反馈学习教得越多，它就越智能。
操作员的每条反馈都很重要。上报误报和缺陷，帮助 AI 学习哪些可以接受，哪些需要关注。
一键从误判到训练样本生产时在复判界面上报，数据不出设备。
80%更少误报以规则式检测为基准对比，并随每份报告持续改进。
持续学习每轮反馈都让模型更好。复核误报后更新，或在生产中收集反馈，稍后更新。
您提供反馈，AI 从中学习。
步骤 01 · 操作员
标记为 OK 或 NG
将元件标记为 OK 或 NG。您的反馈可应用于同组的其他元件。
步骤 02 · 操作员
选择 AI 学习来源
开启训练，将此反馈纳入模型更新。关闭时仅记录反馈，不用于训练。
步骤 03 · AI
更新 AI
运行 AI 更新，从所选反馈中学习并自动调整检测参数。
步骤 04 · 设备
复检
重新检测电路板并查看更新后的结果。
相同料号，不同供应商。
即使料号相同，不同供应商的元件也可能有不同的本体形状或标记。将可接受的差异标记为合格，让 AI 学会在整个元件组中识别此类变化。
差异不等于缺陷
不同批次的标记字体或本体颜色变化，不一定是缺陷。您的反馈可让 AI 学会识别可接受的差异，同时继续检测引脚翘起、焊锡桥连和缺件。
更新不会改动您手动设置的内容。
保留您的设置
更新时避开您自行设置的所有内容。
手动设置优先
当您的设置与更新冲突时，保留您的设置。
产线优先
更新等待产线就绪，而非让产线等待更新。
撤销更新
不符合预期？恢复原状即可。
我们与其他方案有何不同。
同一误报，三种处理方式。
调整阈值手动
通用 AI AOI供应商重新训练并交付模型
DaoAI反馈与 AI 更新
实际有哪些变化
所有由该参数判定的检测项，合格范围都会放宽
设备端不会发生任何变化。请求会发送给供应商，已部署的模型保持不变。
模型会学习它会获得一个该元件正常外观的样本
对真实缺陷的影响
加宽容差带内的缺陷也会被判定为合格
下一个模型到来前无从得知，而且它未针对您的缺陷进行训练
仍可检出评分相近的缺陷仍在更新后的正常范围之外
判定在哪完成
有人改了数值，却没有同步记录原因
存放在供应商处，数据集不在您手中
在您的数据集中产品数据集中的一个已标注样本，附有图像
变更范围
该参数控制的所有内容，无论是否符合您的本意
重新训练带来的所有变化，覆盖运行该模型的每座工厂
您选择的分组单个位号、类别、料号或封装
谁能操作
有权修改检测参数的人员
一名 AI 工程师，通常由对方提供
任何操作员无需程序修改权限，也可上报检测结果
长期
阈值一直放宽，原因却未记录
您需要等待版本发布，图像也可能需要传出工厂
彻底解决模型多学一个样本，不再误报该元件
客户常问的四个问题。
反馈多少次，才不再误报该元件？
取决于检测项及元件外观差异。产品样本积累到足以支持有效更新时，设备会提示您。
反馈误报会修改检测程序吗？
不会。提交报告只会添加一个样例。只有具备权限的人员执行更新时，程序才会改变，且可撤销。
重新训练时产线需要停机吗？
不会。更新等待产线就绪，而非让产线等待更新。
更新会覆盖工程师设置的阈值吗？
不会。设备会保留所有手动设置。
查看如何纠正误报。
与工程师一起，用您的电路板进行 30 分钟现场演示。反馈误报，运行 AI 更新，再次检测电路板并查看结果。
编程与学习模块下一项全面掌控 →
想要更多控制权？自行调整检测设置，从单项阈值到各元件使用的工具。