AOI的真相：它真的省心吗？
很多人对AOI（自动光学检测）有误解。觉得相机一拍，电脑一判，不良品自动踢出来。完美。可实际产线上，哪有这么简单。 AOI的本质是图像比对。先采集一片“金板”——也就是完美的样板，作为参考。然后每片待测板的图像跟它比对，找出差异。差异大了，就算缺陷。这逻辑没毛病，但问题是：什么是“差异大”？ 全靠工程师设阈值。设松了，连锡、少锡漏过去；设严了，误报率飙升，操作员天天追着复判，最后干脆把报警全忽略。 u2003u2003u2003u2003
从AOI到深度学习检测，我们经历了什么
2019年，我们终于上了深度学习检测。号称AI视觉，能像人一样“学习”缺陷。心里那个期待啊。 说实话，落地过程真是一言难尽。 传统AOI靠规则——尺寸、面积、灰度。深度学习呢？给一堆缺陷图片，训练个模型，它自己找特征。听起来很酷，但首先你得有大量缺陷样本。可我们工厂良率一直控在99%以上，哪来那么多缺陷照片？为了凑训练集，我们故意造了一批不良品——短路、空焊、错件——人都快神经了。 好不容易模型训练好了，线上测试，准确率98%。还不错？等等，那2%是什么？是漏检。其中有一张，BGA下面轻微气泡，人眼都很难看出来，但X-ray下很明显。模型没学到，因为训练集里X-ray的BGA气泡图太少。不同检测手段得到的图像特征差异巨大。光学拍照、X-ray、红外热成像……深度学习模型往往只擅长训练过的那个域。你要把模型从2D AOI直接搬到3D X-ray上？别做梦了，必须重新标注数据，重新训练。
问：小批量多品种的工厂，上自动化检测划算吗？
答：说实话，挺难受的。AOI换型时间太长，深度学习模型重新训练又需要样本积累。有一次我们接了个500片的打样单，专门花两天调程序，结果检测时发现误报太多，最后还是人工全检了。我建议这种场景优先考虑通用性强的视觉系统，或者半自动设备。比如用智能相机加灵活的软件，允许快速示教，而不是一上来就搞全自动线。或者，就用工业内窥镜、便携式显微镜这类手工检测工具，让熟练工人来判读，效率可能更高。等量大了再考虑专机。
选择检测设备的血泪教训
我们买过一台某品牌的在线X-ray。参数豪华，3D CT功能，能看BGA气泡率。结果到货才发现，设备对震动极其敏感。我们车间平常有叉车经过，它图像就抖。最后不得不挖地基、加气浮平台，成本比设备还贵。所以啊，买检测设备，先看环境要求，再看技术指标。 别被手册上的分辨率骗了，那都是实验室条件。 另一个教训：软件体验。有一台国产视觉检测仪，硬件不差，但软件界面反人类。设置个检测区域要点七八下，操作员记不住，天天来找我们。后来没办法，自己写了宏。用了不到两年，还是换了。现在买设备我都要求：软件必须支持脚本语言，必须能导出数据到MES。数据封闭的，再便宜也不要。因为工业检测数据太重要了——它是工艺改善的眼睛。你知道波峰焊温度曲线该怎么调吗？不知道？看检测数据啊！焊点形态、空洞率、锡珠分布……这些数据累积起来，能直接指导前工序。我们利用SPC分析AOI检测出的偏移量，发现贴片机某个吸嘴磨损，提前换了，避免了几万片的报废。这就是工业检测数据的价值。问：我们都用自动检测代替人工了，为什么还要保留目检岗位？
答：这个问题好多人问。我可以明确说：目检永远无法完全取代。 因为人的模糊识别能力至今无可匹敌。一个经验丰富的质检员，看一眼焊点光泽度就知道温度是不是偏高。这个“感觉”，检测设备学不到——至少目前学不到。我们厂的策略是：AOI初筛，剔除明显缺陷；X-ray抽检，管控隐藏风险；人工在最后抽检，专门找那些“感觉不对”的板子。有一次，一块板子AOI全过，但老质检拿起来看了几秒，就说“这个BGA好像歪了0.1mm”。我们上3D扫描仪一量，果然偏了0.13mm。这种直觉，来自多年的经验沉淀。所以，工业检测的最高境界不是无人，而是人机协同。让设备干它擅长的重复性比对，让人干只有人能干的模糊判断。