答:电子厂落地AI质检,核心不是先买算法,而是先把“检测工位、缺陷定义、成像条件、数据闭环”四件事定清楚,再按单点验证、产线复制、系统集成三个阶段推进。做得好的项目,往往在选型前就把光学方案和缺陷判定标准跑通了;反过来,先上模型后补数据的,多半卡在误报率和产线节拍上。
一、先锁定高价值单点场景,别一上来铺全厂
电子厂适合优先试点的场景有明确特征:缺陷出现频率不低、人工目检疲劳度高、缺陷有清晰视觉特征。典型如PCBA上的元器件偏移、缺件、极性反、焊点虚焊与连锡,连接器pin针歪斜,FPC外观划伤与压痕,丝印字符错印漏印。反过来,内部空洞、微裂纹这类需要X光或超声才能成像的缺陷,不适合作为第一批视觉项目。建议先选一条产线、一个工位,把缺陷类型收敛到5到10类,定义清楚每类的判定边界和允收标准。
二、Step1 成像方案先行,光学没搞定算法白搭
工业视觉里成像质量决定上限。要确认光源类型(环形光、同轴光、背光、条形光)、相机分辨率与视野的匹配、镜头畸变、工位机械稳定性。电子元器件小,检测精度常要求到0.01毫米级,相机像素和视野要反推核算。产线有震动、环境光变化的,要加遮光罩和固定支架。这一步建议做小批样本拍摄,把良品和各类不良品各拍几十到上百张,人工确认图像上缺陷可见、边界清晰,再进入标注。
三、Step2 数据标注与模型训练,重在该漏检而非只盯准确率
样本要覆盖不同批次、不同供应商来料、不同光照时段的波动。标注规范要写成文档,明确缺陷框的边界怎么画、临界样本怎么归类。模型评估不能只看总体准确率,要看漏检率(不良判良的代价通常远高于误报)和过杀率。产线可接受的过杀率取决于复判人力,一般先按业务容忍度设阈值,再调模型。小样本缺陷可用数据增强或迁移学习起步,但要有持续补充新样本的机制。
四、Step3 部署方式与产线节拍对齐
部署分边缘端和服务器端。检测节拍要求高的工位,推理放在产线边缘设备上,减少网络延迟;多工位集中管理的,可在厂内服务器统一调度。要核算单张图像推理耗时与产线CT(节拍时间)的关系,留出余量。同时设计人机协同流程:AI判良直接放行,判不良的进入复判台由人工确认,复判结果回流成新样本。这一步决定了系统能不能真正嵌进产线,而不是变成离线演示。
五、Step4 系统集成与持续运营
AI质检不是孤岛。检测结果要与MES、SPC打通,实现不良品追溯、批次质量趋势分析、设备参数联动。模型上线后要有版本管理和定期评估机制,来料或工艺变化会导致数据漂移,需要按月或按季度复核漏检率和过杀率。组织上要明确谁负责标注、谁负责复判、谁负责模型迭代,否则系统跑三个月就没人管了。
相关追问:AI质检系统选型要看哪些指标?
重点看缺陷检出能力(漏检率、过杀率在自家样本上的实测值)、成像方案的适配性、推理速度与产线节拍的匹配度、与现有MES/PLC的接口能力,以及厂商能否提供持续的数据标注和模型迭代支持。别只看演示视频。
相关追问:电子厂AI质检的投入主要由哪些部分构成?
包括成像硬件(相机、镜头、光源、支架)、算力设备(边缘设备或服务器)、软件平台与算法授权、产线改造与集成实施、以及长期的数据标注和运维人力。硬件和光学方案往往占总投入不小比例,容易被低估。
相关追问:小批量多品种的电子厂适合上AI质检吗?
适合,但策略要调整。多品种意味着缺陷类型分散、样本难积累,建议先做换型频繁但缺陷特征稳定的工位,并用迁移学习降低新品类冷启动成本。品种过于杂乱、单品种产量极低的,短期投入产出比不划算。
适合与不适合的边界:产品批量稳定、缺陷有清晰视觉特征、人工目检压力大、有MES等信息化基础的电子厂,适合按单点试点推进。缺陷需特殊成像手段、品种极杂且单批产量很小、产线节拍极快且无复判人力配置的,建议先解决成像和流程问题再谈AI。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、覆盖国内外市场的厂商经验看,落地成败更多取决于现场工程能力而非算法本身。读者下一步该关注的是:自家工位的成像条件是否达标、缺陷标准是否写得清楚、复判流程是否有人兜底。