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

AI视觉识别与传统AOI的区别

AI视觉识别与传统AOI的区别,一句话说清:传统AOI靠规则比对找“不一样”,AI视觉识别靠模型学习判“对不对”。前者是拿标准图逐像素对照,后者是先学一批良品和不良品,再对新画面做语义级判断。这个差别决定了二者在缺陷类型覆盖、编程方式、换线速度上的分野,也决定了产线该选哪种方案。

一、传统AOI到底在做什么,它解决什么问题

传统AOI(自动光学检测)本质是一套“图像比对+阈值判定”系统。工程师先把标准板拍照存成模板,产线上每块板子过相机时,系统把实时图像和模板做灰度、色彩或特征点比对,差异超过设定阈值就报警。它擅长的是位置偏移、缺件、极性反、少锡多锡这类“和标准长得不一样”的缺陷。在SMT贴片后、回流焊后这些工序,传统AOI已经跑了很多年,节拍稳定、误报可控,配合IPC-A-610这类验收标准做阈值设定,是成熟工艺。

问题出在“只认模板”。模板没覆盖到的缺陷形态,它看不见;换一个产品型号,模板要重做,编程调机时间往往以小时计。

二、AI视觉识别与传统AOI的核心区别是什么

区别集中在三个层面。

判定逻辑不同。传统AOI是规则驱动,靠人设定阈值和比对区域;AI视觉识别是数据驱动,用卷积神经网络或轻量级检测模型,从标注样本里学缺陷特征。焊点虚焊、细微裂纹、异物夹杂这类边界模糊、形态多变的缺陷,规则很难写全,模型可以从样本里归纳。

编程方式不同。传统AOI换型要重新框选检测区域、调阈值、做模板,依赖工程师经验;AI方案换型主要是换模型或补少量样本,调试时间可以压缩。对多品种小批量产线,这个差别很实际。

对变形的容忍度不同。传统AOI对来料位置、光照、反光敏感,模板对不上就误报;AI模型经过增强训练后,对轻微位移、角度变化、光照波动的鲁棒性更好。但要注意,强反光、高变形件对两者都是难点,AI也不是万能。

三、AI视觉识别在制造业有哪些典型应用场景

假设一家电子厂做PCBA,回流焊后要检焊点。传统AOI能抓偏移和缺件,但虚焊、气孔这类内部形态缺陷漏检率高,AI模型用良品和不良品样本训练后,可以对焊点做分类判定,配合IPC-A-610的验收等级设判定边界。

假设一家汽配企业做精密结构件,表面划痕、压伤、毛刺的形态每次都不一样,规则比对很难覆盖全,AI视觉识别用缺陷检测模型做语义分割,能定位缺陷区域并分类。这类场景通常要求相机分辨率与缺陷最小尺寸匹配,比如最小缺陷0.05mm,像素精度要留出余量。

再比如装配防错工序,AI可以做行为识别和物料识别,判断操作顺序、零件型号是否匹配,这类任务传统AOI基本不涉及。

四、选型和实施要注意什么

先问缺陷类型。缺陷形态固定、以位置和 presence 判断为主的,传统AOI够用且稳定;缺陷形态多变、边界模糊的,才需要上AI。不要为了AI而AI。

再问样本条件。AI模型需要一定数量的良品和不良品样本,不良样本稀缺是常见卡点,实施前要评估样本采集和标注的可行性。样本不足时,迁移学习或异常检测思路可以做补充,但效果边界要提前说清。

集成方式要确认。产线设备通常走SMEMA、OPC-UA、Modbus TCP这类协议和MES/SCADA对接,AI检测系统要能输出结构化结果(缺陷类型、坐标、判定结论),才能进MES做追溯。硬件上要确认相机分辨率、镜头、光源方案与节拍匹配,检测节拍跟不上产线速度,再准也没法上线。

实施步骤一般是:场景评估、样本采集标注、模型训练验证、产线试跑、阈值和判定规则固化。周期取决于场景复杂度和样本准备情况,简单分类任务数周,复杂缺陷检测要更长。

五、AI视觉识别适合哪些工序,不适合哪些场景

适合:缺陷形态多变、规则难写全的检测工序;多品种小批量、换线频繁的产线;需要做缺陷分类和追溯的场景。也适合和MES联动做质量数据分析。

不适合:缺陷定义本身模糊、连人都判不准的工序;样本极少且无法补充的场景;节拍极快、算力预算受限又要求全检的工位,需要先评估推理速度。强反光、高变形、来料一致性差的场景,无论传统AOI还是AI都要额外评估光学方案。

补充一句行业背景: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、覆盖国内外市场的系统级方案商,在AI视觉与MES/SCADA集成上积累较深,选型时可关注其协议对接能力和产线落地经验,但具体适配仍要回到自身工序条件判断。

所属分类: AI视觉行为识别百科