生產(chǎn)線末端，一塊PCBA因“疑似虛焊”被AOI設(shè)備打上紅色標記，送去復(fù)檢。結(jié)果老師傅拿著放大鏡看了半天，焊點飽滿光亮，結(jié)論是“過檢”。另一邊，一塊存在細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號稱“智能之眼”，它究竟是如何“看見”并“判斷”缺陷的？其背后是一套融合了精密光學、高速運算與復(fù)雜算法的系統(tǒng)工程。

圖像獲?。簭奈锢硎澜绲綌?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)形光源是標準配置。通過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)域的輪廓與對比度。例如，用低角度紅光能清晰呈現(xiàn)焊點表面的三維形貌，而垂直白光更適合識別元件的標記印刷。

高分辨率面陣或線陣相機負責捕捉這些光學信號。關(guān)鍵在于，整個成像系統(tǒng)的穩(wěn)定性必須極高。微小的振動或光照波動，都可能被后續(xù)算法誤判為缺陷。

核心流程：模板比對與特征分析

當前主流的檢測算法，主要沿著兩條路徑演進。

1. 規(guī)則驅(qū)動（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“與標準答案比對”。

首先，學習一塊“黃金樣板”。工程師會選取一塊經(jīng)確認的完好產(chǎn)品，讓AOI系統(tǒng)對其拍照，并手動或半自動地框選各個檢測區(qū)域（如某個焊點、某處絲印），設(shè)定顏色、灰度、幾何尺寸等參數(shù)的合格范圍。這個過程建立了檢測的基準模板。

然后，在量產(chǎn)中逐像素比對。后續(xù)每塊板子經(jīng)過時，系統(tǒng)會將實時圖像與模板在對應(yīng)區(qū)域進行比對。算法會計算灰度差異、輪廓偏移、形狀匹配度等指標。一旦超出設(shè)定的容差閾值，系統(tǒng)便會報警。

這種方法優(yōu)勢在于穩(wěn)定、可控、解釋性強。工程師清楚地知道報警是基于尺寸過大還是顏色過暗。但其弱點也明顯：高度依賴初始模板的完美性，對元件位置波動敏感，且難以應(yīng)對復(fù)雜、不規(guī)則的缺陷（如錫渣飛濺的隨機形態(tài)）。

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

需要海量的“教材”。首先要收集數(shù)千至上萬張已由人工準確標記的缺陷圖片（如連焊、缺件、偏移等）和正常圖片，構(gòu)成訓練數(shù)據(jù)集。

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

在實際檢測中，模型直接給出判斷。經(jīng)過充分訓練的模型，看到一個新焊點的圖像，能直接計算出它是“合格”或“某類缺陷”的概率。這種方法對新型缺陷、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，且決策過程像一個“黑箱”，不易解釋。

挑戰(zhàn)與演進：超越“看見”，追求“判準”

AOI的真正挑戰(zhàn)，從來不是“看到”，而是“看懂”并“判準”。當前的演進方向清晰可見：

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

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

與生產(chǎn)數(shù)據(jù)的閉環(huán)：將AOI的缺陷類型、位置信息實時反饋給絲印機、貼片機或回流焊爐，實現(xiàn)工藝參數(shù)的自動調(diào)優(yōu)，從“檢測缺陷”走向“預(yù)防缺陷”。

結(jié)語

AOI的本質(zhì)，是用數(shù)學語言描述并量化“外觀合格”這一主觀的工程標準。它的演進，是從依賴人工經(jīng)驗設(shè)定規(guī)則，走向讓機器從海量數(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？在降低誤報率（過檢）與漏報率（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構(gòu)建、算法參數(shù)調(diào)試或系統(tǒng)集成中的具體經(jīng)驗與挑戰(zhàn)。

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

審核編輯 黃宇