反光金屬表面是機器視覺公認的難點：同一道劃痕在不同角度時隱時現。疊加缺陷樣本稀缺，傳統方法舉步維艰。DaoAI 用僅良品訓練的路線繞開了樣本難題，把不確定交給模型判別。
良品僅良品訓練
5min0 代碼換型
−94%缺陷逃逸
某消費電子廠生產金屬中框與機殼，表面經阳極氧化、拉絲或抛光處理，呈強反光特性。外觀缺陷包括劃傷、壓痕、麻點、色差、氧化斑、磕碰，需按等級分選（A 級出货、B 級降級、不良剔除）。強反光使缺陷在不同光照角度下時隱時現，成像極不穩定。
難點疊加在樣本上：高價值缺陷（如細微劃傷）出現頻率低，難以收集足量缺陷樣本訓練模型；而機型多、換代快，每個新機殼都要重新部署。客戶既要解決反光成像，又要在缺陷樣本稀缺、換型頻繁的條件下保持穩定分級。
DaoAI 方案：僅良品訓練上線，0 代碼換型實現微米級外觀分級
DaoAI 采用僅良品訓練的策略：用合格機殼建立外觀正常基準，任何偏離基準的形態即判為缺陷，無需預先收集稀缺的缺陷樣本。配合多角度光學方案抑製反光幹擾，系統在微米級精度下完成劃傷、麻點、色差的識別與分級。
- 僅用良品訓練即可上線，規避反光金屬缺陷樣本稀缺的瓶頸
- 微米級精度識別劃傷、壓痕、麻點、色差、氧化斑
- 換型采用 0 代碼操作，新機殼現場即可切換分級基準
- 按 A/B/不良自動分級，缺陷逃逸率較人工目檢下降 94%
反光讓人眼疲于追光，模型只認一件事：它像不像良品。
上線後，反光機殼實現穩定的自動分級，A/B/不良判定不再依賴檢驗員的狀態與角度。最關鍵的細微劃傷與麻點被穩定捕獲，缺陷逃逸率較原人工目檢下降 94%，降級品與客訴同步減少，新機型也能 0 代碼快速換型上線。