在消費電子的多品種小批量節奏里，真正的難點不是單一缺陷有多難，而是每一次換型都要從零開始。DaoAI 用遷移學習把已積累的模型能力遷移到新品上，讓新品在缺陷樣本極少時也能快速達標。
−40%新品樣本
28裝配缺陷類
92%+缺漏錯裝檢出
某消費電子廠為多個品牌做整機與模組組裝，單一型號生命周期常常不足三個月，產線一年要切換數十次。裝配環節涉及螺絲、卡扣、排線、屏蔽罩、泡棉、標簽等數十個要素，任何一處缺漏或錯裝都會在客戶端放大成批量退货。過去依賴人工目檢，節拍緊、要素多，漏檢與誤判長期並存，且每上一個新品都要重新培訓質檢員。
客戶最棘手的痛點是樣本稀缺。新品在量產爬坡前幾乎沒有真實缺陷樣本，傳統監督式視覺需要數百張缺陷圖才能訓練，根本來不及。同時缺陷類型高度多樣：少裝一顆螺絲、卡扣未到位、排線插反、屏蔽罩錯位、泡棉貼偏等等，需要在一套系統里被統一識別和分類。
DaoAI 方案：遷移學習沿用歷史模型，統一覆蓋 28 類裝配缺陷
DaoAI 以遷移學習為核心，把同平台、同工藝族此前積累的裝配檢測模型作為基座，新品只需補充少量本機型樣本即可微調上線。結合 AI-AOI 通用外觀檢測框架，系統在一套流程內同時完成定位、比對與分類，統一覆蓋 28 類裝配缺陷。
- 遷移學習沿用歷史模型基座，新品所需標注樣本減少約 40%，且精度不下降
- 統一模型覆蓋 28 類裝配缺陷：缺漏件、錯裝、反插、錯位、貼偏等
- 缺漏件與錯裝的檢出率穩定在 92% 以上，關鍵安全件做到接近零逃逸
- 與產線 MES 打通，缺陷按機型與類別自動归檔，反哺工藝改善
換型不再從零開始——歷史模型成為新品的起點，而不是包袱。
落地後，新品從導入到檢測達標的周期明顯壓縮，質檢員從逐件目檢轉為複核與異常處置。缺漏件、錯裝這類高代價缺陷在出廠前被穩定拦截，客戶端的批量退货風險顯著下降，產線在頻繁換型下仍保持穩定的裝配一致性。