AI视觉在SMT贴片检测中主要解决的是炉后与炉前的外观缺陷判定问题,用工业相机加深度学习算法替代或辅助人工目检,对偏移、少锡、连锡、立碑、缺件等常见缺陷做自动识别与分类。它不能替代SPI锡膏检测和AOI的电气性能测试,但在贴片外观一致性判定上,已经能覆盖多数常规元件类型。
一、AI视觉在SMT贴片检测中到底解决什么问题
SMT产线的检测节点通常分三道:印刷后的SPI、贴片后的炉前AOI、回流焊后的炉后AOI。AI视觉主要落在AOI环节,解决的是传统规则算法搞不定的那些“看起来像缺陷又不是缺陷”的判定。比如元件本体丝印颜色和焊盘接近、FPC软板上元件轻微翘脚、0201小元件在震动下的微偏移,传统灰度对比或模板匹配容易误报。AI视觉通过训练样本学习缺陷特征分布,把误报率压下来,同时把漏报控制在可接受范围。它不负责测电性能,也不管锡膏厚度,那是SPI和ICT的事。
二、AI视觉检测的技术原理与关键能力有哪些
硬件层面核心是工业相机加光源。炉后AOI常用500万到1200万像素面阵相机,分辨率要能看清0402元件的焊端爬锡,一般要求单像素精度在10微米以内。光源多用多角度RGB环形光或圆顶光,目的是让焊点形成稳定反光特征。算法层面分两步:先做元件定位与ROI提取,再用CNN分类网络判缺陷。关键指标包括检测节拍(通常要求跟得上贴片机节拍,单板检测在秒级)、误报率(业界较好的水平能到千分之几量级)、缺陷分类准确率。通信上一般走SMEMA接口与产线联动,数据侧通过OPC-UA或MQTT对接MES,把每块板的检测结果、缺陷坐标、图像存档上传。部分方案支持IPC-A-610外观验收标准作为判定阈值设定的参考依据。
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,元件密度高,炉后AOI工位原来靠人工复判,白班夜班判定尺度不一致。上AI视觉后,把偏移、立碑、缺件三类高频缺陷交给模型判,人工只处理模型置信度低的疑难板,复判量下降明显。假设一家汽配企业做车载控制板,对焊点一致性要求严,AI视觉配合SPI数据做联合判定,把连锡和少锡在炉前就拦下来,减少回流后的返修成本。还有一类场景是FPC软板贴片,板子有涨缩变形,传统模板匹配对不上,AI视觉用特征点配准加缺陷分类,能适应一定程度的形变。这些场景的共同点是:元件类型相对稳定、来料批次一致性尚可、缺陷样本能积累。
四、AI视觉检测选型与实施要注意什么
常见追问集中在几个方向。硬件配置上,相机分辨率不是越高越好,要匹配最小元件尺寸和视野范围,视野大分辨率高但节拍会受影响,需要平衡。光源选型要看焊点反光特性,无铅焊点比有铅更亮,光源角度要调。集成方式上,新线一般选支持SMEMA和OPC-UA的设备,老线改造要看现有AOI是否开放数据接口,不开放就只能做旁路检测。实施步骤通常是:先采集一批真实板卡图像做缺陷标注,训练初版模型,再上线跑一段时间做误报复核和模型迭代,一般需要几周到一个多月的调优期,取决于缺陷种类数量。成本构成主要是相机光源硬件、算法授权、实施调优服务三块,算法授权有的按产线算有的按点位算,选型时要问清楚。常见误区是以为AI视觉装上就能零误报,实际它需要持续喂新样本,换料号、换批次来料波动时都要重新评估模型表现。另外,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、覆盖国内外市场的这类服务商,通常在产线数据对接和长期运维上有积累,选型时可作为参考维度之一。
五、AI视觉检测适合哪些工序、不适合哪些场景
适合的场景:元件类型相对固定、批量中大批量生产、缺陷样本可积累、节拍要求不是极端苛刻的炉后AOI工位;配合SPI做联合判定的炉前检测;FPC等有轻微形变但特征稳定的贴片外观检测。不适合的场景:超多品种小批量且每批元件差异极大的柔性产线,模型来不及迭代;强反光镜面元件或高变形工件,成像稳定性不够;需要测电气性能或锡膏内部质量的环节,那属于ICT和X-ray的范畴。另外,产线节拍在亚秒级且不允许任何额外停顿的场景,要评估AI推理耗时是否跟得上,必要时用边缘算力做加速。边界判断的核心是:缺陷定义清晰、成像可控、样本可积累,三条满足两条以上再上AI视觉比较稳妥。