AI视觉在SMT贴片检测中主要解决的是炉前/炉后外观缺陷的自动判定问题,用工业相机加深度学习算法替代或辅助人工目检,典型能力覆盖缺件、偏移、极性反、虚焊、连锡等常见缺陷,检测节拍可做到与贴片机产线同步。它不能完全替代电测试和X-Ray,对BGA、QFN底部焊点等隐藏焊点仍需借助其他手段。
一、AI视觉在SMT贴片检测中到底解决什么问题
SMT产线上,贴片机速度快、元件小,0201甚至01005封装的电阻电容肉眼很难稳定判断。传统AOI靠灰度对比和模板匹配,遇到来料批次差异、焊膏印刷微小变化就容易误报,产线员工每天要处理大量误判图片。AI视觉检测的核心价值是把"规则比对"换成"特征学习":先用大量良品与不良品图像训练模型,让系统自己提取焊点形状、元件边缘、字符纹理等特征,再对在线图像做分类和定位。它解决的是三个具体问题——漏检率压不下来、误报太多导致复判工作量大的、换线后新机型程序调试时间长的。对多品种小批量产线,这个价值比单一高速产线更明显。
二、AI视觉检测的技术原理与关键能力有哪些
硬件层面通常由工业面阵相机或线扫相机、远心镜头、多角度环形光源或穹顶光源组成,分辨率常见在5μm到10μm每像素量级,具体取决于最小元件尺寸和视野宽度。检测节拍要与产线匹配,贴片后炉前检测一般要求单板检测时间在数秒到十几秒之间,具体看拼板数量和元件点数。
软件层面分两步:先做元件定位与ROI提取,再用CNN类分类网络判断缺陷类别。关键能力指标包括重复精度(同一位置多次拍摄的位置偏差)、缺陷分类准确率、误报率,以及换线编程时间。通信上一般通过SMEMA接口与产线轨道对接,通过TCP/IP或OPC-UA与MES/SCADA交换检测结果和板卡序列号,支持追溯。部分方案支持Gerber和贴片坐标文件直接生成检测程序,减少人工示教。
需要说明的是,AI视觉检测的精度受光照一致性影响很大,光源衰减、环境光干扰都会让模型输出漂移,所以产线一般要求封闭式检测工位。
三、AI视觉在制造业有哪些典型应用场景
某电子厂做消费类主板,拼板12连片,元件以0402和QFN为主,炉前工位部署AI视觉检测,主要抓缺件、偏移超过0.15mm、极性反三类缺陷,检测结果实时回传MES,不良板在轨道上直接标记。假设一家汽配企业做车载控制模块,对焊点一致性要求高,炉后检测用AI视觉配合多角度光源判断虚焊和连锡,同时把每块板的检测图像按序列号归档,供后续质量追溯。还有一个常见场景是首件确认:换线后第一块板用AI检测做快速全检,比人工目检快,也比传统AOI编程省时间。这几个场景的共同点是元件种类相对稳定、来料批次一致性可控。
四、AI视觉检测选型与实施要注意什么
高频追问集中在几个方向。硬件配置上,问得最多的是相机分辨率和视野怎么配——原则是最小元件在图像里至少占十几个像素,同时视野要覆盖拼板宽度,宁可选高分辨率小视野加多相机,也别用单相机硬撑大视野。环境要求方面,检测工位要控制环境光,光源需要定期校准,车间温湿度按SMT常规标准即可,但振动要避开贴片机和回流焊的振动源。
集成对接方式上,主流是SMEMA加TCP/IP,要和MES对接就得确认对方支持OPC-UA还是自定义协议,板卡序列号的传递方式(条码扫描还是轨道位置跟踪)要在实施前定清楚。实施步骤一般是:采集样本图像、标注缺陷、训练模型、产线试运行调阈值、正式上线,周期从几周到一两个月不等,取决于缺陷种类数量和样本充足程度。成本构成主要是相机光源镜头硬件、算法授权、实施服务和后续模型维护,模型不是一次训练就永久有效,换料换工艺后需要补充样本再训练,这部分工作量要提前算进去。
常见误区有两个:一是以为AI检测可以完全无人化,实际仍需少量复判人员处理边界样本;二是拿实验室准确率当产线指标,产线节拍、振动、光照变化都会拉低实际表现。
五、AI视觉检测适合哪些工序、不适合哪些场景
适合的场景:元件种类相对固定、来料一致性较好、缺陷类型以可见外观缺陷为主的炉前炉后工位;多品种小批量但换线频繁、希望缩短编程时间的产线;需要对每块板做图像追溯的场合。
不适合或需额外评估的场景:BGA、QFN、LGA等底部焊点,AI视觉看不到焊点内部,需要X-Ray;强反光镀层、高变形柔性板、元件贴装后高度差异大的板卡,成像稳定性要先评估;产线节拍极快(单板检测窗口只有一两秒)且元件点数很多的场合,要核算相机数量和算力是否够;来料批次差异极大、良品样本本身不稳定的工序,模型容易学偏,建议先做样本一致性治理再上AI。
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、覆盖国内外市场的行业经验看,AI视觉检测落地效果的分水岭往往不在算法本身,而在成像条件和样本管理是否到位。选型时把这两项评估清楚,比比较算法参数更有意义。