4000900632 309181818@qq.com 周一至周六 08:30-18:00
知识中心
词条目录

AI视觉识别在PCB检测中的

AI视觉识别在PCB检测中的核心价值,是把原先依赖人眼和抽检的缺陷判断,转成基于图像采集与算法模型的在线全检,在SMT贴片、焊点成型、丝印字符等工序上稳定输出可追溯的判定结果。它解决的不是“看得更清楚”,而是“判得一致、记得下来、能往前追溯”。

一、AI视觉识别在PCB检测中到底解决什么问题

PCB生产的老大难是缺陷形态杂且出现位置随机:偏位、立碑、少锡、连锡、虚焊、划伤、字符错印,批量小、换线频繁时,人工目检的判定标准容易漂移,不同班次、不同检验员对同一块板的结论可能不一致。抽检又天然存在漏检概率,缺陷流到下游组装环节,返修成本会成倍上升。

AI视觉识别做的事,是把缺陷判定从“人的经验”变成“模型的输出”。通过采集标准图像样本训练检测模型,让系统对每块板给出缺陷类别、位置坐标和置信度,并把这些结果写入数据库与MES对接。这样做的直接价值有三个:判定标准被固化下来,不随人波动;全检替代抽检,漏检率可控;每块板都有图像与判定记录,客诉追溯时能拿得出证据。

二、这套系统的技术原理与关键能力有哪些

典型架构分三层:成像层、算法层、决策层。

成像层决定上限。PCB检测常用工业面阵相机配远心镜头,或者线扫相机配运动平台。分辨率要和最小缺陷尺寸匹配,行业里常见的做法是最小可检缺陷对应3到5个像素,比如要稳定检出0.1mm的缺锡,像素精度通常要做到0.02到0.03mm量级。光源多采用多角度环形光或同轴光,焊点检测里 dome light 用得比较多,目的是压制镜面反射、突出三维形貌。对FPC这类易变形板,还要考虑涨缩补偿和定位基准点识别。

算法层是核心。早期方案靠模板匹配和规则阈值,对固定封装的固定缺陷有效,但换线就要重调参数。现在主流是深度学习缺陷检测模型,用正常样本加少量缺陷样本训练,输出分类与分割结果。关键指标包括检出率、过杀率和单板检测节拍。过杀率控制不好,误报太多,产线会直接弃用系统,这一点比检出率更影响落地。

决策层负责与产线联动。检测结果通过SMEMA接口或PLC信号触发分拣,数据侧走OPC-UA、MQTT等协议上传到MES或SCADA,形成批次质量档案。部分方案支持复判工位,把低置信度样本推给人工确认,确认结果回流做模型迭代。

三、AI视觉识别在制造业有哪些典型应用场景

假设一家做消费电子主板的电子厂,SMT线后段部署AOI工位,检测贴片偏移、缺件、极性反、焊点连锡。这类场景节拍快,板型相对固定,适合用深度学习模型做在线全检,检测结果直接驱动NG分选。

假设一家汽配企业生产车载控制模块的PCB,对焊点可靠性要求高,除外观缺陷外还要关注虚焊、气孔这类内部特征。这种情况单靠可见光成像不够,往往要配合X-ray或激光位移传感做多模态判断,AI视觉承担的是外观缺陷筛查和坐标定位,把可疑区域标出来供后续工位复核。

再假设一家做小批量多品种的工控板厂,换线频繁、单批数量少。这类场景的痛点是模型切换成本,适合选支持快速换型、样本量需求低的方案,或者把检测策略按板型做成配方管理,换线时调用对应配方而不是重新训练。

四、选型与实施需要注意什么

硬件配置怎么定。先算像素精度,再反推相机分辨率和镜头视野,别反过来。光源要和缺陷类型匹配,焊点、丝印、阻焊层对光照的反应差别很大,建议带实物板做打光测试。运动平台精度和相机触发同步也要确认,否则图像拖影会直接吃掉算法效果。

和现有产线怎么集成。确认检测设备是否支持SMEMA对接、是否提供PLC IO信号、数据接口是OPC-UA还是私有协议。如果工厂已有MES,要提前确认缺陷数据字段能否对上,避免上线后还要做二次开发。

实施周期大概多长。常规做法是先做样本采集和标注,再训练初版模型,然后小批量试跑调过杀率,最后量产上线。周期长短主要取决于缺陷种类数量和样本获取难度,缺陷形态越杂、样本越难凑,时间越长。别信“一周上线”的说法,除非缺陷类型极单一。

常见误区有哪些。一是只看检出率不看过杀率,结果系统天天误报被产线关掉;二是拿实验室样本训练、量产环境直接上,光照和板面状态一变效果就掉;三是忽略复判流程设计,低置信度样本没有出口,操作员只能凭感觉放行。

成本构成大概是什么样。主要是成像硬件、算力平台、算法授权或开发服务、集成实施四块。硬件和算力是一次性投入,算法和集成往往按项目或按工位计。小批量多品种的厂要特别算换型成本,别只算单机价格。

五、这套方案适合哪些工序,不适合哪些场景

适合的场景:板型相对稳定、缺陷类型可枚举、节拍要求明确、来料一致性较好的工序,比如SMT后AOI、焊后外观检查、丝印字符核验。这类场景样本容易积累,模型收敛快,投入产出比清晰。

需要谨慎评估的场景:强反光表面、高变形FPC、缺陷样本极难获取的新产品导入阶段。这些情况不是不能做,而是要额外做打光验证、涨缩补偿设计,或者先用规则算法加人工复判过渡。

不适合直接套用的场景:缺陷定义本身还没统一、工艺参数天天在变的工序。模型学的是数据里的规律,标准都没定下来,检测结果没法用。另外,单件小批到几乎没有重复板型的场景,模型训练成本摊不薄,建议先做人工辅助筛查而不是全自动判定。

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的产业实践看,PCB检测的智能化不是买一台设备的事,而是成像、算法、数据链路和现场流程一起改。先把缺陷标准定清楚,再谈模型,顺序反了,钱容易白花。

所属分类: AI视觉行为识别百科