極性是汽車電子的關鍵安全項，但傳統 AOI 在極性標識上誤報極多，工人忙于排除假反向。這家工廠把積累的誤報圖餵給 DaoAI 做少樣本學習，讓模型學會區分真反向和反光色差。
164誤報樣本
<1s推理
99%判準
汽車電子對極性裝反零容忍，二極管、钽電容、電解電容的方向是關鍵安全特性。但極性標識依賴絲印與本體色帶，傳統 AOI 極易把絲印反光、批次色差、輕微偏轉誤判成方向裝反，極性工位的誤報常年居高。工人疲于逐個排除假反向，反而稀释了對真反向的警覺，這在汽車件上是不能接受的風險。
工廠沒有從零訓練大模型，而是直接利用產線積累的 164 張歷史極性誤報圖，用 DaoAI 少樣本學習做針對性建模——讓模型專門學習「看起來像反向、其實是反光/色差」這一類困難樣本。模型上線後單次推理 <1 秒，匹配在線節拍；極性判定準確率約 99%，真實反向被穩定截出，而反光、色差導致的假反向被語義層過濾掉。
關鍵做法
- 直接用產線積累的 164 張歷史誤報圖，無需海量標注
- 少樣本學習專攻「反光/色差伪反向」困難樣本
- 單次推理 <1 秒，適配在線檢測節拍
- 語義誤報過濾區分真反向與標識反光
汽車件的極性，既不能漏裝反，也不能天天喊狼來了。
上線後極性工位的假反向報警大幅減少，誤報排除的人工投入顯著下降，而極性判定準確率維持在 99% 左右，真實極性裝反保持穩定截出，滿足汽車電子對該關鍵特性的管控要求。