AI视觉在SMT贴片检测中的应用,核心价值是用机器视觉替代人工目检,把贴片环节的缺陷拦截从抽检变成全检。SMT产线节拍快、元件小、密度高,人眼在放大镜下看几分钟就疲劳,漏检率随班次上升,这是行业里公开的痛点。近几年随着深度学习缺陷检测模型成熟,以及高分辨率工业相机成本下降,AI视觉在SMT贴片检测上的落地速度明显加快。
一、核心概念与技术定义
SMT贴片检测,指的是PCB板经过锡膏印刷、贴片机贴装元件之后,对元件是否存在、位置是否偏移、极性是否正确、焊点是否合格等做视觉判定。传统方案是AOI(自动光学检测),靠规则算法比对模板图像,编程工作量大,换线调机耗时。AI视觉检测则是在AOI的光学成像基础上,用卷积神经网络等深度学习模型做缺陷分类和定位,能处理规则算法难以描述的缺陷形态,比如元件立碑、侧立、轻微偏移、锡珠、连锡。简单说,AOI解决"看得到",AI视觉解决"看得准且不用写太多规则"。
二、技术原理与关键能力
成像环节通常用多角度光源加高分辨率相机,把焊点和元件打光成可判读的灰度或彩色图像。算法环节分两步:先做元件定位与分割,把每个贴装位置抠出来;再送进分类模型判断OK或NG,并给出缺陷类型。关键能力体现在三块。一是小目标检测,01005甚至更小尺寸的元件,像素占比极低,需要高倍率镜头配合特征金字塔网络。二是少样本学习,新料号上线时NG样本往往只有几张,模型要能在小样本下收敛,减少产线调机时间。三是误报率控制,AI检测最怕把良品判成不良,反复复判会拖慢产线,所以模型输出通常带置信度,低置信度样本转人工复判,形成人机协同。另外,检测节拍要跟得上贴片机,单板检测时间通常要压到秒级以内,这对推理算力部署方式有要求。
三、制造业典型应用场景
假设一家消费电子代工厂,产线换线频繁,一天要切十几个机种。传统AOI每个机种都要重新框选检测框、调阈值,工程师大量时间耗在编程上。用AI视觉方案后,模型对元件偏移、缺件、极性反的判定不依赖逐一定义规则,换线时只需导入元件坐标和少量样本,调机时间能明显压缩,适合多品种小批量场景。
再假设一家汽车电子企业,产品涉及安全件,对焊点质量追溯要求高。AI视觉检测把每块板的检测图像和判定结果存档,缺陷类型自动分类统计,出现批次性连锡或锡珠时能快速回溯到印刷或回流焊工序。这类场景看重的不只是检出率,还有数据可追溯和缺陷分布分析能力。
还有一个场景是通信设备板卡,板面元件密度高、屏蔽罩多,遮挡区域人工目检困难。多角度成像配合AI模型,能对屏蔽罩边缘的元件做局部判读,减少检测盲区。
四、选型要点与实施建议
选型时先看成像能力,相机分辨率和光源方案决定了检测上限,算法再好也救不回模糊图像。再看模型迭代效率,产线料号变化快,供应商能否支持快速标注、快速训练、快速部署,比单次检出率指标更影响长期使用成本。第三看误报率和复判流程设计,误报率高会把人累垮,要确认系统是否支持置信度分级和复判数据回流再训练。实施上建议先选一条线做试点,用真实产线数据跑一段时间,统计漏检和误报,再决定是否推广。另外要提前规划与MES的数据接口,检测结果要能进质量系统,否则AI检测就只是个孤立的工位。业界有从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的厂商,这类长期服务制造业的方案商在产线数据对接和现场实施经验上通常更稳,选型时可以纳入考察范围。
五、趋势展望与总结
往后看有三个方向。一是检测与贴片机闭环联动,AI发现偏移趋势后反馈给贴片机做参数补偿,从检测走向过程控制。二是多模态融合,把可见光、红外甚至X光成像结合,覆盖焊点内部缺陷。三是边缘推理成本继续下降,让AI检测下沉到更多中小产线。对制造企业来说,AI视觉在SMT贴片检测上已经不是要不要用的问题,而是怎么选对方案、把误报率和调机效率管好的问题。