为什么光子学装配难以检测
元件很小，材料既透明又呈镜面反光，缺陷没有固定形状，而不良又稀少到没有可供学习的样本库。上述每一点都会让标准的规则式方案失效。
应用
四项检测，每项都有已发布的操作指南
这些不是能力宣传。每一项都链接到一份分步指南，展示该特定缺陷的配置、对位、标注与判定规则。
配置
在相机上配置，由您的团队完成
一项检测的建立方式是：拍摄您的产品、对准某个特征、标注样例、设定判定规则。无需集成商、无需代码，产品变型时也无需重新编程。
为什么在这里要用 AI
让这一类别与众不同的四点
- 缺陷是光学的，检查是视觉的
- 耦合损耗、散射损耗与可靠性失效在上游通常都有可见的成因：一处倾斜、一个空洞、一个粗糙表面、一道裂纹。在装配阶段抓住可见成因，远比在封装之后的终测阶段抓住光学症状便宜。
- 不良稀少，这打破了常规做法
- 光子学产线以良率为目标，因此很少有可供训练的缺陷图像库。只用合格品的异常检测，以及针对特定需覆盖不良的合成缺陷生成，正是为这种情况而存在。
- 元件小、透明且镜面反光
- 这三种特性单独出现就足以击败简单照明，而它们同时出现在同一个元件上。这首先是照明与光学问题，其次才是软件问题，所以我们从缺陷出发反推方案。
- 产量正在攀升
- 数据中心光模块需求已把光模块与光引擎的产量推高到显微镜下抽样人工检查无法跟上的程度。自动化这项检查越来越是产能问题，而不只是质量问题。
在产线上运行 Overview AI 的制造企业
在产线上运行 Overview AI 的制造企业
FAQ
Frequently asked questions
自动化光子学检测覆盖哪些内容？
在产线上，它覆盖决定光学元件能否达到规格的装配与表面检查：光模块中发射与接收组件的对位、光纤阵列粘接处的环氧胶分布与倾斜、会表现为散射损耗的波导表面粗糙度，以及光纤带中的断裂、分层或微空洞。这些都是具有光学后果的外观缺陷，因此值得在封装和测试之前就发现。
这与光纤检测显微镜是一样的吗？
不一样，而且在选型时这个区别很重要。光纤检测显微镜是技术人员对准连接器端面、在现场或工位上逐个检查的手持式或台式仪器。本页讲的是固定式在线检测：相机安装在工序上方，由产线触发，对每一件产品做出判定，并把结果发送给 PLC。如果您需要用于现场作业的便携式显微镜，那属于另一类产品，我们并不生产。
为什么 AI 检测适合光子学元件？
因为这些缺陷的变化方式无法用编程规则穷举。环氧胶两次流布绝不相同，玻璃裂纹没有固定形状，而表面粗糙度是一种纹理，而不是对某条边界的测量。基于规则的工具需要高度可重复的特征和精确的阈值，因此在这里力不从心。相反，用合格与不合格样品训练出的模型学习的是可接受范围，这才让这类缺陷从理论上可行变成实际可自动化。
如何拍摄透明且高反光的光学元件？
靠光照几何，而不是更强的光。玻璃同时具备透明与镜面特性，因此单一漫射或单一直射光源会产生掩盖缺陷的高光，也会产生看起来像缺陷的反射。多角度采集（有时称为 2.5D）从多个方向照明并合成图像，使系统读取表面斜率而不是原始亮度。对于划痕和表面粗糙度，暗场往往是正确答案：光滑表面保持暗色，只有缺陷把光散射进镜头。
光纤阵列需要远心光学吗？
如果是测量而不仅仅是检出，通常需要。光纤阵列是一组必须在整个画幅宽度上相互比较的特征，而标准镜头会略微从侧面观察外侧位置，因此节距和位置会引入向边缘递增的误差。远心光学可以彻底消除这种透视。如果检查内容只是环氧胶是否有空洞或是否缺少某根光纤，配合适当照明的标准镜头通常足够，而且便宜得多。
训练一项检测需要多少产线数据？
比多数团队预想的要少。界限清晰的分类任务，每类 8 到 20 个样本通常就能训练出可用效果。当不良本身就很稀少时（光子学产线的典型情况），异常检测只用合格品训练即可。对于尚未出现过的特定稀有缺陷，合成缺陷生成会把逼真的样例叠加到您自己产品的图像上，使模型无需等待废品积累即可训练和验证。