人工或破坏性检测
反馈慢、依赖操作员、只能抽样，绝大多数产品没有被真正看见。
AI 原生在线 CT 检测
看见每一个工件，在它离开产线之前做出决策。
ScanLine 智影正在构建物理约束 AI 与 X 射线 CT 系统， 面向快速、可信的三维质量决策，让检测从离线抽检进入产线闭环。
物理约束重建
不确定性决策
边缘与云协同路径
概念示意图
稀疏采集
只测量质量决策真正需要的信息
2–5 秒目标
针对明确工件与缺陷类别
置信度不足？
复扫或转交人工复核
检测缺口
制造现场仍在深度与速度之间做取舍。
真正昂贵的缺陷往往藏在工件内部并具有三维结构， 但能够看见它们的工具通常太慢，或离生产决策太远。
离线工业 CT
三维证据充分，但采集、重建和判读若慢于节拍，就来不及改变生产。
高速二维检测
吞吐量高，却可能受遮挡与深度混叠影响，难以准确定位内部缺陷。
我们的核心判断：把采集、重建与质量决策协同设计，
围绕“必须抓住的缺陷”优化整个闭环。
ScanLine 闭环
从 X 射线投影到可审计的产线动作。
AI 不是附加功能。它把稀疏测量、物理一致性、缺陷证据、 不确定性和工厂反馈连接成一个决策系统。
工件与缺陷真值
先冻结判定任务、最小缺陷和两类错误的成本。
稀疏采集
围绕目标决策选择几何与投影，而不是盲目采满数据。
物理约束 AI
在重建或直接推断中保持与投影测量一致。
缺陷决策
输出定位、置信度与可追溯的合格/不合格依据。
工厂反馈
复扫、复核，并把证据送入 MES/QMS 和工艺控制。
周期时间
最小可检缺陷
召回率
误报率
剂量
不确定性校准
把既有证据与未来目标分开
由真正把在线 CT 带到产线的人再次出发。
创始人的既往系统经验已经建立；ScanLine 的新产品、代码、 数据集与知识产权路线正在独立建设。生产节拍性能仍是待验证的里程碑， 不是已经实现的结果。
在线 CT 端到端经验
梁志华曾负责在线 CT 平台的 AI 后端、重建与系统集成， 包括产线侧部署。
独立的 ScanLine 技术栈
正在开发新的采集设计、重建与决策软件、数据契约和清晰的知识产权路线。
生产节拍验收
2–5 秒周期目标与缺陷灵敏度，需要在明确的工件、缺陷和产线上联合验证。
可信是系统属性
质量决策不只需要一张清晰图像。
投影一致性
让 AI 输出接受原始测量和成像物理的反向检查。
缺陷真值
用计量、破坏性切片或合格参考方法建立验收真值。
不确定性与漂移
识别分布外工件，显式呈现低置信度决策。
安全回退
模糊样本进入复扫或专家复核，而不是隐藏不确定性。
两条路线，一个智能层
从整机协同出发，同时保持硬件兼容。
最强路线是协同设计的检测系统；独立的软件路线可以升级兼容 CT， 避免每次落地都依赖一台全新设备。
主路线
一体化在线 CT 系统
围绕一个真实生产问题，协同设计射线源、探测器、运动、 稀疏采集、AI 重建和最终质量判定。
独立替代路线
兼容 CT 的 AI 软件
把重建、缺陷决策、不确定性与工作流集成， 作为兼容不同硬件的智能层交付。
决定性的第一个楔子
一个工件，一个缺陷，一条产线。
用足够窄的首个场景直接检验最难主张：在相同缺陷阈值下， 稀疏 CT 与物理约束 AI 能否比稠密基线更快。
1 个工件
几何稳定，且存在真实生产瓶颈
1 类缺陷
可测量、有合格真值的内部失效模式
1 条产线
节拍明确，并有负责工艺决策的人
锁定工件、缺陷分类、真值方法、稠密基线和联合验收指标。
采集稀疏/稠密配对数据，训练物理约束流程，并校准不确定性。
进行盲测对比，然后选择落地、修复观测量，或停止这个场景。
候选应用
从隐藏缺陷代价最高的地方开始。
以下是目标应用类别，不代表现有客户或已经部署。 首个商业场景将由数据可得性、缺陷真值、节拍与经济价值共同决定。
动力电池
内部对齐、折叠、污染与结构异常。
铸件与焊接
气孔、裂纹、夹杂和内部连接缺陷。
电子器件
隐藏互连、封装与装配异常。
两人核心团队
CT 系统经验与医学影像 AI 汇合。
紧凑的技术团队覆盖在线 CT 架构、重建、计算机视觉与医学图像分析。
梁志华
创始人 · CT 系统与 AI
曾负责 DeltaRAY X100 在线 CT 平台的 AI 后端、重建与系统集成。 专注于把工业成像转化为真正进入生产流程的决策系统。
LinkedIn ↗刘娟 博士
核心团队 · AI 医学影像
AI 医学影像博士研究者，为 ScanLine 的技术路线贡献图像分析、 模型开发、实验设计与临床成像视角。
在线 CT 架构
图像重建
物理约束学习
医学图像分析
系统集成
执行路线图
把开放桥梁变成可测量证据。
当前优先级不是铺开产品目录，而是获得一个经得起验证的产线结果， 再把它变成可重复的系统。
架构与首个场景
独立产品架构、试点定义，以及数据与知识产权契约。
决定性基准
在一个工件和一种缺陷上完成稠密对稀疏盲测。
产线侧原型
在真实生产环境中测试一体化原型。
可重复部署
形成合格基准、可复用工作流和首批商业部署。
AI 与云路线
构建会持续学习的检测系统，而不是孤立模型。
我们正在评估适合的 Google Cloud 与 Gemini 技术栈， 用于规模化三维训练、多模态制造知识，以及生产数据需要留在现场时的混合部署。
多模态质量助手
连接体数据、投影、缺陷证据、工艺日志与工程知识。
规模化三维模型开发
评估 Vertex AI 与加速器，用于训练、评估和可复现模型治理。
边缘与云协同运行
实时推理留在产线附近，在获得许可后汇总证据实现系统学习。
共同构建第一个证据
你是否有一种代价高昂的隐藏缺陷？
我们正在寻找愿意共同定义一个工件、一类缺陷、一种合格真值方法， 以及真实节拍约束的设计合作伙伴。
范围明确的 90 天技术试点
采集数据前共同确定验收指标
明确的数据、发表与知识产权边界