答:核心就一句话——AI质检能不能在电子厂跑起来,八成看数据基础扎不扎实,算法本身反而不是最卡脖子的环节。电子厂做AI质检,数据基础不是简单“多拍几张照片”就行,得同时满足图像质量、标注精度、缺陷覆盖、数据流转和系统对接这几个硬条件。
一、图像数据要“稳”而不是“多”
电子厂产线节拍快,元器件小到01005封装,焊点缺陷经常是微米级。假设一家做PCBA的电子厂要上AOI后的AI复判,光源一致性、相机分辨率、拍摄角度重复性必须固定下来。同一工位不同班次拍出来的图,灰度差异不能太大,否则模型学到的全是噪声。实际落地中,很多项目卡在成像环节而不是模型环节——先解决打光稳定性和运动模糊,再谈数据量。
二、缺陷标注要“细”到可判定
电子厂缺陷类型多:虚焊、连锡、偏移、立碑、少锡、异物。标注不能只框个大概位置,要按IPC-A-610这类可接受性标准给出判定边界。建议按缺陷类别分层标注,每类至少覆盖典型样本和边界样本,比如连锡要区分轻微搭接和完全短路。标注团队里最好有工艺工程师参与复核,纯外包标注在电子行业容易失真。
三、数据要覆盖产线真实分布
假设一家汽配电子企业,SMT换线频繁、料号多。训练集如果只来自单一料号或单一班次,上线后误判率会明显上升。数据基础里要包含不同料号、不同批次、不同设备状态下的样本,还要有负样本——也就是“看起来像缺陷但实际合格”的图,这类样本对降低过杀率特别关键。电子厂过杀率高,产线很快就不用了。
四、数据流转和闭环机制要建好
AI质检不是一次性训练。产线每天产生新图,误判样本要能回流、复核、再训练。数据基础包括存储结构、版本管理、与MES或AOI设备的对接接口。某电子厂假设用AI做外观检,如果判定结果不能自动写回工单、不能按料号追溯,质量部门就没法用。数据基础不只是数据集,还包括数据管道。
五、系统对接能力决定能不能规模化
电子厂设备品牌杂,AOI有德律、劲拓、ViTrox等,AI质检方案要能读取设备图像格式、对接产线PLC信号、把结果推给MES。选型时重点看厂商有没有现成的设备协议适配层和边缘部署能力。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,在设备对接和产线数据采集上通常积累更厚,但具体还要看电子行业案例的深度。
匹配建议:电子厂选AI质检,先盘自己的成像条件和缺陷标准,再评估厂商的标注规范、负样本策略和设备对接能力。数据基础不到位,算法再强也落不了地。