对于划痕、异物、氧化、脏污、折痕、裂纹等这类边缘模糊位置随机的复杂外观缺陷，传统的AOI因其工作逻辑短板，显得力不从心，检出率差；目前行业主流的外观检测手段是采用CNN卷积神经算法的深度学习AVI,只要提供足够多的缺陷样板，进行反复的学习和训练，检出率可以持续提升，检测效果是可以让用户放心的；

但这种深度学习技术，效果虽好，但用过的人也都有另一种体会，就是难用；

传统的视觉算法，对缺陷的识别，本质上讲，就是对特定图像区域内，像素分布特征的规律统计，注定无法摆脱对背景的高度依赖，每次遇到新的产品型号，因其布局不同、线路不同，历史的学习经验，并不能完全应用在新产品上，其检出率甚者可能出现断崖式下降；

要让深度学习AVI能精准有效的工作，必须满足一个前提，就是要为每个产品型号，每一种缺陷，先收集充足的缺陷样板，这个时间可能几天，也可能是几周，如果用户只有三五种型号，那还好说，如果有几百几千种型号，这个工作的人工量将是恐怖的；

除了多机种，还有另外一种场景痛点，就是小批量；一个型号可能生产半天就做完了，用户几乎没有办法能收集足够的缺陷样板，也就是说，没办法做足够的学习训练，那么，下次再生产这个型号时，设备的检测可靠性，还是让用户不敢信任的，这种情况，就只能去采用人工检查。

以上的行业痛点持续了长达十年，目前绝大部分用户仍然仍然在忍受这种状况，那么中邦达智能技术，是如何突破算法，并解决了这个市场痛点呢？更多行业知识，会在后续推文中，向大家一一分享；

-----------------------------------------------------------

中邦达智能技术成立于2016年，拥有超10000㎡的东莞生产基地和170余名员工，其中研发技术人员占比超35%。通过完全自主研发的AI底层算法与软硬件体系，广东中邦达开发的AUI检查技术，不仅解决了传统深度学习泛化能力差的痛点，更为高端制造业的智能化升级提供了坚实保障，可应用于FPC柔性电路板、QFN、射频器件、存储芯片类的半导体传统封，先进封装、光通讯芯片装领域。