SYZIX AI 视觉检测
面向新能源与汽车供应链的专业 AI 视觉检测与智能作业指导
基于自研 Transformer 检测模型与闭环平台架构，以高精度、高效率、智能化服务重新定义工业外观检测；同时以 AI SOP 沉淀工艺经验，让检测与作业标准实时一致。
产品概述
SYZIX AI 视觉检测
深业智形 · 面向新能源、汽车供应链行业的视觉检测品牌
SYZIX（「有形」）孵化的 AI 视觉检测方案，覆盖激光焊、连接器、电池成品等外观检测场景，首次在全球 3C 锂电行业实现外观检设备对近 400 名质检人员的规模化替代。AI SOP 从工艺数据自动生成标准作业指导，将老师傅的经验沉淀为可复制、可迭代的数字化工艺资产。
高精度、高效率、智能化——重新定义 AI 视觉检测行业的内涵。
传统方案的局限
- ✕主流开源模型难以同时兼顾检测精度与效率
- ✕小目标、弱纹理、低对比度缺陷检测困难
- ✕多品种、小批量、高频换型场景上线周期长
- ✕作业指导与现场工艺脱节，标准难落地
SYZIX 方案
- ✓基于 Transformer 架构的自研检测模型，实现检测精度与效率的最佳平衡
- ✓语义分割 / 目标检测 / 异常检测三代自研模型组合，覆盖工业外观检测全场景
- ✓AI SOP 按场景动态生成、校准作业指导，标准与现场一致
- ✓无（半）监督异常检测显著缩短产品导入到检测上线周期
流程
闭环平台架构
01
标注平台
真实缺陷样本与场景数据积累
02
生产平台
自研模型训练、验证与版本管理
03
运行平台
推理端部署与检测任务执行
04
上位机
检测工位 UI 与运行状态管理
标注平台 + 生产平台 + 运行平台 + 上位机：自上而下完成「数据、算力、模型、训练、部署、推理」流程智能化
核心能力
核心能力
01
语义分割（自研）
面向小尺度缺陷、边界提取、尺寸测量、精细区域判定，精度可达 99.95%；轻量级高性能 Transformer 架构，训练和推理效率比友商高 30% 以上。
02
目标检测（Yolo 系列）
面向中大尺度缺陷、位置型异常、点/线类目标识别，Yolov8 / Yolov11 / Yolo26 与自研算法有机整合。
03
异常检测（自研）
基于无（半）监督学习，只学习良品数据即可精准识别异常位置，适配场景精度达 99.6%，显著缩短换型场景上线周期。
04
AI SOP
从工艺数据自动生成标准作业指导书，将老师傅的经验沉淀为可复制、可迭代、可追溯的数字化工艺资产。
05
专业光学方案
环光、条光、同轴光、碗光、多分区光源与 3D 相机，联合多家专业光学团队，输出面向场景的光学方案。
06
规模化验证
近 300 台工厂内推广，覆盖 PCM、SIP、激光焊、连接器、电池成品等外观检测场景。
DEFECTS
可检测缺陷类型
焊点类缺陷
焊点位置错误 · 焊点发黑 · 少焊点 · 焊点偏移 · 无焊点 · 焊点贯穿
表面类缺陷
溢胶 · 异物 · 划痕 · 褶皱 · 脏污
尺寸与装配关系
面积、长度、宽度等尺寸检测，距离、位置偏移与装配关系判断
MODEL R&D
模型研发三代迭代
分割架构演进
U-net → FCN → Transformer，轻量级高性能 Transformer 分割架构实现精度 99.95%。
检测模型演进
Yolov8 → Yolov11 → Yolo26，开源模型与自研算法的有机整合。
异常检测演进
Resnet → Dino 作为 Encoder，实现适配场景下精度 99.6% 的突破。
METRICS
检测指标
| 场景 | 漏检率 | 过杀率 |
|---|---|---|
| 激光焊焊点检测 | < 1 DDPM | < 0.5% |
| 连接器检测 | < 1 DDPM | < 1% |
| 锂电池外观检测 | < 0.05% | < 7% |
SOP
AI SOP
自动生成
从工艺数据自动生成标准作业指导书。
动态校准
结合现场与工艺数据动态校准作业指导，让标准与实际一致。
可追溯资产
经验沉淀为可复制、可迭代、可追溯的数字化工艺资产。
DEPLOYMENT
部署硬件
- 服务器
- 工控机
- Jetson
- Mac Mini
- Mini PC
- iPhone
适用场景
典型应用场景
激光焊焊点检测
焊点位置错误、发黑、偏移、少焊、无焊、贯穿等缺陷（漏检 <1 DDPM，过杀 <0.5%）
连接器检测
连接器外观缺陷识别（漏检 <1 DDPM，过杀 <1%）
锂电池外观检测
溢胶、异物、划痕、褶皱、脏污等表面缺陷（漏检 <0.05%，过杀 <7%）
PCM / SIP 检测
3C 锂电 PACK 体系多场景覆盖，保障产品品质一致性
核心价值
规模化替代
首次在全球 3C 锂电行业实现外观检设备对近 400 名质检人员的规模化替代。
精度与效率平衡
自研 Transformer 模型兼顾在线检测对精度、稳定性和节拍的综合要求。
客户积极认可
获得华为、荣耀、小米、VIVO、OPPO、联想、DELL、Meta、SpaceX 等客户积极评价。