极性是汽车电子的关键安全项，但传统 AOI 在极性标识上误报极多，工人忙于排除假反向。这家工厂把积累的误报图喂给 DaoAI 做少样本学习，让模型学会区分真反向和反光色差。
164误报样本
<1s推理
99%判准
汽车电子对极性装反零容忍，二极管、钽电容、电解电容的方向是关键安全特性。但极性标识依赖丝印与本体色带，传统 AOI 极易把丝印反光、批次色差、轻微偏转误判成方向装反，极性工位的误报常年居高。工人疲于逐个排除假反向，反而稀释了对真反向的警觉，这在汽车件上是不能接受的风险。
工厂没有从零训练大模型，而是直接利用产线积累的 164 张历史极性误报图，用 DaoAI 少样本学习做针对性建模——让模型专门学习「看起来像反向、其实是反光/色差」这一类困难样本。模型上线后单次推理 <1 秒，匹配在线节拍；极性判定准确率约 99%，真实反向被稳定截出，而反光、色差导致的假反向被语义层过滤掉。
关键做法
- 直接用产线积累的 164 张历史误报图，无需海量标注
- 少样本学习专攻「反光/色差伪反向」困难样本
- 单次推理 <1 秒，适配在线检测节拍
- 语义误报过滤区分真反向与标识反光
汽车件的极性，既不能漏装反，也不能天天喊狼来了。
上线后极性工位的假反向报警大幅减少，误报排除的人工投入显著下降，而极性判定准确率维持在 99% 左右，真实极性装反保持稳定截出，满足汽车电子对该关键特性的管控要求。