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

问:AI质检在电子厂的实际应用场景,背后到底靠什么技术原理在跑?

答:核心就一句话,AI质检在电子厂干的是“用深度学习模型替代人眼做缺陷判断”这件事,原理上分两步走,先让模型从大量良品和不良品图像里学出缺陷特征,再在产线上实时推理比对、输出判定结果。

下面按落地步骤拆开讲,方便你对照自己工厂的情况看。

一、先搞清楚要检什么,把场景收敛成可成像的缺陷类型

电子厂的AI质检不是万能相机,第一步是把场景拆细。常见的有SMT贴片后的元件偏移、缺件、极性反、焊点虚焊连锡,FPC的划伤压痕,连接器的pin脚变形,外壳的丝印不良和外观脏污。这些缺陷有个共同点,都能在特定光源下拍出稳定图像。假设一家做PCBA的电子厂,先锁定炉后AOI工位,把要检的缺陷列成清单,每种缺陷标注判定标准。这一步决定了后面模型能不能学得会。场景不收敛,模型再多也白搭。

二、搭成像环境,用光学方案把缺陷“显影”出来

AI模型再强,拍不清楚也白费。这一环靠的是工业相机加光源的配合,比如同轴光看平整表面划伤,低角度环形光打焊点三维感,背光看轮廓和缺件。关键是把缺陷和背景的对比度做出来,让缺陷在图像里有稳定的灰度或颜色差异。某电子厂在连接器pin脚检测上,用远心镜头加背光,把pin脚间距和变形量稳定成像,模型才有判断依据。成像方案是AI质检的地基,地基不稳后面全塌。

三、训练缺陷检测模型,主流走的是监督学习和无监督结合的路子

原理层面,电子厂AI质检用得最多的是卷积神经网络做目标检测和分割,比如YOLO系列做缺陷定位,U-Net类做焊点分割,再配合分类网络判良不良。实际落地时良品样本多、不良品样本少,所以常用数据增强、迁移学习,甚至用无监督异常检测(比如基于特征重构的方法)来补小样本缺陷。模型学的本质是缺陷的纹理、形状、灰度分布特征,不是靠规则写死的。训练完还要在验证集上卡漏检率和过杀率,这两个指标直接决定产线敢不敢用。

四、部署到产线做实时推理,跟设备动作节拍对齐

模型训练好只是半程,真正难的是上产线。推理要跑在工控机或边缘算力盒子上,单张图像推理时间要压到产线节拍以内,比如几百毫秒级。同时要和PLC、AOI设备、MES做信号对接,判定NG要能触发报警、标记、分选动作。某电子厂在SMT炉后工位部署时,把推理服务做成和相机采集同步触发,判定结果直接回传MES做追溯。这一步的核心是工程集成能力,不是算法本身。产线节拍对不上,再准的模型也上不了线。

五、持续迭代,用产线回流数据做模型更新

电子厂的物料、工艺、批次会变,模型会漂移。所以要建数据回流机制,把产线判定存疑的图片回传,人工复判后补充进训练集,定期做模型微调和版本管理。这一步决定AI质检能不能长期稳住漏检率和过杀率。没有迭代机制的AI质检,上线三个月就开始失灵。

注意事项:别一上来追求全缺陷覆盖,先挑一个缺陷类型单一、成像稳定的工位做试点;漏检率和过杀率要同时看,只压漏检会把过杀拉爆,产线照样不认;成像方案的价值往往被低估,光源和镜头的投入别省。总结一句,AI质检在电子厂的技术原理是成像加深度学习推理加产线集成三件事咬合,缺一环都落不了地。

所属分类: AI-FAQ