AI+ 工业

以视觉识别、边缘计算与设备接入为基础，服务产线质检、运维监控与安全作业的实时闭环，让现场能力真正可落地。

产品咨询

行业洞察

质检仍依赖人工抽检

关键工位缺陷识别依赖经验，标准不一致，影响良率与产线节拍。

设备与现场数据割裂

参数、告警、工单数据分散，问题定位慢，运维响应成本高。

安全监管缺少实时闭环

作业状态、风险行为与处置记录难统一联动，预警价值被削弱。

行业垂直场景

AI外观质检方案-携手生态合作伙伴打造多个细分领域标准硬件

区域屏蔽设备状态查看标准化产品：AI视觉分析算法质检平台训练端负责构建高精度工业质检模型并输出SDK，运营端部署在产线机台进行高性能推理和运维加速封装模型评估数据标注 ** 部署上可支持公有云、 Windows 单机、 Linux 集群等多种形态 ** SDK部署状态查看指标分析策略调整调试智能指引后处理灵活配置模型训练一键部署运营端训练端缺陷统计分析模型训练

快速迭代项目 x 数张图片针对难度不高的快速迭代项目（少量缺陷和点位， OK 图特征稳定），仅需数张缺陷图片，通过弱标注或无标注、在数十分钟内完成模型迭代流程，高效响应产线需求高难度项目 x 数万张图片针对复杂度较高的项目（数百种缺陷、上千个点位、验收指标严苛），可支持多机多卡训练模式，通过数万张数据进行模型迭代，输出极致效果的模型针对复杂度不高的常规项目（数十种缺陷、上百个点位），通过数千张NG图片实现有竞争力的指标，达到上机跑料条件，并进行针对性迭代直至最终验收 “矩阵式”应对不同难度场景常规项目 x 数百张图片

• 总结应用场景的共性：被检测的零器件具备外观材质单一、体积较小、结构复杂等特点 • 验证光学方案的普适性：结合项目方案经验，沉淀出2种组合光源方案，覆盖10+个项目 2种组合光源方案（ A+C、 B+C ）可应对现有3C外观检测项目 2类产品外观材质 1. 高亮高反表面（钢质边框、 Air Pods外壳） 2. 磨砂粗糙表面（MIM镜头支架、 MacBook外壳） 3类产品外观缺陷 1. 细纹形缺陷（裂纹、划伤、擦伤等） 2. 凸形缺陷（粘料、飞边、鼓包等） 3. 凹形缺陷（压伤、碰伤、针眼等）组合光源 + A C B C AI外观质检解决方案-产品和缺陷的共性沉淀成标准化光学方案

AI外观质检解决方案-产品化平台方便快速复制和验收全流程产品能力覆盖，助力硬件批量验收、模型持续迭代、交付后业务运营管理软件部署调试业务规则管理 ROI / Mask区域设定点位阈值设定判定规则设定模型 / SDK一键部署硬件入场验收硬件接入管理角度一致性验证亮度一致性验证清晰度一致性验证差值分布一致性验证模型效果提升交付后用户使用界面环节：产品： AI模型管理业务运营管理

丰富实践，持续提升竞争力落地场景：广泛覆盖多行业、多场景外观质检，自研计算光学技术，满足高精度和多机型需求方案特点：整合了光、机、电、软、算的交钥匙方案，且质检数据可与MES等系统打通建立AI质检大数据

案例实践： 3C消费电子行业外观质检场景概览落地场景：广泛覆盖模组、金属结构件等外观质检场景方案特点：成功研发针对超复杂场景的AI质检算法，可应对3C零部件产品百级缺陷*千级成像点位的外观质检需求，并能够提供端到端软硬件解决方案。 • 外壳-logo面笔记本 • 外壳-键盘面 • SIM卡槽智能手机智能手表智能平板 • 无线充模组 • 摄像头模组 • 摄像头支架 • 锂电池包 • 金属外壳 • 金属外壳 • 金属中框