應新的產品。結合 AI-AOI 通用外觀檢測框架，系統能夠在一套流程內同時完成定位、比對與分類的工作。在定位階段，系統會快速準確地找到產品中各個裝配要素的位置；比對階段，將實際的裝配情況與標準模板進行對比；分類階段，根據比對結果對不同型別的缺陷進行分類。

與傳統方法相比，傳統的監督式視覺檢測方法需要大量的缺陷樣本進行訓練，而且在面對新品時，幾乎要從零開始。這不僅耗費大量的時間和人力，而且在樣本不足的情況下，模型的準確性和泛化能力較差。而 DaoAI 的遷移學習方法利用了歷史模型的知識，大大減少了新品所需的標註樣本數量，約減少 40%，同時還能保證檢測精度不下降。這是因為歷史模型已經學習到了一些通用的特徵，這些特徵在不同產品之間具有一定的相似性，透過微調可以快速適應新的產品。

典型應用場景

• 螺絲裝配檢測：螺絲是消費電子產品中常見的裝配要素。在檢測時，系統首先會定位螺絲的位置，然後比對螺絲的數量和擰緊程度。難點在於螺絲的尺寸較小，可能會受到周圍環境光線的影響，導致影象識別不準確。而且有些螺絲可能被其他部件遮擋，增加了檢測的難度。
• 卡扣裝配檢測：卡扣的裝配是否到位直接影響產品的結構穩定性。系統會透過比對卡扣的形狀和位置來判斷是否存在未到位的情況。難點在於卡扣的形狀和位置變化較為複雜，不同產品的卡扣設計也有所不同，需要系統具有較強的適應性和識別能力。
• 排線插裝檢測：排線插反是常見的裝配缺陷之一。系統會透過識別排線的介面形狀和線路方向來進行檢測。難點在於排線的線路較為複雜，而且在裝配過程中可能會出現彎曲、摺疊等情況，增加了識別的難度。
• 遮蔽罩安裝檢測：遮蔽罩的錯位會影響產品的電磁遮蔽效能。系統會透過定位遮蔽罩的邊緣和位置來判斷是否安裝正確。難點在於遮蔽罩的材質和表面紋理可能會影響影象的採集和識別，而且在裝配過程中可能會出現輕微的位移。
• 泡棉貼上檢測：泡棉貼偏會影響產品的密封效能。系統會透過比對泡棉的位置和形狀來進行檢測。難點在於泡棉的材質較軟，容易變形，而且在貼上過程中可能會出現氣泡等情況，影響檢測的準確性。

落地案例

某中型消費電子廠，主要為多個知名品牌進行整機與模組的組裝，產線規模較大，一年要進行數十次的換型操作。在引入 DaoAI 方案之前，該廠依賴人工目檢進行裝配缺陷檢測，漏檢率高達 15%，誤判率也達到了 10%。新品從匯入到檢測達標需要 2-3 周的時間，而且由於需要頻繁培訓質檢員，人力成本較高。在上線 DaoAI 方案的過程中，首先對歷史模型進行了梳理和最佳化，然後根據新品的特點補充了少量樣本進行微調。經過一段時間的除錯和最佳化，系統正式上線。上線後，新品從匯入到檢測達標的週期明顯壓縮，縮短至 1 周以內。漏檢率下降至 8%以下，誤判率下降至 3%以下。

換型不再從零開始，歷史模型成為新品的起點，而不是包袱。

微鏈道愛解決方案與產品

微鏈道愛的解決方案以遷移學習為核心，結合 AI-AOI 通用外觀檢測框架，形成了一套完整的裝配缺陷檢測系統。該系統能夠統一覆蓋 28 類裝配缺陷，包括缺漏件、錯裝、反插、錯位、貼偏等。系統與產線 MES 打通，能夠將檢測到的缺陷按機型與類別自動歸檔，這些資料可以反哺工藝改善，為企業的生產管理提供有力的支援。產品具有操作簡單、檢測效率高、準確性強等特點，能夠適應消費電子行業多品種小批次的生產模式。

量化成效：透過使用 DaoAI 的方案，新品所需標註樣本減少約 40%，這大大節省了樣本收集和標註的時間和成本。缺漏件與錯裝的檢出率穩定在 92%以上，關鍵安全件的逃逸率接近零，有效降低了產品的質量風險。同時，與產線 MES 系統的打通，使得缺陷資料能夠及時反饋給生產部門，有助於工藝的持續改進，提高了生產效率和產品的裝配一致性。

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。