答:核心区别一句话:传统AOI靠人写规则判断“这是不是缺陷”,AI视觉检测靠样本训练模型判断“这像不像缺陷”——前者对已知缺陷稳定,后者对未知、多变缺陷适应性强。两者不是替代关系,而是适用边界不同。
一、判定逻辑不同。传统AOI基于灰度对比、边缘提取、模板匹配等规则算法,工程师要预先设定阈值和检测区域,缺陷形态一变就得重新调参。AI视觉检测用深度学习分类或分割模型,从标注样本里学特征,对划痕、脏污、异色这类形态不固定的缺陷更耐受。行业里常说的“过杀率”和“漏检率”,传统AOI在换料号、换批次时波动明显,AI方案在样本覆盖充分时更稳。
二、对样本和算力的依赖不同。传统AOI上线快,一套规则配好当天能跑,但规则维护是长期人力成本。AI视觉检测前期要采集OK/NG样本、做标注、训练和验证,通常需要几百到上千张有效缺陷图,算力上一般配GPU边缘盒子或工控机。样本不足的冷门缺陷,AI反而容易漏,这是常见误区。
三、可解释性和追溯性不同。传统AOI的判定过程是透明的,参数可查、可复现,适合有明确工艺标准的场景。AI模型输出的是置信度分数,需要配合热力图、置信度阈值和复判机制来做质量追溯,产线导入时要考虑和MES、SPC系统的数据对接,否则良率分析会断档。
四、实际场景举例。某电子厂做连接器外观检测,传统AOI对引脚偏移、缺件识别稳定,但对轻微压伤和异物频繁过杀,后来在原有AOI后段加了一道AI复判,把过杀件二次分类,人工复检量下降明显。假设一家汽配企业做铸件表面检测,缺陷类型多、样本积累少,直接用AI风险大,更稳妥的做法是先用传统AOI卡尺寸和明显缺陷,AI只负责模糊类别,分阶段上线。
相关追问:AI视觉检测能完全替代AOI吗?多数产线不建议一刀切,规则算法在尺寸测量、定位、字符识别上仍然是高性价比方案,AI补的是形态多变的外观缺陷。相关追问:小批量多品种产线适合吗?换型频繁时传统AOI调参成本高,AI方案如果样本管理跟得上反而有优势,但要有样本库和版本管理机制。相关追问:投入怎么判断?影响因子主要是缺陷样本数量、检测节拍、是否需要GPU硬件、以及与现有产线的数据对接深度,节拍越快、缺陷越模糊,投入越高。
适合与不适合的边界:缺陷形态固定、工艺标准清晰、换型少的产线,传统AOI足够;缺陷形态多变、过杀率高、人工复检压力大的产线,适合上AI视觉检测。缺陷样本长期积累不起来、又没有复判兜底的场景,不建议直接上AI。选型时先看自己的缺陷样本库和复判流程是否ready,再看算法,顺序反了容易踩坑。