隨著中國制造業的快速發展，工業質檢的智能化升級成為了行業關注的焦點。2023年，中國制造業增加值規模達35.2萬億元，占GDP比重28.1%，較2021年有所增長。制造業的數字化、智能化轉型也在全面提速，重點領域關鍵工序數控化率達57.8%，數字化研發設計工具普及率達76.5%。國家多部委聯合印發的《關于以制造業為重點促進外資擴增量穩存量提質量的若干政策措施》，進一步推動了制造業的發展。

然而，工業質檢智能化升級過程中仍面臨諸多挑戰。首先，數據缺陷和樣本缺乏是一個主要問題。缺陷樣本數據量的不足會提高技術應用的門檻，使得AI系統難以進行準確的缺陷識別和學習。其次，技術準確性、泛化能力需要進一步提高。在AI賦能的質檢場景中，提升缺陷識別的準確率和降低誤檢率是關鍵，以減少企業的人力成本。此外，技術推廣和應用也面臨挑戰。工業互聯網作為支撐制造業智能化轉型的重要組成部分，還需要加快核心技術產品的攻關和推廣，以支撐完整的工業互聯網生態。

盡管面臨這些問題，市場對工業質檢智能化升級的需求依然強烈。90%的制造企業正在推進工業互聯網建設，預計到2025年，工業互聯網市場規模將達到3萬至3.5萬億元。未來，隨著技術的不斷進步和政策的持續支持，工業質檢的智能化升級將為中國制造業的高質量發展奠定更加堅實的基礎。

高視科技從數據獲取入手，利用圖像視覺技術和先進光學技術等手段，確保對產品和產品缺陷的科學、統一度量。我們建立了基于工業大數據的人工智能平臺，打造了工業視覺通用大模型GoMind-LVM，以構建通用化的制造能力。此外，我們還研發了一系列核心軟件和算法，基于此，我們推出了GoMind/GoInfo云平臺，實現了數據管理和質量管理，形成了智能工廠管理、智能視覺裝備、智能視覺器件、智能視覺系統等行業級智能化產品。

在數據集方面，我們通過多年的深耕積累，已經建立了龐大的億級工業數據集，其中精細標注的數據達到上百萬條。這些數據涵蓋了多個行業，為我們構建數據模型奠定了堅實基礎。未來，我們計劃擴大數據集，將精細標注的目標數量提升至千萬級規模，這將成為我們下一步工作的重中之重，也是進行大模型訓練的關鍵基礎。我們開發了專注于服務工業的大模型GoMind-LVM，通過分層開發方法，構建了基礎大模型，以及針對特定行業應用的工業缺陷生成模型、工業缺陷輔助標注模型和工業缺陷檢測模型?；谶@些模型，我們形成了服務不同行業和檢測場景的專用模型，實現了高效快速的檢測。

圖中展示了工業缺陷生成行業大模型的缺陷檢出展示。通過該模型，我們能夠在短短一個小時內，從一張樣本圖像生成上萬張仿真缺陷圖像，提高了缺陷生成效率80%。這種方法在獲取缺陷樣本方面非常有效，尤其在難以獲取缺陷樣本的情況下。我們對輔助標注大模型與市場上其他產品進行了對比，并對模型進行了優化，顯著提升了分割的精確度，提高了效率200%，幫助我們快速進行產品標注。關于工業領域缺陷檢測大模型，能夠基于現有信息實現一分鐘跨場景應用檢測，極大地提高了模型的通用性和實用性。

在工業質檢智能化升級的過程中，高視大模型流程展示了從數據采集到模型部署的全流程優化。通過先進的圖像視覺技術和工業大數據平臺，我們構建了GoMind-LVM大模型分級流程，根據使用場景，分為L0云端大模型，L1行業大模型和L2本地大模型，旨在提升質檢效率和準確性。

首先，在場景化模型開發階段，我們利用圖像視覺技術和先進光學技術，確保對產品和產品缺陷的科學、統一度量，進行數據的采集和標注，結合L0云端大模型能力生成L1行業大模型，再通過蒸餾等技術手段提煉出來L2本地大模型，可以下發到現場進行模型迭代并上線穩定使用，保證現場AI模型使用的推理效率與生產節拍。

通過這一流程，樣本收集和標注時間減少了80%，極大地提高了數據獲取的效率，確保了模型在訓練后不僅具備高度的靈活性，同時也擁有廣泛的適用性和泛化能力。對于工藝流程相似的質量檢測任務，基于GoMind-LVM大模型，利用一鍵遷移和自適應微調技術，實現了快速換型的能力，大大縮短了訓練時間至幾小時內，有效克服了由于缺陷形態多樣性和產品型號頻繁更換導致的模型泛化問題。

