生產(chǎn)線末端，一塊PCBA因“疑似虛焊”被AOI設(shè)備打上紅色標(biāo)記，送去復(fù)檢。結(jié)果老師傅拿著放大鏡看了半天，焊點(diǎn)飽滿光亮，結(jié)論是“過(guò)檢”。另一邊，一塊存在細(xì)微錫珠的板子卻悄悄流入了下一工序。這類故事每天都在工廠上演。AOI號(hào)稱“智能之眼”，它究竟是如何“看見(jiàn)”并“判斷”缺陷的？其背后是一套融合了精密光學(xué)、高速運(yùn)算與復(fù)雜算法的系統(tǒng)工程。

圖像獲取：從物理世界到數(shù)字像素

一切始于成像。AOI系統(tǒng)首先需要獲取高質(zhì)量、高一致性的數(shù)字圖像。

核心是光源與鏡頭。多角度、多色溫的LED環(huán)形光源是標(biāo)準(zhǔn)配置。通過(guò)編程控制不同角度燈光的組合，可以凸顯元件本體、引腳、焊錫等不同特征區(qū)域的輪廓與對(duì)比度。例如，用低角度紅光能清晰呈現(xiàn)焊點(diǎn)表面的三維形貌，而垂直白光更適合識(shí)別元件的標(biāo)記印刷。

高分辨率面陣或線陣相機(jī)負(fù)責(zé)捕捉這些光學(xué)信號(hào)。關(guān)鍵在于，整個(gè)成像系統(tǒng)的穩(wěn)定性必須極高。微小的振動(dòng)或光照波動(dòng)，都可能被后續(xù)算法誤判為缺陷。

核心流程：模板比對(duì)與特征分析

當(dāng)前主流的檢測(cè)算法，主要沿著兩條路徑演進(jìn)。

1. 規(guī)則驅(qū)動(dòng)（傳統(tǒng)算法）
這是最經(jīng)典、應(yīng)用最廣泛的方法。其核心邏輯是“與標(biāo)準(zhǔn)答案比對(duì)”。

首先，學(xué)習(xí)一塊“黃金樣板”。工程師會(huì)選取一塊經(jīng)確認(rèn)的完好產(chǎn)品，讓AOI系統(tǒng)對(duì)其拍照，并手動(dòng)或半自動(dòng)地框選各個(gè)檢測(cè)區(qū)域（如某個(gè)焊點(diǎn)、某處絲?。O(shè)定顏色、灰度、幾何尺寸等參數(shù)的合格范圍。這個(gè)過(guò)程建立了檢測(cè)的基準(zhǔn)模板。

然后，在量產(chǎn)中逐像素比對(duì)。后續(xù)每塊板子經(jīng)過(guò)時(shí)，系統(tǒng)會(huì)將實(shí)時(shí)圖像與模板在對(duì)應(yīng)區(qū)域進(jìn)行比對(duì)。算法會(huì)計(jì)算灰度差異、輪廓偏移、形狀匹配度等指標(biāo)。一旦超出設(shè)定的容差閾值，系統(tǒng)便會(huì)報(bào)警。

這種方法優(yōu)勢(shì)在于穩(wěn)定、可控、解釋性強(qiáng)。工程師清楚地知道報(bào)警是基于尺寸過(guò)大還是顏色過(guò)暗。但其弱點(diǎn)也明顯：高度依賴初始模板的完美性，對(duì)元件位置波動(dòng)敏感，且難以應(yīng)對(duì)復(fù)雜、不規(guī)則的缺陷（如錫渣飛濺的隨機(jī)形態(tài)）。

2. 數(shù)據(jù)驅(qū)動(dòng)（深度學(xué)習(xí)/AI算法）
這是近年來(lái)解決復(fù)雜缺陷的主流方向。其思路不再是“定義規(guī)則”，而是“學(xué)習(xí)特征”。

需要海量的“教材”。首先要收集數(shù)千至上萬(wàn)張已由人工準(zhǔn)確標(biāo)記的缺陷圖片（如連焊、缺件、偏移等）和正常圖片，構(gòu)成訓(xùn)練數(shù)據(jù)集。

算法自我歸納特征。深度學(xué)習(xí)模型（如卷積神經(jīng)網(wǎng)絡(luò)CNN）會(huì)自行從這些圖片中學(xué)習(xí)：一個(gè)合格的焊點(diǎn)應(yīng)該具備怎樣的紋理特征？虛焊在圖像上表現(xiàn)為哪些細(xì)微的灰度變化？翹腳又會(huì)引起哪些異常的陰影模式？

在實(shí)際檢測(cè)中，模型直接給出判斷。經(jīng)過(guò)充分訓(xùn)練的模型，看到一個(gè)新焊點(diǎn)的圖像，能直接計(jì)算出它是“合格”或“某類缺陷”的概率。這種方法對(duì)新型缺陷、復(fù)雜背景、位置變化有更好的適應(yīng)能力，但需要大量的數(shù)據(jù)積累和算力支持，且決策過(guò)程像一個(gè)“黑箱”，不易解釋。

挑戰(zhàn)與演進(jìn)：超越“看見(jiàn)”，追求“判準(zhǔn)”

AOI的真正挑戰(zhàn)，從來(lái)不是“看到”，而是“看懂”并“判準(zhǔn)”。當(dāng)前的演進(jìn)方向清晰可見(jiàn)：

混合檢測(cè)策略：將規(guī)則算法的確定性與深度學(xué)習(xí)算法的泛化能力結(jié)合。例如，用傳統(tǒng)算法檢測(cè)穩(wěn)定的元件存在與否，用AI模型判斷復(fù)雜的焊點(diǎn)質(zhì)量。

3D AOI的普及：通過(guò)激光三角測(cè)量或結(jié)構(gòu)光技術(shù)，直接獲取被測(cè)物的三維高度信息。這對(duì)檢測(cè)翹腳、芯片共面性、焊錫體積等至關(guān)重要，是二維視覺(jué)的重要補(bǔ)充。

與生產(chǎn)數(shù)據(jù)的閉環(huán)：將AOI的缺陷類型、位置信息實(shí)時(shí)反饋給絲印機(jī)、貼片機(jī)或回流焊爐，實(shí)現(xiàn)工藝參數(shù)的自動(dòng)調(diào)優(yōu)，從“檢測(cè)缺陷”走向“預(yù)防缺陷”。

結(jié)語(yǔ)

AOI的本質(zhì)，是用數(shù)學(xué)語(yǔ)言描述并量化“外觀合格”這一主觀的工程標(biāo)準(zhǔn)。它的演進(jìn)，是從依賴人工經(jīng)驗(yàn)設(shè)定規(guī)則，走向讓機(jī)器從海量數(shù)據(jù)中自行總結(jié)規(guī)律。精度與效率的每一次提升，都讓生產(chǎn)線的質(zhì)量關(guān)口扎得更牢。

在實(shí)際應(yīng)用中，你們的AOI設(shè)備是更依賴傳統(tǒng)規(guī)則，還是已引入AI模型？在降低誤報(bào)率（過(guò)檢）與漏報(bào)率（漏檢）之間，是如何權(quán)衡與優(yōu)化的？歡迎分享你在缺陷樣本庫(kù)構(gòu)建、算法參數(shù)調(diào)試或系統(tǒng)集成中的具體經(jīng)驗(yàn)與挑戰(zhàn)。

https://www.hilo-systems.com/

審核編輯 黃宇