從像素匹配到特征認知 —— DaoAI 如何用深度學習的泛化能力，從根上降低誤報。2026 年 5 月，Digitimes Asia 報道了 DaoAI 推出的「圍繞特征認知檢測構建的自主智能體 AI 視覺檢測方案」。
傳統 AOI 從未被設計來解決的問題
傳統自動光學檢測有三大長期症狀：
- 設置耗時：每個新產品都需要元件庫條目、CAD 導入、閾值調整 —— 工程師花在編程上的時間，比跑產線的時間還多。
- 誤報率高：與基板共享色調的元件（黑色基板上的黑色電阻、銀色走線上的銀色連接器）經常觸發錯誤警報。
- 無學習閉環：當檢查員推翻一次誤報，這個知識隨即消失，明天同樣的問題再次發生。
根本原因是架構限製：傳統系統基于「把所見與顏色配置文件比較」的簡單前提。當元件與背景占據相同顏色范圍時，色彩空間匹配無法區分它們 —— 再怎麼調參數也救不了。
特征認知：在特征空間，而非色彩空間檢測
DaoAI 的方法轉變了檢測范式。模型在超過一百萬張元件圖像上預訓練，構建出對電阻、電容、連接器的密集表征 —— 無論顏色、照明角度或基板色調如何。由此帶來四個實際改進：
- 設置效率：只需一塊已知良品板，無需 CAD 文件或元件數據庫。以前需要整個班次的設置，現在只需幾秒到幾分鐘。
- 降低誤報：模型識別的是元件「身份」而非顏色相似度，色調匹配的元件不再造成問題 —— 特征空間能清晰分離色彩空間無法區分的元件。
- 持續學習：當檢查員標記一次誤報，模型隨即更新，該特定錯誤模式被淘汰、不再重複。這是傳統 AOI 從未有過的能力。
- 數據主權：所有推理在本地運行，板圖像、缺陷記錄與模型權重永不離開工廠。
為什麼現在很重要
PCBA 複雜度在持續增加：先進封裝、微型化元件與壓縮的周期時間，讓檢測挑戰更加困難。
顏色匹配系統不會變得更好，學習系統會。
及時采用特征認知的製造商，正在構建一項數據資產 —— 一個在自己特定產品組合、特定缺陷模式、特定產線條件上持續改進的模型。
合作路徑
- 大型 EMS / OEM 製造商：以 SDK、REST API、Docker 容器或本地部署許可證的形式集成。
- 中小型 PCBA 工廠：P 系列交鑰匙系統，「5 分鐘上線，而非 5 個月」。
- AOI / SMT 設備製造商：OEM 計劃，典型 PoC 時間線從 NDA 簽署後 30 天起。
- 區域經銷商：台灣與東南亞認證渠道合作伙伴計劃。