DaoAI 助力 MLCC 微裂纹检测，突破样本困境

在 MLCC 生产过程中，微裂纹检测是确保产品质量的关键环节。然而，传统检测方法面临诸多挑战，DaoAI 的 APDT 正样本学习技术为这一难题提供了有效的解决方案。

行业背景与用户场景：多层陶瓷电容（MLCC）作为电子设备中广泛使用的基础元件，其用量极大且单颗尺寸极小。在智能手机、平板电脑、汽车电子等众多领域，MLCC 都发挥着至关重要的作用。在 MLCC 的生产线上，为了保证产品质量，需要对每一颗电容进行微裂纹检测。微裂纹可能出现在电容的端面与本体，这些裂纹宽度可能只有微米级，却会对电容的性能产生严重影响。因此，准确检测出这些微裂纹对于保障产品的可靠性和稳定性至关重要。

痛点：为什么难

从量化维度来看，MLCC 的良率本就很高，微裂纹这类缺陷出现的概率极低，可能每生产数千颗甚至数万颗电容才会出现一个带有微裂纹的产品。这就导致难以攒出足够的缺陷样本来训练常规的分类模型。传统视觉检测方法需要大量的缺陷样本进行训练，以确保模型能够准确识别微裂纹。然而，由于微裂纹的罕见性，样本攒不齐成为了一大难题。

人工目检同样存在严重的局限性。在产能方面，MLCC 生产线的速度极快，动辄每分钟数千颗的产能，人工目检根本无法跟上这样的速度。而且，人工目检的一致性较差，不同的检测人员可能会因为疲劳、视力等因素，对微裂纹的判断产生差异。这就使得人工目检在高产能的 MLCC 生产线上不具有可行性。此外，微裂纹的尺寸极小，只有微米级，这对于人工目检来说，难度极大，很难准确识别出这些细微的裂纹。

技术原理

DaoAI 采用的 APDT 正样本学习技术，只学习 1-20 张良品图像。其原理是通过对这些良品图像的分析，建立起“正常”的判据。在这个过程中，系统会学习良品的纹理、特征等信息，确定一个正常的分布范围。当检测到的电容图像偏离这个正常分布时，就会将其标记为可疑。这种方法绕开了传统方法需要大量缺陷样本的困境，因为它只关注什么是“好的”，而不是去收集大量的“坏的”样本。

与传统方法相比，传统视觉检测需要花费大量的时间和精力去收集和标注缺陷样本，而且在样本不足的情况下，模型的准确性会受到很大影响。而 DaoAI 的 APDT 正样本学习技术，只需要少量的良品样本就能建立有效的检测模型。同时，配合 DaoAI 的高分辨成像技术，系统能够达到微米级的分辨能力。高分辨成像可以清晰地捕捉到电容表面的细微纹理，使得系统能够识别出端面发丝状的细裂。在检测速度方面，单颗检测能够在毫秒级完成，这与高速来料检与编带前检测的节拍相匹配，大大提高了检测效率。

典型应用场景

• 高速来料检测：在 MLCC 原材料进入生产线时进行检测。由于来料速度快，传统方法很难在短时间内完成检测。DaoAI 系统凭借其毫秒级的单颗检测速度和微米级的分辨能力，能够快速准确地检测出微裂纹，确保进入生产线的原材料质量。难点在于需要在高速运行的情况下保证检测的准确性。
• 编带前检测：在 MLCC 进行编带包装之前进行检测。此时需要对每一颗电容进行全面检查，以保证最终产品的质量。DaoAI 系统可以识别出电容端面和本体的微裂纹，即使是细微的发丝状细裂也能被检测出来。难点在于微裂纹尺寸极小，需要高分辨成像和精准的算法来识别。
• 新规格电容上线检测：当新规格的电容上线时，传统方法需要重新收集缺陷样本、重写检测流程，这会耗费大量的时间和资源。而 DaoAI 系统可以实现 0 代码 5 分钟换型，无需重新攒样本，大大缩短了新规格导入周期。难点在于如何快速适应新规格的电容特征。
• 生产过程中的抽检：在 MLCC 生产过程中，定期进行抽检以监控产品质量。DaoAI 系统可以快速对抽检样本进行检测，及时发现潜在的微裂纹问题。难点在于如何保证抽检的代表性和检测的及时性。

落地案例

有一家中等规模的 MLCC 生产企业，其生产线每分钟产能达到 3000 颗。在采用 DaoAI 系统之前，该企业依靠传统视觉检测和人工目检相结合的方式进行微裂纹检测。传统视觉检测由于样本不足，对微裂纹的检出率仅为 80%，误报率达到 15%。人工目检受速度和一致性的影响，漏检率较高，约为 10%。而且，新规格电容上线时，换型周期长达 2 天。

DaoAI 系统上线后，微裂纹的检出率提高到了 98%，误报率降低至 2%，漏检率降低至 2%。单颗检测时间稳定在毫秒级，完全满足高速产线的节拍。新规格电容上线时，0 代码 5 分钟即可完成换型，大大缩短了新规格导入周期，同时也缓解了目检工位的人力和一致性压力。

微链道爱解决方案与产品

微链道爱提供的 DaoAI 系统，核心是 APDT 正样本学习技术。该系统包括高分辨成像硬件和智能算法软件。高分辨成像硬件能够清晰地捕捉电容表面的细微纹理，为后续的检测提供准确的图像数据。智能算法软件则通过对良品图像的学习，建立起准确的“正常”判据，实现对微裂纹的高效检测。此外，系统还具备 0 代码换型功能，能够快速适应新规格的电容检测需求。

量化成效：DaoAI 系统在 MLCC 微裂纹检测方面取得了显著的量化成效。在检出率方面，从传统方法的 80%提高到了 98%，大大提高了产品的质量。误报率从 15%降低至 2%，减少了不必要的误判，提高了生产效率。漏检率从 10%降低至 2%，确保了更多的微裂纹产品能够被检测出来。新规格换型时间从 2 天缩短至 5 分钟，大幅缩短了新规格导入周期，提高了企业的市场响应速度。

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。