在工業生產中，裝配工序的準確性至關重要。微鏈道愛憑借其先進的 AI 視覺技術，為某頭部工業 SOP 廠商解決了裝配工序漏步檢測的難題。
用戶場景：某頭部工業 SOP 廠商，其產線的裝配工序涉及多種複雜零部件的組裝，產品為高精度的工業設備。檢測對象是裝配過程中的每一個步骤是否正確執行，包括零部件的安裝順序、擰緊程度、連接是否到位等。由于產品種類繁多，裝配工序複雜，人工檢測難以保證檢測的準確性和效率。
痛點：該廠商面臨着诸多量化困境。首先，產品良率高，導致缺陷樣本天生稀缺，同時出于數據保密的原因，難以收集大量的缺陷數據進行模型訓練，這使得少樣本/單樣本建模成為檢測冷啟動的關鍵難題。其次，人工檢測存在較高的漏檢率和誤報率，漏檢率約為 5%，誤報率約為 8%，這不僅增加了產品的次品率，還導致了大量的人力成本浪費在重複檢測上。此外，產品換型時，需要重新調整檢測流程和標準，換型時間長達 30 分鐘，嚴重影響了生產效率。
技術原理
微鏈道愛采用了先進的算法和成像技術來解決這些問題。在算法方面，利用 DaoAI AI AOI 軟件系統中的 APDT 正樣本/少樣本學習算法，該算法能夠通過少量的正樣本（1-20 張良品）進行模型訓練。其原理是通過對良品特征的深度挖掘和學習，建立起對正常裝配工序的特征認知模型。當遇到異常情況時，能夠快速識別出與正常特征不符的情況，從而實現漏步檢測。在成像方面，DaoAI 2D / 3D AI AOI 設備的自研 3D 相機能夠對裝配過程進行三維形貌重建，獲取零部件的精確位置和形狀信息。這對于檢測隱藏焊點、共面度和微米級形貌非常有效，因為 3D 成像能夠提供更多的細節信息，比傳統的 2D 成像更能準確地判斷裝配是否正確。
- APDT 正樣本/少樣本學習算法通過對少量良品的特征學習，建立起高效的檢測模型，解決了缺陷樣本稀缺的問題。
- 自研 3D 相機的三維形貌重建技術，能夠提供更精確的裝配信息，提高檢測的準確性。
- 基于視覺基礎模型的特征認知能力，能夠快速識別裝配過程中的異常情況。
微鏈道愛解決方案與產品介紹
微鏈道愛提供了 DaoAI AI AOI 軟件系統和 DaoAI 2D / 3D AI AOI 設備相結合的解決方案。DaoAI AI AOI 軟件系統具有強大的特征認知能力，一塊良品僅需 5 分鐘即可完成 0 代碼自動編程，大大縮短了模型訓練時間。其 APDT 正樣本/少樣本學習功能，能夠在 1-20 張良品的情況下完成模型訓練，有效解決了少樣本建模問題。同時，語義誤報過濾功能能夠減少誤報率，提高檢測的準確性。DaoAI 2D / 3D AI AOI 設備的自研 3D 相機能夠對裝配過程進行全面的檢測，其三維形貌重建技術能夠檢測隱藏焊點、共面度和微米級形貌，確保裝配工序的正確性。在落地過程中，將設備部署在裝配產線上，通過 SDK / API / Docker 進行集成，支持 100% 本地私有化部署，保證數據不出廠。
微鏈道愛的解決方案能夠有效解決工業裝配工序漏步檢測的難題，提高生產效率和產品質量。
量化成效：通過實施微鏈道愛的解決方案，該廠商取得了顯著的成效。檢出率從原來的 95% 提高到了 99.2%，漏檢率降低到了 <0.8%，大大提高了產品的質量。誤報率降低了 -65%，減少了人工複檢的工作量。產品換型時間從原來的 30 分鐘縮短到了 5 分鐘，提高了生產效率。