在消费电子的多品种小批量节奏里，真正的难点不是单一缺陷有多难，而是每一次换型都要从零开始。DaoAI 用迁移学习把已积累的模型能力迁移到新品上，让新品在缺陷样本极少时也能快速达标。
−40%新品样本
28装配缺陷类
92%+缺漏错装检出
某消费电子厂为多个品牌做整机与模组组装，单一型号生命周期常常不足三个月，产线一年要切换数十次。装配环节涉及螺丝、卡扣、排线、屏蔽罩、泡棉、标签等数十个要素，任何一处缺漏或错装都会在客户端放大成批量退货。过去依赖人工目检，节拍紧、要素多，漏检与误判长期并存，且每上一个新品都要重新培训质检员。
客户最棘手的痛点是样本稀缺。新品在量产爬坡前几乎没有真实缺陷样本，传统监督式视觉需要数百张缺陷图才能训练，根本来不及。同时缺陷类型高度多样：少装一颗螺丝、卡扣未到位、排线插反、屏蔽罩错位、泡棉贴偏等等，需要在一套系统里被统一识别和分类。
DaoAI 方案：迁移学习沿用历史模型，统一覆盖 28 类装配缺陷
DaoAI 以迁移学习为核心，把同平台、同工艺族此前积累的装配检测模型作为基座，新品只需补充少量本机型样本即可微调上线。结合 AI-AOI 通用外观检测框架，系统在一套流程内同时完成定位、比对与分类，统一覆盖 28 类装配缺陷。
- 迁移学习沿用历史模型基座，新品所需标注样本减少约 40%，且精度不下降
- 统一模型覆盖 28 类装配缺陷：缺漏件、错装、反插、错位、贴偏等
- 缺漏件与错装的检出率稳定在 92% 以上，关键安全件做到接近零逃逸
- 与产线 MES 打通，缺陷按机型与类别自动归档，反哺工艺改善
换型不再从零开始——历史模型成为新品的起点，而不是包袱。
落地后，新品从导入到检测达标的周期明显压缩，质检员从逐件目检转为复核与异常处置。缺漏件、错装这类高代价缺陷在出厂前被稳定拦截，客户端的批量退货风险显著下降，产线在频繁换型下仍保持稳定的装配一致性。