反光金属表面是机器视觉公认的难点：同一道划痕在不同角度时隐时现。叠加缺陷样本稀缺，传统方法举步维艰。DaoAI 用仅良品训练的路线绕开了样本难题，把不确定交给模型判别。
良品仅良品训练
5min0 代码换型
−94%缺陷逃逸
某消费电子厂生产金属中框与机壳，表面经阳极氧化、拉丝或抛光处理，呈强反光特性。外观缺陷包括划伤、压痕、麻点、色差、氧化斑、磕碰，需按等级分选（A 级出货、B 级降级、不良剔除）。强反光使缺陷在不同光照角度下时隐时现，成像极不稳定。
难点叠加在样本上：高价值缺陷（如细微划伤）出现频率低，难以收集足量缺陷样本训练模型；而机型多、换代快，每个新机壳都要重新部署。客户既要解决反光成像，又要在缺陷样本稀缺、换型频繁的条件下保持稳定分级。
DaoAI 方案：仅良品训练上线，0 代码换型实现微米级外观分级
DaoAI 采用仅良品训练的策略：用合格机壳建立外观正常基准，任何偏离基准的形态即判为缺陷，无需预先收集稀缺的缺陷样本。配合多角度光学方案抑制反光干扰，系统在微米级精度下完成划伤、麻点、色差的识别与分级。
- 仅用良品训练即可上线，规避反光金属缺陷样本稀缺的瓶颈
- 微米级精度识别划伤、压痕、麻点、色差、氧化斑
- 换型采用 0 代码操作，新机壳现场即可切换分级基准
- 按 A/B/不良自动分级，缺陷逃逸率较人工目检下降 94%
反光让人眼疲于追光，模型只认一件事：它像不像良品。
上线后，反光机壳实现稳定的自动分级，A/B/不良判定不再依赖检验员的状态与角度。最关键的细微划伤与麻点被稳定捕获，缺陷逃逸率较原人工目检下降 94%，降级品与客诉同步减少，新机型也能 0 代码快速换型上线。