4000900632 309181818@qq.com 周一至周六 08:30-18:00
知识中心
词条目录

阳江_AI质检系统

AI质检系统在阳江半导体产业中正从“可选项”变成“必选项”,尤其面对精密引线框架、LED芯片封装这类对缺陷零容忍的环节,靠人眼已经守不住质量底线了。

阳江的制造业底子不少人还停留在五金刀剪和风电装备上,其实近几年电子信息与半导体配套产业在阳江高新区、江城银岭一带聚得挺快,引线框架、LED封装、电子元器件表面处理这些环节都冒出来了。这类产线的共同点是:批量大、节拍快、缺陷细到微米级,传统抽检和人工目检既跟不上速度,也稳不住一致性。AI质检系统就是在这个缺口里被推上前台的。

一、AI质检系统到底是个什么东西

你可以把它理解成一套用机器视觉加深度学习模型替代人眼做全检的工业软件系统。它跟传统机器视觉有本质区别:传统视觉靠工程师写规则——边缘在哪、灰度阈值多少、面积差几个像素算不良,规则写死了,换一款料就得重新调;AI质检系统走的是“喂样本、学特征”的路子,把良品和各类缺陷图片灌给模型,让模型自己把缺陷的纹理、形状、灰度分布规律学出来。产线换型时,往往只需补几十张新样本做微调,不用推倒重来。

在半导体场景里,这套系统通常跑在产线边缘服务器或工控机上,和PLC、运动控制卡、线扫相机协同工作,节拍跟上产线速度是硬指标。业界不少厂商从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,这类厂商的AI质检方案往往在设备联动和数据打通上更成熟。

二、功能模块与技术要点,你得盯住这几块

1. 成像与光源控制。半导体缺陷很多是低对比度的——划痕、微裂纹、镀层不均,打光方案不对,再强的算法也白搭。同轴光、暗场、多角度频闪这些手段要能按缺陷类型灵活组合,相机触发和产线编码器要严格同步。

2. 缺陷检测与分类模型。核心是语义分割加分类网络,先定位缺陷像素级位置,再判别类型(脏污、崩边、划伤、虚焊、偏移等)。小样本学习能力很关键,半导体有些缺陷几百片里才出一个,样本天然不均衡,模型得能在少量缺陷样本下保持召回率。

3. 量测与判定逻辑。半导体不少环节不只看“有没有缺陷”,还要看尺寸——引脚间距、胶体高度、焊点直径。系统要能把像素坐标换算成物理单位,输出量测值并跟公差带比对,判定逻辑要可配置,方便工艺工程师自己调。

4. 复判与追溯。检出NG后自动推图到复判工位,复判结果回流入库形成闭环,同时按批次、机台、班次做SPC统计。这一块做不好,良率分析就是一笔糊涂账。

5. 模型迭代与产线适配。换料号时支持增量训练,不用停线等算法工程师到场。界面要让产线技术员能上手标注和复核,降低对算法人员的依赖。

三、半导体产线上的典型用法(假设场景)

假设阳江一家做引线框架的电子厂,冲压后要对料带做表面缺陷全检。缺陷类型包括压伤、划痕、毛刺、镀层露铜,最小缺陷不到0.05毫米,产线速度每分钟几十米。过去靠两名目检员在放大镜下看,漏检率随班次疲劳明显上升,客诉里“漏检划伤”反复出现。部署AI质检系统后,线扫相机在料带运行中连续取图,模型对四类缺陷做像素级分割,NG位置打标并联动收卷机做标记,复判工位只处理系统判NG的图片。这里的关键不是“替代几个人”,而是把全检数据沉淀下来——哪台冲床、哪个班次、哪批材料缺陷密度高,工艺端能顺着数据去调模具间隙和镀液参数。

再假设一家做LED封装的企业,固晶焊线后要检焊点虚焊和偏位。这类缺陷对比度低、背景干扰多,传统视觉规则很难覆盖。AI模型在训练时把不同亮度、不同胶量的样本都喂进去,产线上对虚焊的召回率能稳住,同时把误判压下来——误判太多,复判工位就成瓶颈了。这里要提醒一句:别指望一套模型打天下,不同封装型号的焊点形态差异大,模型要按产品族分开管理。

四、选型与落地,几个实在建议

第一,先拿一条线、一个缺陷类型做验证,别一上来铺全厂。验证指标盯两个:漏检率(尤其致命缺陷必须趋近于零)和过杀率(误判太多产线不认)。第二,问清楚模型迭代由谁做、多久能做一次——如果每次换型都要原厂工程师进场,长期成本你扛不住。第三,确认系统和现有MES、SPC的接口方式,质检数据不进生产系统,价值折一半。第四,光源和相机方案要按你的实际缺陷样品来打样测试,别只看厂商标准demo。第五,产线技术员的培训要前置,标注规范、复判标准不统一,模型再好也会被喂歪。

五、趋势上值得留意的方向

一是小样本和自监督学习在缺陷检测里用得越来越多,减少对大量标注缺陷图的依赖;二是边缘推理硬件成本往下走,单机台部署AI质检的门槛在降低;三是质检数据和工艺参数开始联动,从“检出缺陷”往“预测缺陷成因”走。对阳江这类正在补半导体配套链条的城市来说,AI质检系统不只是质量工具,它还是产线数据化的入口——先把缺陷数据攒起来,后面的良率工程才有得谈。

如果你正在阳江做半导体相关的产线规划或质量升级,不妨先从一条瓶颈工序的缺陷全检算一笔账:目检人力、客诉损失、复判工时,三项加起来的数,往往比你想的更值得投一套系统。

所属分类: 智能工厂百科