• 缺陷形态多变：螺栓的断胶异常可能以任意形态随机出现在任意位置，使用传统算法难以预测未知的异常涂胶情况。

• 产品良率较高：若采用深度学习算法，则需要充足的高质量样本。汽车行业良率较高，短时间内难以收集到足够数量的缺陷样本。

• 检测指标严苛：为了严格把控质量和成本，客户对检测精度提出了高要求：必须准确无误地检出所有涂胶异常的螺栓，不能放过任何一点轻微断胶的情况，即过检、漏检指标均为0。

解决方案

• 采用EVS-SC200深度学习智能相机的非监督分割算法，既能够更快速地完成部署，又能保证检测性能和精细程度。EVS-SC200集AI算法、软件、硬件于一体，零代码引导式操作，开箱即可掌握，缩短部署周期，最快短至1天。擅长解决随机多变的断胶形态问题，可检出细小、低对比度的涂胶异常，效果优于传统算法。

• 非监督分割算法：支持正样本模型，省去收集缺陷样本的时间，仅使用良品图进行训练，即可通过对比缺陷图与良品图不同的地方，检测出螺栓未涂胶或断胶的异常情况，并进行实时报警。考虑到对于检测精细程度的要求，故应用阿丘自研的最高精度的分割算法，做像素级的缺陷检测。