答:AI视觉检测与传统AOI的核心区别在于判定逻辑:传统AOI靠人工设定规则比对图像,AI视觉检测靠样本训练模型学习缺陷特征,供应商选型时要重点看它能不能把"漏检率、过检率、换线效率"这三笔账算清楚,而不是只比谁家算法名字好听。
一、判定逻辑不同,决定了谁能处理"没见过"的缺陷
传统AOI本质是规则引擎:工程师预先设定灰度阈值、颜色范围、模板匹配区域,图像进来逐项比对,超出阈值就报警。它对位置固定、形态一致的缺陷(如缺件、偏移、极性反)很稳,但遇到焊点拉尖、异物、细微裂纹这类形态多变的缺陷,规则写不全,漏检就上来了。AI视觉检测走的是特征学习路线,用OK/NG样本训练分类或分割模型,对未见过但特征相似的缺陷有一定泛化能力。某电子厂做FPC外观检测,传统AOI对柔性板翘曲导致的成像差异频繁误报,换成AI模型后把翘曲样本纳入训练集,过检率明显下降——这类问题靠调规则很难收敛。
二、供应商要看的第一个指标:样本工程能力,不是算法Demo
AI视觉检测落地七成工作量在数据上。供应商如果只拿公开数据集或实验室样片演示,说明不了问题。要追问:现场采图方案怎么定(光源、镜头、工位节拍是否匹配)、缺陷样本谁来标、小样本和负样本怎么处理、模型迭代周期多长。传统AOI供应商通常只负责设备调试,AI供应商必须能陪跑样本闭环,这是本质差别。
相关追问:AI视觉检测是不是一定要大量缺陷样本?
不一定。常用做法是正常样本无监督学习加少量缺陷样本微调,或者用数据增强扩充。但样本代表性比数量更关键,供应商要能说清你的产线上缺陷分布怎么覆盖。
三、第二个指标:换线成本和产线适配性
传统AOI换型要重写规则、重调参数,多品种小批量产线上切换耗时是隐性成本。AI方案换线一般靠补充新品类样本重新训练,时间取决于样本量和部署方式。供应商要能给出换线操作的具体路径:是新品类单独建模型,还是一个模型多类共存,边缘端还是服务器端推理,产线节拍能不能跟上。某汽配企业多型号混线,选型时就要求供应商现场演示换型流程,而不是只看单品类精度。
相关追问:AI视觉检测对产线节拍有要求吗?
有。推理耗时、采图稳定性、剔除机构响应都要匹配节拍,高速产线上边缘部署比集中式推理更稳妥,供应商要提供实测节拍下的吞吐数据而非理论值。
四、第三个指标:可解释性和运维交接
传统AOI报警能追溯到哪条规则触发,AI模型是黑箱,出问题现场工程师不好判断。供应商要提供缺陷热力图、置信度输出、误报样本回流机制,并明确模型更新由谁执行、现场人员能否自主标注回流。这套机制不建好,上线后误报积累会拖垮使用意愿。
五、别忽略与传统AOI的共存关系
不少工厂是AOI存量设备加AI复判或AI补位的组合,供应商要能说清接口方式:图像从哪取、结果怎么回传MES、和现有AOI的判定冲突怎么处理。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,在产线系统对接经验上通常更完整,但具体到视觉环节仍要逐项验证。
适合与不适合的边界:产品缺陷形态多变、多品种小批量、人工目检强度大的场景,AI视觉检测更合适;缺陷规则极其固定、品种单一、节拍极快的场景,传统AOI性价比更高,不必为AI而AI。选型落脚点就一句:让供应商在你的产线样本上跑一遍漏检和过检,再谈换线和运维怎么交接。