装配缺漏件与错装的迁移学习上线：28 类缺陷、检出 92%+

消费电子行业的装配检测面临诸多挑战，DaoAI 凭借迁移学习技术为这一领域带来了新的解决方案。

场景：在消费电子行业，多品种小批量的生产节奏已成为常态。众多消费电子厂为多个知名品牌进行整机与模组的组装工作。由于市场需求的快速变化和产品更新换代的加速，单一型号产品的生命周期常常不足三个月，这意味着产线一年要进行数十次的换型操作。在装配环节，涉及到螺丝、卡扣、排线、屏蔽罩、泡棉、标签等数十个要素。任何一个要素的缺漏或错装，都可能在客户端放大成批量退货的风险，给企业带来巨大的经济损失。

痛点：为什么难

首先，从样本获取方面来看，新品在量产爬坡前几乎没有真实的缺陷样本。传统的监督式视觉检测方法需要数百张缺陷图才能进行有效的模型训练，但在实际生产中，新品上线时间紧迫，根本来不及收集足够的样本。这就导致模型训练不充分，难以准确识别缺陷。其次，缺陷类型的多样性也是一个难题。少装一颗螺丝、卡扣未到位、排线插反、屏蔽罩错位、泡棉贴偏等多种不同类型的缺陷，需要在一套系统中进行统一的识别和分类。不同类型的缺陷特征差异较大，增加了检测的难度。最后，生产节拍和人工检测的局限性也是关键因素。产线的生产节拍紧凑，人工目检需要在短时间内对大量产品进行检查，面对众多的装配要素，漏检和误判情况长期存在。而且每推出一个新品，都需要重新培训质检员，这不仅增加了人力成本，还难以保证检测的准确性和一致性。

进一步剖析其根因，消费电子行业的快速发展使得产品更新换代频繁，企业为了抢占市场份额，需要尽快将新品推向市场，这就导致了样本收集时间的压缩。同时，产品设计的不断创新和复杂化，使得装配要素增多、缺陷类型更加多样。而人工检测方式本身就存在主观性和疲劳性，无法适应这种高强度、高精度的检测需求。

技术原理

DaoAI 以迁移学习为核心技术。迁移学习的原理是将同平台、同工艺族此前积累的装配检测模型作为基座。这些历史模型经过大量数据的训练，已经学习到了一些通用的特征和规律。当有新品需要进行检测时，无需从头开始训练模型，只需要让新品补充少量本机型的样本，就可以对基座模型进行微调，使其适应新的产品。结合 AI-AOI 通用外观检测框架，系统能够在一套流程内同时完成定位、比对与分类的工作。在定位阶段，系统会快速准确地找到产品中各个装配要素的位置；比对阶段，将实际的装配情况与标准模板进行对比；分类阶段，根据比对结果对不同类型的缺陷进行分类。

与传统方法相比，传统的监督式视觉检测方法需要大量的缺陷样本进行训练，而且在面对新品时，几乎要从零开始。这不仅耗费大量的时间和人力，而且在样本不足的情况下，模型的准确性和泛化能力较差。而 DaoAI 的迁移学习方法利用了历史模型的知识，大大减少了新品所需的标注样本数量，约减少 40%，同时还能保证检测精度不下降。这是因为历史模型已经学习到了一些通用的特征，这些特征在不同产品之间具有一定的相似性，通过微调可以快速适应新的产品。

典型应用场景

• 螺丝装配检测：螺丝是消费电子产品中常见的装配要素。在检测时，系统首先会定位螺丝的位置，然后比对螺丝的数量和拧紧程度。难点在于螺丝的尺寸较小，可能会受到周围环境光线的影响，导致图像识别不准确。而且有些螺丝可能被其他部件遮挡，增加了检测的难度。
• 卡扣装配检测：卡扣的装配是否到位直接影响产品的结构稳定性。系统会通过比对卡扣的形状和位置来判断是否存在未到位的情况。难点在于卡扣的形状和位置变化较为复杂，不同产品的卡扣设计也有所不同，需要系统具有较强的适应性和识别能力。
• 排线插装检测：排线插反是常见的装配缺陷之一。系统会通过识别排线的接口形状和线路方向来进行检测。难点在于排线的线路较为复杂，而且在装配过程中可能会出现弯曲、折叠等情况，增加了识别的难度。
• 屏蔽罩安装检测：屏蔽罩的错位会影响产品的电磁屏蔽性能。系统会通过定位屏蔽罩的边缘和位置来判断是否安装正确。难点在于屏蔽罩的材质和表面纹理可能会影响图像的采集和识别，而且在装配过程中可能会出现轻微的位移。
• 泡棉粘贴检测：泡棉贴偏会影响产品的密封性能。系统会通过比对泡棉的位置和形状来进行检测。难点在于泡棉的材质较软，容易变形，而且在粘贴过程中可能会出现气泡等情况，影响检测的准确性。

落地案例

某中型消费电子厂，主要为多个知名品牌进行整机与模组的组装，产线规模较大，一年要进行数十次的换型操作。在引入 DaoAI 方案之前，该厂依赖人工目检进行装配缺陷检测，漏检率高达 15%，误判率也达到了 10%。新品从导入到检测达标需要 2-3 周的时间，而且由于需要频繁培训质检员，人力成本较高。在上线 DaoAI 方案的过程中，首先对历史模型进行了梳理和优化，然后根据新品的特点补充了少量样本进行微调。经过一段时间的调试和优化，系统正式上线。上线后，新品从导入到检测达标的周期明显压缩，缩短至 1 周以内。漏检率下降至 8%以下，误判率下降至 3%以下。

换型不再从零开始，历史模型成为新品的起点，而不是包袱。

微链道爱解决方案与产品

微链道爱的解决方案以迁移学习为核心，结合 AI-AOI 通用外观检测框架，形成了一套完整的装配缺陷检测系统。该系统能够统一覆盖 28 类装配缺陷，包括缺漏件、错装、反插、错位、贴偏等。系统与产线 MES 打通，能够将检测到的缺陷按机型与类别自动归档，这些数据可以反哺工艺改善，为企业的生产管理提供有力的支持。产品具有操作简单、检测效率高、准确性强等特点，能够适应消费电子行业多品种小批量的生产模式。

量化成效：通过使用 DaoAI 的方案，新品所需标注样本减少约 40%，这大大节省了样本收集和标注的时间和成本。缺漏件与错装的检出率稳定在 92%以上，关键安全件的逃逸率接近零，有效降低了产品的质量风险。同时，与产线 MES 系统的打通，使得缺陷数据能够及时反馈给生产部门，有助于工艺的持续改进，提高了生产效率和产品的装配一致性。

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。