DaoAI 助力 MLCC 微裂紋檢測，突破樣本困境

在 MLCC 生產過程中，微裂紋檢測是確保產品質量的關鍵環節。然而，傳統檢測方法面臨諸多挑戰，DaoAI 的 APDT 正樣本學習技術為這一難題提供了有效的解決方案。

行業背景與使用者場景：多層陶瓷電容（MLCC）作為電子裝置中廣泛使用的基礎元件，其用量極大且單顆尺寸極小。在智慧手機、平板電腦、汽車電子等眾多領域，MLCC 都發揮著至關重要的作用。在 MLCC 的生產線上，為了保證產品質量，需要對每一顆電容進行微裂紋檢測。微裂紋可能出現在電容的端面與本體，這些裂紋寬度可能只有微米級，卻會對電容的效能產生嚴重影響。因此，準確檢測出這些微裂紋對於保障產品的可靠性和穩定性至關重要。

痛點：為什麼難

從量化維度來看，MLCC 的良率本就很高，微裂紋這類缺陷出現的機率極低，可能每生產數千顆甚至數萬顆電容才會出現一個帶有微裂紋的產品。這就導致難以攢出足夠的缺陷樣本來訓練常規的分類模型。傳統視覺檢測方法需要大量的缺陷樣本進行訓練，以確保模型能夠準確識別微裂紋。然而，由於微裂紋的罕見性，樣本攢不齊成為了一大難題。

人工目檢同樣存在嚴重的侷限性。在產能方面，MLCC 生產線的速度極快，動輒每分鐘數千顆的產能，人工目檢根本無法跟上這樣的速度。而且，人工目檢的一致性較差，不同的檢測人員可能會因為疲勞、視力等因素，對微裂紋的判斷產生差異。這就使得人工目檢在高產能的 MLCC 生產線上不具有可行性。此外，微裂紋的尺寸極小，只有微米級，這對於人工目檢來說，難度極大，很難準確識別出這些細微的裂紋。

技術原理

DaoAI 採用的 APDT 正樣本學習技術，只學習 1-20 張良品影象。其原理是透過對這些良品影象的分析，建立起“正常”的判據。在這個過程中，系統會學習良品的紋理、特徵等資訊，確定一個正常的分佈範圍。當檢測到的電容影象偏離這個正常分佈時，就會將其標記為可疑。這種方法繞開了傳統方法需要大量缺陷樣本的困境，因為它只關注什麼是“好的”，而不是去收集大量的“壞的”樣本。

與傳統方法相比，傳統視覺檢測需要花費大量的時間和精力去收集和標註缺陷樣本，而且在樣本不足的情況下，模型的準確性會受到很大影響。而 DaoAI 的 APDT 正樣本學習技術，只需要少量的良品樣本就能建立有效的檢測模型。同時，配合 DaoAI 的高分辨成像技術，系統能夠達到微米級的分辨能力。高分辨成像可以清晰地捕捉到電容表面的細微紋理，使得系統能夠識別出端面髮絲狀的細裂。在檢測速度方面，單顆檢測能夠在毫秒級完成，這與高速來料檢與編帶前檢測的節拍相匹配，大大提高了檢測效率。

典型應用場景

• 高速來料檢測：在 MLCC 原材料進入生產線時進行檢測。由於來料速度快，傳統方法很難在短時間內完成檢測。DaoAI 系統憑藉其毫秒級的單顆檢測速度和微米級的分辨能力，能夠快速準確地檢測出微裂紋，確保進入生產線的原材料質量。難點在於需要在高速執行的情況下保證檢測的準確性。
• 編帶前檢測：在 MLCC 進行編帶包裝之前進行檢測。此時需要對每一顆電容進行全面檢查，以保證最終產品的質量。DaoAI 系統可以識別出電容端面和本體的微裂紋，即使是細微的髮絲狀細裂也能被檢測出來。難點在於微裂紋尺寸極小，需要高分辨成像和精準的演算法來識別。
• 新規格電容上線檢測：當新規格的電容上線時，傳統方法需要重新收集缺陷樣本、重寫檢測流程，這會耗費大量的時間和資源。而 DaoAI 系統可以實現 0 程式碼 5 分鐘換型，無需重新攢樣本，大大縮短了新規格匯入週期。難點在於如何快速適應新規格的電容特徵。
• 生產過程中的抽檢：在 MLCC 生產過程中，定期進行抽檢以監控產品質量。DaoAI 系統可以快速對抽檢樣本進行檢測，及時發現潛在的微裂紋問題。難點在於如何保證抽檢的代表性和檢測的及時性。

落地案例

有一家中等規模的 MLCC 生產企業，其生產線每分鐘產能達到 3000 顆。在採用 DaoAI 系統之前，該企業依靠傳統視覺檢測和人工目檢相結合的方式進行微裂紋檢測。傳統視覺檢測由於樣本不足，對微裂紋的檢出率僅為 80%，誤報率達到 15%。人工目檢受速度和一致性的影響，漏檢率較高，約為 10%。而且，新規格電容上線時，換型週期長達 2 天。

DaoAI 系統上線後，微裂紋的檢出率提高到了 98%，誤報率降低至 2%，漏檢率降低至 2%。單顆檢測時間穩定在毫秒級，完全滿足高速產線的節拍。新規格電容上線時，0 程式碼 5 分鐘即可完成換型，大大縮短了新規格匯入週期，同時也緩解了目檢工位的人力和一致性壓力。

微鏈道愛解決方案與產品

微鏈道愛提供的 DaoAI 系統，核心是 APDT 正樣本學習技術。該系統包括高分辨成像硬體和智慧演算法軟體。高分辨成像硬體能夠清晰地捕捉電容表面的細微紋理，為後續的檢測提供準確的影象資料。智慧演算法軟體則透過對良品影象的學習，建立起準確的“正常”判據，實現對微裂紋的高效檢測。此外，系統還具備 0 程式碼換型功能，能夠快速適應新規格的電容檢測需求。

量化成效：DaoAI 系統在 MLCC 微裂紋檢測方面取得了顯著的量化成效。在檢出率方面，從傳統方法的 80%提高到了 98%，大大提高了產品的質量。誤報率從 15%降低至 2%，減少了不必要的誤判，提高了生產效率。漏檢率從 10%降低至 2%，確保了更多的微裂紋產品能夠被檢測出來。新規格換型時間從 2 天縮短至 5 分鐘，大幅縮短了新規格匯入週期，提高了企業的市場響應速度。

本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。