在模型部署方面，GoMind-LVM大模型的部署效率提升了85%，使得模型能夠快速應用于實際生產環境中。此外，模型迭代過程中所需的人力節省了70%，顯著降低了人力成本。通過云端管理平臺，我們實現了模型的高效管理，模型管理效率提升了90%，確保了模型的持續優化和更新。

圖中展示了高視大模型流程的具體步驟，從工廠本地的數據采集和處理，到高視云端平臺的模型訓練和部署，整個流程無縫銜接，確保了質檢過程的高效和準確。通過這一智能解決方案，我們不僅提升了質檢效率，還大幅度節省了資源，為工業質檢的智能化升級奠定了堅實的基礎。

在質量閉環方面，我們借助先進的大模型AI技術，結合現有的質量管理軟件，創造了GoMind + Goinfo智能體的工業質量管理系統。這一系統實現了數據的全自動收集、模型的調整和部署，將原本繁瑣的手動數據處理工作轉變為高效的自動化流程。這項技術使工廠能夠在不中斷生產的情況下進行模型優化，顯著提升了生產效率。我們還取得了一系列成功案例，如協助半導體Sic晶圓制造行業實現了AI+AOI閉環全流程，成功將過檢率和漏檢率控制在0.1%以內。另外，我們為Y客戶實現了多廠聯通的質量管理，合作效率提升了50%以上。對于H客戶的項目，我們實現了從原材料到最終產品整個供應鏈的質量聯通，實現智能質量管理。總的來說，我們在推動整個視覺檢測和智能檢測領域做出了大量努力。特別是在過去兩年中，我們已經成功落地10個項目，為25家客戶創造了總產值約2.5億的價值。隨著大模型技術的不斷發展和成熟，我們將繼續助力智能檢測產業快速覆蓋更多工業場景、行業和地區，走向國際舞臺。

隨著IC制程工藝發展，檢測量測重要性越發凸顯。集成電路發展幾十年來，工藝生產實現了高度自動化，但傳統方式的半導體制程控制與良率管理瓶頸明顯，比如有些工藝段仍然仍需大量投入人工Review和復判。而半導體缺陷種類多、工藝種類多，管理過程面臨成本高、耗時長、不客觀、溯源難等問題。在檢測量測設備層面，應用大規模深度學習可以更好地建立以缺陷分類和分析（ADC）為核心的制程控制與良率管理，能夠更早發現半導體工藝中的缺陷、有效缺陷分類與分析。

基于大規模深度學習系統，高視科技推出了GoMind-ADC（Automatic Defect Classification）產品系統，并在客戶端得到良好應用和規模落地。從IGBT工藝、到先進封裝工藝、到前道檢測都有覆蓋。GoMind-ADC 2.0 產品運用人工智能（AI）及機器學習技術，基于高視行業大模型GoMind-LVM, 搭配高效能的GPU計算能力，根據AOI設備或高分辨率缺陷檢 視系統輸出的圖片或文件信息，依據Defect Code進行缺陷分類，可以將在生產過程中產生的不良問題，例如不良種類、 不良大小、位置等，進行綜合計算和缺陷的自動分類；對一 些干擾因素，如環境干擾、設備故障等進行及時修正和改善， 避免不良品的繼續產生。同時，也為后續的復判(Review)、返工(Rework)等操作提供指 導，提高效率，降低整個系統的不良率，及時減少復判和返工的工作量，顯著提升缺陷辨識率、缺陷分類正確率。

例如在前道檢測領域，高視科技就已積累了大量KnowHow數據，缺陷圖像樣本量達到千萬張級別，為展開大型深度神經網絡的研發提供了基礎。同時，GoMind-ADC系統實現了創新的工業缺陷檢測大模型，實現了Transformer模型應用和深度研發，在具體檢測效果上實現了漏報與誤報的大幅下降，保障了AI算法的魯棒性和可擴展能力,尤其是在跨產品和跨設備上，GoMind-ADC仍然實現90%以上的分類準確率，系統展示了其大模型的卓越強悍遷移能力，是一般傳統AI算法的5倍左右。

通過數據積累、標準定義和大模型訓練三大步驟，高視科技的ADC解決方案極大提升了晶圓制造行業的檢測效率，將交付周期從90天縮短至14天，已導入超過 50個工廠，累計升級設備數超過200臺，Top30的客戶覆蓋率達到70%以上。