场景描述

在主体产线和设备实现一定程度数字化的基础上，冠捷一直在寻找能够解决其传统屏幕质检难题的好方案。但屏幕缺陷检测不同于其他流水线的常规检测，其价值在于保证良品率，即有缺陷必返工，因此质检工作的高要求就体现在对缺陷的精准识别：最关键的是不放过一个缺陷，其次是不误判一个良品。

传统质检往往以人力为主，不仅消耗人力，且质检结果受人为因素影响。而尽管AI质检早有先例，让AI模型学习残次品不同的缺陷，在质检中如果遇到了同一类缺陷即可检出坏品。但这种方案同样存在局限，因为实际生产场景中缺陷品毕竟是少数，用于模型训练的数据收集较为困难，模型训练周期非常长，甚至可能需要3-6个月的时间，这显然跟不上当今的“智造速度”。