AI-AOI 的下一代提法。沿用 AOI 里的 A 与 I，只把 O（光学）换成 C（认知）：判定依据从「逐像素与一张良品图像比较」变成「认元件、而非像素」，因此不再绑定单一成像模态——结构光 3D、X 光、红外与电镜图像同样适用；对象也不再默认是电路板。只改一个字母，既有招标与工艺文件的主体可以沿用，绝大多数处是一次查找替换。完整论证见从 AI AOI 到 ACI。

特征认知（Feature Cognition）

模型从单块良品学习零件的正常外观，不需要 CAD 图纸，也不需要预先收集缺陷样本库。

APDT 正样本 / 少样本自训练

微链道爱 APDT 只用良品（正样本）建模，1–20 张良品即可上线；换新型号时不必重新收集缺陷数据。

0 代码换型

微链道爱 AI AOI 更换产品型号时不写代码、不改规则：一块良品样板约 5 分钟完成自动编程与部署。

语义误报过滤

在判定阶段按语义区分「真缺陷」与「看起来像缺陷的正常变异」（反光、纹理、允许范围内的位移等），用于压降误报率。

漏检率（Escape rate）

实际有缺陷却被判为良品的比例。它决定流到下游与客户端的风险；同样一次判错，漏检的代价通常远高于误报。

误报率（False call rate）

实际是良品却被判为缺陷的比例。它不带来流出风险，但会占满复判工位——产能瓶颈通常出在这里，而不是检测本身。

结构光 3D 成像

用投影条纹与三角测量重建三维形貌的成像方式。微链道爱自研 3D 相机采用结构光原理；公司不生产 ToF 相机，可接入第三方 ToF 相机的深度数据作补充或对比。

6D 位姿

物体在三维空间中的位置（x / y / z）与姿态（roll / pitch / yaw）共六个自由度，是机器人抓取与装配引导的基本输出。

无序料箱抓取（Bin picking）

零件在料箱中随机堆叠时，由 3D 视觉给出可抓取位姿并引导机器人逐件取出。

本地私有化部署

模型训练与推理都在客户产线侧完成，检测数据不出厂。

ADC 自动缺陷分类

对已检出的缺陷按类别自动归类（颗粒、划伤、桥连等），用于半导体量测与良率分析的闭环。

天眼 SkyVision

天眼 SkyVision 是 0 代码视频监控 AI 平台：现场小时级训练自有模型，做行为 / 事件 / 作业规范识别，数据不出厂。

Wemio

微链道爱的物理 AI 内容引擎，把三维与物理约束带进视频生成，使跨镜头的人物、场景与动作保持一致。