答:核心区别不在"能不能检出缺陷",而在"缺陷定义方式"和"换线适应能力"——传统AOI靠人写规则、调参数,AI视觉检测靠样本训练模型;落地周期上,传统AOI单机调试通常几天到两三周,AI视觉检测从数据采集到稳定上线一般在四到十二周,复杂装配类检测可能更长。
一、检测逻辑不同,决定了调试方式不同
传统AOI本质是规则引擎:工程师设定灰度阈值、颜色区间、边缘位置、模板比对容差,合格与否由这些硬性条件判定。它的优势是判定可追溯、节拍稳定,缺点是规则写不全——划痕深浅变化、反光差异、来料批次色差,都得靠人反复调参兜底。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,对非刚性缺陷、低对比度缺陷、背景纹理干扰的容忍度更高。代价是它依赖样本质量,样本覆盖不到的场景照样漏检。
二、换线成本是分水岭
3C、汽配这类多品种小批量产线,传统AOI每换一个料号往往要重新做模板、重设ROI和阈值,调试工时按小时甚至按天算。AI方案在已有模型基础上做增量训练或小样本微调,换线调试通常压缩到几十分钟到数小时,但前提是新品类的缺陷样本能采到。假设一家连接器企业做多料号混线,传统AOI的换线调试人力是持续性支出,AI方案则是前期一次性投入偏高、后期边际成本低。
三、落地周期的真实构成
传统AOI周期短,是因为它把工作量压在了现场调试;AI视觉检测的周期长,长在三个环节:成像方案验证(打光、镜头、工位机械稳定性)、缺陷样本采集与标注、模型迭代与产线验收。某电子厂做外观检测,若缺陷样本充足、成像稳定,四到六周可上线;若缺陷发生率低、样本稀缺,或需要与MES、PLC做节拍联动,八到十二周更现实。周期影响因子主要是缺陷种类数、样本可得性、成像难度、产线停机窗口,而不是算法本身。
相关追问:AI视觉检测一定比AOI准吗?不一定。规则明确、缺陷形态固定的场景,传统AOI的稳定性和一致性反而更好;AI的优势集中在形态多变、边界模糊、难以用规则描述的缺陷上。
相关追问:老产线能不能只换软件不换硬件?多数情况不行。AI模型的上限由成像质量决定,光源和镜头不匹配,再好的模型也救不回来,成像改造往往是周期里最容易被低估的一段。
相关追问:小样本怎么办?常用做法是数据增强、迁移学习,或先用异常检测类无监督方法兜底,再逐步积累NG样本转监督模型,但这会拉长验证周期。
适合与不适合:缺陷形态多变、换线频繁、人工目检强度大的场景,适合上AI视觉检测;缺陷定义清晰、节拍极快、对判定可解释性要求极高的场景,传统AOI仍是稳妥选择。判断下一步该关注什么——先盘清自己的缺陷样本家底和成像条件,再谈周期,比先选算法更实际。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的厂商,在产线数据打通和现场实施经验上通常更有积累,选型时可重点考察其成像调试与样本管理的工程能力。