跳到正文

落地案例/工业制造/案例 004

资料整理 · 已去标识

合成缺陷数据与焊点视觉质检

该案例把生成式AI用于“造训练数据”而不是直接生成质检结论，并把相机检测、自动返修和专家误报校准连成完整生产闭环。

资料 · 已去标识不含企业、人物与原始链接；数值为来源方披露，非独立审计；编辑归纳处均已标注。

01Background

业务背景

场景
工业制造 · 生产与质量
现状
自动光学质检需要覆盖多种缺陷图像，但项目方制造质量较高，新产线很难自然积累足够坏件；等待真实缺陷会拖慢模型和产线投产，故意破坏零件又成本高且无法覆盖全部变体。

02Pain points

核心痛点

  1. 01

    自动光学质检需要覆盖多种缺陷图像，但项目方制造质量较高，新产线很难自然积累足够坏件

  2. 02

    等待真实缺陷会拖慢模型和产线投产，故意破坏零件又成本高且无法覆盖全部变体

03Solution

解决方案

项目方研究团队用旧产品和每种缺陷仅两位数规模的真实图像做领域迁移，生成约1.5万张新产品合成缺陷图；2D与3D相机从12个位置拍摄定子焊点，视觉模型在实图与合成图上训练后快速判定并让可修复件自动回流，同时由图像专家持续修正误报规则和重训模型。

用到的能力

  • 生成式视觉模型
  • 合成数据
  • 领域迁移
  • 2D/3D工业相机
  • 自动光学检测
  • 返修回流控制
  • 专家重训
改造链路

  1. 01旧产品和少量真实缺陷图

  2. 02领域迁移生成新产品合成缺陷图

  3. 03真实与合成数据联合训练视觉检测模型

  4. 0412个位置的2D/3D相机采集定子焊点

  5. 05在线判定并让可修复件自动返回生产流程

  6. 06专家复核误报、调整规则并人工重训模型

04Human in the loop

人机分工

AI／系统做什么

视觉模型完成高速初检与回流控制

人做什么

图像处理工程师检查误报，例如判断弱焊是否仍可接受，并通过人工重训调整“合格/缺陷”边界。不可返修的缺陷仍按制造质量流程处置

05Outcome

效果

约1.5万张
约1.5万张合成图只需每类两位数真实样本来源方披露

来源方说明来源方称约1.5万张合成图只需每类两位数真实样本，预计项目周期比传统方法缩短6个月并带来每年六位数欧元生产率收益；检测在一瞬间完成，项目仍处于新产线训练和扩展阶段。

  • 6个月和六位数欧元为项目方工厂预期，不写成已审计实现收益。
  • 公开文章未给训练/测试集拆分、误报率和样本外评测。

06Method & limits

做法与边界

FDE 在现场做了什么编辑归纳

  1. 01先定义六类焊接缺陷及可返修边界
  2. 02盘点可复用旧产品图像和少量新样本
  3. 03以合成数据补齐长尾缺陷而非等待坏件
  4. 04把检测输出直接接入返修流程
  5. 05由现场专家持续校准误报与合格边界

可以借鉴

  • 高质量制造现场可用合成数据解决坏样本稀缺
  • 合成数据必须与真实数据联合验证
  • 模型判定需要映射到返修和报废动作
  • 现场专家应持续维护视觉质量边界

资料透明度

  1. 业务背景来源披露
  2. 解决方案与编辑
  3. 改造链路来源披露
  4. FDE 做法与编辑
  5. 效果来源披露

来源披露与编辑编辑归纳资料不足

同类案例

你的业务也有类似的事？把要做的事、资料和期望写下来，平台人工对接合适的 FDE。

原始结构化资料 © 2026 guminghao-avi contributors，MIT 许可；本页为去标识整理与编辑归纳，不代表原企业或来源方观点。