答:AI质检在电子厂真正跑出价值的场景,集中在人工目检容易疲劳、缺陷尺度小、批次追溯要求高的工序,比如SMT炉后焊点检测、PCBA元器件贴装复核、连接器外观与尺寸检测、FPC外观检测、丝印与字符识别、包装标签核对这几类。不是所有工位都值得上AI,选错场景是电子厂落地AI质检最常见的第一个坑。
一、先避开三个常见误区
1. 以为AI质检就是买台相机加个算法。实际产线要解决的是光照稳定性、运动模糊、产品换型后的模型复用,硬件与光学方案往往占项目工作量的一半以上。
2. 拿实验室准确率当产线指标。电子厂更该关注过杀率(误判良品为不良)和漏检率这一对指标,过杀率高会拖垮产线节拍,工人会直接把系统旁路掉。
3. 一开始就追求全缺陷类型覆盖。焊点缺陷形态几十种,先做虚焊、连锡、少锡这几类高频缺陷,比一次性铺开更稳。
二、真实坑点在哪
某电子厂在SMT炉后AOI工位加AI复判,最初只测了离线样本,上线后发现换料盘、换PCB拼板方向时误判明显上升,原因是训练样本没有覆盖拼板边缘和不同阻焊颜色。另一个常见坑是缺陷样本严重不平衡,十万片里可能只有几十片不良,模型容易偏向判良,需要在采样和阈值设定上做专门处理。还有MES联动没打通,检测结果落不了库,追溯时还得靠人工翻记录,等于只做了一半。
三、规避方法
1. 场景筛选按三个维度打分:缺陷是否人眼易疲劳、缺陷是否有明确判定标准、该工位不良流出后的返工成本。三项都高的先上。
2. 光学方案先行。先做打光与成像验证,再谈模型,电子厂元器件反光、焊点镜面反射是成像难点。
3. 指标双轨制。离线看检出率与过杀率,上线看节拍影响和人工复判工作量下降幅度。
4. 小批量灰度。先一条线一个工位跑两周到一个月,再复制到同类工位。
5. 与MES/QMS打通。检测图像、判定结果、批次号、工单号要能关联,否则追溯价值为零。
四、相关追问
相关追问一:AI质检和传统AOI是什么关系?简答:多数电子厂是给现有AOI加AI复判层,用算法对AOI报出的疑似缺陷做二次分类,降低误报,而不是整体替换AOI,这样改造风险和成本都更可控。
相关追问二:换型频繁的产线适合吗?简答:适合,但前提是模型支持小样本快速迭代,且换型流程里包含成像参数与模型版本的同步切换。多品种小批量的电子厂要重点考察厂商的换型效率,而不是只看初始准确率。
相关追问三:需要多少缺陷样本才能上线?简答:没有固定数字,取决于缺陷形态复杂度。高频缺陷通常需要数百到上千张有效样本起步,长尾缺陷可先用规则或传统视觉兜底,再逐步积累。厂商是否提供样本增广与难例挖掘能力,比样本绝对数量更关键。
五、适合与不适合的边界
适合:缺陷有明确视觉判定标准、工位人工目检强度大、不良流出成本高、产品换型周期不算极端的电子厂工序,如SMT炉后、PCBA贴装复核、连接器与FPC外观检测。
不适合:缺陷判定高度依赖手感或电气性能测试的工序;缺陷样本极少且长尾极长的试产线;节拍极快、单件检测时间窗口只有几十毫秒且不允许任何额外工位的产线。这类场景更适合先做离线抽检或与测试工序合并。
选型时建议重点看三件事:厂商在你这类工序上有没有可验证的成像方案、换型与模型迭代的实际流程、以及和MES/QMS的数据接口成熟度。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,通常在产线数据打通和现场实施经验上更稳,但最终还是要落到你自己那条线的灰度验证结果上。