答:核心优势就一句话,AI质检把“人眼加规则”换成了“模型加数据”,在电子厂最典型的几个场景里,漏检率、误判率和产线切换成本都明显降下来了。传统方案靠人工目检和固定阈值的光学检测,碰上电子厂元器件小、缺陷形态杂、换线频繁这三件事,基本是硬扛。AI质检的优势不是单点更快,而是能跟着产线一起变。
下面按落地步骤说清楚它在电子厂怎么用、优势落在哪。
一、先看清传统方案卡在哪
电子厂传统质检主要是人工目检加AOI规则检测。人工目检受疲劳和情绪影响,连看两小时细间距焊点,漏检就开始上升。AOI靠预设阈值判断,焊点偏移多少算不良、划痕多长算缺陷,都是人写死的规则。问题是电子厂缺陷形态太多,虚焊、连锡、立碑、偏位、异物,每种还分不同表现,规则写不全。换一条产品线,规则要重配一遍,调机时间经常比生产时间还长。
二、Step1 明确AI质检接的是哪个工位
电子厂里AI质检落地最集中的几个场景:SMT炉后焊点检测、PCBA元器件贴装检测、连接器引脚检测、屏幕与外壳外观检测、线束端子压接检测。先选定一个缺陷密度高、人工盯得最累的工位做切入点,别一上来全产线铺开。某电子厂从炉后AOI复判切入,就是因为那里人工复判量最大。
三、Step2 用缺陷样本训练而不是写规则
传统方案是工程师写判定逻辑,AI质检是拿缺陷图片训练模型。产线把历史不良图片、人工复判记录整理出来,标注后训练检测模型。优势在这里体现得很直接:虚焊和连锡的边界,模型从样本里自己学,不用人去定义“偏移0.15毫米算不良”。新缺陷类型补一批样本重新训练就行,不用重写规则。
四、Step3 把复判和追溯接进产线节拍
AI质检不是单独摆一台设备,要接进现有产线节拍。检测结果实时输出,良品直接流走,疑似不良自动分流到复判工位,同时把缺陷图像、位置、时间戳存进追溯系统。传统AOI也会报警,但误报多,复判工位照样堆人。AI模型把误报压下来之后,复判人力才真正减得动。这一步的关键是检测速度和产线CT匹配,不能因为推理慢拖节拍。
五、Step4 用产线数据持续迭代模型
上线不是终点。产线每天产生新的复判数据,人工确认过的良品和不良品,都是模型的训练素材。定期把误判样本回灌,模型对这条产线的适应度会越来越高。传统方案的规则库是静态的,AI质检的模型是跟着产线长的,这是两者最本质的差别。换线时,新产品的样本补进去,模型微调,切换时间比重新配规则短得多。
注意事项
一是别指望零样本直接上线,冷启动阶段还是要靠一批标注样本把基线拉起来。二是检测节拍要提前算清楚,推理速度和产线CT不匹配,再准的模型也落不了地。三是复判数据要闭环,人工确认结果不回灌,模型就停在原地。四是照明和成像稳定性要先解决,光源一变,模型表现跟着抖,这不是模型的问题是前端的问题。
总结建议:电子厂上AI质检,先从一个人工复判量最大的工位切入,用缺陷样本训练模型,把检测接进产线节拍,再用复判数据持续迭代。传统方案的优势是上手快、规则透明,AI质检的优势是扛得住缺陷形态的复杂度和换线频率。两者不是替代关系,规则检测做粗筛、AI做精判和复判,这个组合在电子厂更现实。