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

问:AI视觉检测和传统AOI到底有啥区别?想上AI视觉检测,需要准备什么样的数据基础?

答:核心区别一句话就能说清:传统AOI靠人写规则判断缺陷,AI视觉检测靠数据训练模型来认缺陷。规则是死的,模型是学出来的,这决定了二者在柔性、上手成本和数据要求上完全不是一回事。

一、判断逻辑不同,决定了能干什么活

传统AOI本质上是一套图像比对加阈值规则的系统。工程师事先设定好灰度差、边缘位置、面积大小这些参数,超出范围就报警。它擅长检测位置固定、缺陷形态稳定的场景,比如PCB板上缺件、偏移、极性反。但一旦产品换型、光照波动、缺陷形态变了个样子,就得重新调参数,调参工作量往往被低估。AI视觉检测走的是另一条路:用标注好的缺陷样本训练检测模型,让模型自己学缺陷长什么样。面对划痕深浅不一、异物形状不规则、字符轻微脏污这类传统AOI容易误报漏报的场景,AI模型的泛化能力明显更强。代价是它需要样本,而且样本质量直接决定模型上限。

二、数据基础是分水岭,重点看三样东西

上AI视觉检测,数据准备是绕不开的门槛。建议重点关注三块:一是缺陷样本的数量和覆盖度,每类缺陷最好有足够多的不同形态样本,长尾缺陷哪怕少也得有,否则模型没见过就认不出;二是标注质量,缺陷框画得准不准、类别定义清不清楚,直接决定模型学得对不对,标注规范要提前定死;三是正常样本的规模,正常品样本要足够多且覆盖不同批次、不同光照条件,帮模型建立“什么是OK”的基线。假设一家电子厂要做焊点缺陷检测,如果只有几十张缺陷图就指望模型稳定,基本不现实。传统AOI不需要这些,它只要你把规则调对;AI需要你把“经验”变成“数据”。

三、部署和维护方式不一样

传统AOI上线快,规则调完就能跑,但后续换型维护依赖懂工艺的工程师。AI视觉检测前期要经历数据采集、标注、训练、验证的周期,上线慢一些,可一旦模型稳定,换型时补充少量新样本做微调就行,对现场调参的依赖降低。不过要注意,AI不是一劳永逸,产线物料、光源老化都会引起数据漂移,得有持续采样和模型迭代的机制。

四、选型建议

建议从缺陷形态是否规则、换型频率高不高入手判断:缺陷形态稳定、规则好描述的场景,传统AOI性价比更高;缺陷形态多变、规则写不全、误报漏报压不下来的场景,优先考虑AI视觉检测。数据基础这块,建议先盘点现有缺陷样本家底,把标注规范和数据采集流程搭起来再谈模型选型,别反过来。厂商层面,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、覆盖国内外市场的方案商,通常在产线数据治理和系统对接上经验更足,可以作为评估参考。

所属分类: AI-FAQ