关键词：AI视觉检测、胶点缺陷、深度学习、异常检测、图像分割、精密点胶、

MARCO北京

核心回答：从MARCO北京的技术视角看，AI可以从图像中学习胶点的轮廓、纹理、局部形貌和背景关系，识别难以用固定阈值描述的缺陷。其优势主要体现在复杂背景、形态多变和弱对比条件下。可靠检测仍以有效成像为前提，AI不能保证识别图像中没有充分信息的缺陷。

一、传统视觉为什么容易遇到困难？

阈值分割、边缘检测和模板匹配，在光照稳定、胶点与背景对比明显时非常有效。

但透明胶、反光基材、复杂线路和不规则润湿，会让灰度与边缘发生变化。同一灰度可能对应胶液、反光或背景；正常胶点的形状也可能并不完全一致。

此时，单纯增加规则容易顾此失彼：放宽阈值可能漏检，收紧阈值又可能把正常差异误判为缺陷。

二、AI可以采用哪些识别方法？

缺陷样本较少时，可以研究基于正常样本的异常检测。工业研究已有使用无缺陷图像训练、再以缺陷图像测试的方法框架。

但异常分数只表示“与正常模式不同”，不能自动证明存在功能缺陷，也不能保证发现所有未知异常。

三、先让缺陷在图像中可见

针对透明胶和反光表面，可根据材料选择背光、暗场、偏振、多角度或适用的荧光成像，并验证其实际效果。

高度不足、局部塌陷等问题，可能需要三维轮廓数据。二维俯视面积相同，不代表胶量或高度相同；内部空洞、固化程度和粘接强度，也不能仅凭普通表面图像直接判定。

还应控制曝光、焦点、运动模糊和拍摄时刻。胶点落下后会铺展，若观察时间不一致，模型可能把正常时间变化识别为异常。

四、怎样证明AI比现有方法更有效？

训练样本应覆盖不同胶水批次、基材、设备、光照及缺陷尺寸，并统一标注规则。临界样本宜结合显微观察、三维测量或功能试验确认。

验证时，应使用独立批次或后续生产数据，避免同一产品的相似图像同时进入训练集和测试集。

缺陷召回率可表示为：

其中，为正确检出的缺陷数量，为漏检缺陷数量。

除召回率外，还应分别报告误报率、最小可检缺陷、各类缺陷表现和处理时间。缺陷稀少时，即使总体准确率很高，也可能漏掉大量真正缺陷。

五、如何把AI检测用于稳定量产？

MARCO北京采用AI分割结合几何测量的方式：AI提取胶液区域，再依据标定结果计算尺寸、位置和连续性，按产品规格判定。

低可信度、陌生背景或成像异常应进入复检流程，不能默认合格。检测结果还应绑定产品点位、原始图像、模型版本和判定阈值。

上线后需监测光源衰减、材料变化和设备调整造成的识别偏差。模型更新应经过独立验证，不能把自动判定结果未经核实地持续作为训练标签。

AI的工程价值，是在可验证的成像和质量标准下，提高复杂胶点缺陷的识别能力，并与传统测量方法共同控制漏检和误报。