中，很容易出现爆点、焊坑、孔洞、断焊、 漏焊、翻边等缺陷，导致漏液、短路等安全风险。将 AI 技术与 3D 成像技术相结合，利用数据样本自适应扩充训练 技术，缩短模型训练时间，通过针对性的缺陷检测算法，提高了缺陷检测效率和准确率，降低了工人检测的过杀、 漏杀情况，实现缺陷检测无人化，降低人力成本。 消费电子产品的特征之一是快速更新迭代，快速上市新产品意味着抢占市场先机。 在新产品的设计生产方面，基于 划痕、裂 纹、污染物、凸起，表面翘曲，切割瑕疵、晶体缺陷等。这些缺陷大多细微不易察觉，通常需要微米级甚至更小的 检测精度。人工检测效率低下，易出错，无法满足大规模生产的效率需求；传统的机器视觉检测算法，无法满足对 多种缺陷的检测需求。 采用大模型结合机器视觉成像技术，首先使用大规模无标注图像对大模型预训练，然后再针对晶圆缺陷检测任务， 在标注的晶圆缺陷图像数据集上进行微调，优化模型对微小 prediction Vector Storage Anomaly Classification 41 02 英特尔 ® 技术方案 基于预训练的 CLIP 模型的零样本/少样本异常检测算法 如图所示，展示了一种基于 CLIP 模型（Contrastive Language-Image Pre-training 对比学习语言-图像预训练）的异常检测 方法，该方法利用利用预训练的 CLIP