如何為高混合 PCB 組裝選擇 AOI

為高混合 PCB 組裝選擇 AOI 時，要權衡經常性成本而非一次性規格。相機解析度和板處理能力很重要，但所有認真的供應商都能達到這個標準。在高混合生產線上，區分不同系統的是每次換型所付出的成本：編程需要哪些輸入、誰可以操作、需要多長時間，以及誤報是自行減少還是在每個新批次後都需要重新調整。

大多數 AOI 採購指南會引導您瞭解解析度、照明和板尺寸，然後就停止了。這很有用，但不完整。一臺每週需要重新編程三次的機器，與一臺每年編程兩次的機器，即使它們共享相同的規格表，也是不同的採購。本指南涵蓋了需求審計、離線與線上決策、2D 與 3D 問題，以及七個問題，這些問題揭示了系統在蜜月期後將如何實際執行。

選擇高混合生產 AOI 時，真正重要的是什麼？

對於高混合生產，最重要的選擇標準是經常性成本：編程輸入要求（CAD 檔案、元件庫或物理良品樣板）、每個新作業的換型時間、是由操作員還是專職工程師操作，以及如何隨時間控制誤報。硬體規格仍然是基礎，但它們是一次性支付的。換型經濟性是每週都要支付的。

將規格表視為入場券。能看到最小封裝的解析度、板尺寸範圍、傳送帶相容性：您入圍的任何可靠機器都能透過，供應商也知道這一點，這就是為什麼演示會強調這些數字。

權衡的轉變發生在您的生產線上，而不是規格表中。如果每月只有一個新作業，編程工作量可以忽略不計。如果每條生產線每週有三個 NPI，編程工作量將成為機器五年成本中的主要專案，甚至超過採購價格。編程工作流程和誤報負擔是這些成本的來源，它們值得買家通常對光學器件所保留的同等審查。

您的實際需求是什麼？

在比較機器之前，請審計您自己的生產線。統計每條生產線每週的 NPI 數量、典型批次大小，以及作業到達時 CAD 資料實際可用的頻率。注意誰將負責換型（專職 AOI 工程師或生產線操作員）、當前的誤報和返檢負擔，以及您的節拍是否需要線上門控，或者臺邊離線設備是否可以滿足。這些答案將為後續的每個標準設定權重。

六個問題，誠實回答，即可完成：

• 每條生產線每週有多少新作業？僅此一個數字就決定了編程時間是腳註還是標題。
• 典型執行長度是多少？短執行會放大設定成本。一個 4 小時的程式用於 6 小時的執行是不划算的。
• 客戶是否可靠地提供 CAD 和 BOM 資料？在 EMS 中，他們通常不提供，或者資料到達時很晚且有誤。依賴 CAD 的工作流程會繼承這種混亂。高混合生產車間對此感受最深，而這種障礙的軟體方面使其更加複雜。
• 誰可以編程？專職 AOI 工程師是一個真實的員工成本。如果誠實的答案是“任何當班的人”，那麼您需要一個操作員可以操作的系統。
• 今天返檢的成本是多少？統計每班標記的板子數量和判斷它們的人員。除非誤報機制實際改變，否則這種負擔將轉移到新機器上。
• 您的節拍是否需要線上門控？如果板子必須以節拍速度線上停止，您正在選購線上設備。如果檢測可以在臺邊進行，離線設備可以以更低的成本提供靈活性。

寫下這六個答案。它們將供應商對話從形容詞交流轉變為可核實的宣告。

離線還是線上：哪種適合您的生產線？

離線 AOI 適用於高混合、小批次生產：它在不停止生產線的情況下進行編程和檢測，容忍不規則的作業流程，並且部署成本更低。線上 AOI 在穩定、高吞吐量的生產線上證明其價值，在這些生產線上，板子必須以節拍速度、每次透過都進行檢測，並整合傳送帶和自動化不良品處理。決定因素是節拍要求和換型頻率，而不是設備聲望。

實用對照：

兩點說明。首先，許多多品種生產車間完全使用離線設備，且從未覺得線上設備不可或缺。其次，兼顧兩種模式的方案在大規模生產中很常見：在生產執行時，離線編程和驗證，然後將驗證過的程式載入到線上設備。DaoAI 的 P 系列遵循這種分工，包括離線 P1 和高精度 P2（12MP、10 微米光學器件，適用於精細間距工作），以及線上 P3 和雙軌 P3D 以實現高吞吐量；支援離線預編程，以便在不中斷生產的情況下準備新產品（DaoAI 報告）。

您需要2D還是3D？

根據您的缺陷帕累託圖決定2D還是3D，而不是根據演示。3D增加了高度和體積測量，這在您的漏檢是焊錫量缺陷時很重要：焊錫不足、引腳翹起、共面性。如果您的痛點集中在有無、錯件、極性、偏移以及由標記引起的誤報，那麼配備AI分類的現代2D系統能以更低的成本覆蓋這些工作集。沒有哪個答案是普遍正確的；帕累託圖才是。

高度參數是真實存在的。2D影像無法直接測量焊錫量，對於焊點隱藏在本體下方的封裝類型，高度資料可以捕捉到灰度影像無法捕捉到的資訊。如果這些缺陷目前正在漏檢並給您帶來下游成本，那麼3D物有所值。

另一方面，大多數高混合生產中的誤報痛點都存在於2D領域：批次間外觀變化、同色元件、電感器和晶體上密集的標記。這些都是分類問題，它們需要更好的判斷力，而不是高度圖。基於特徵的AI直接解決了這些問題（具體機制請參閱我們的誤報分析）。

透明宣告：DaoAI的P系列目前以2D形式出貨，3D版本已宣佈即將推出。無論您評估哪家機器，購買建議都保持不變：列出您上個季度的實際漏檢和誤報，然後根據該列表進行購買。

揭示換型經濟性的七個供應商問題

七個問題可以揭示AOI在高混合生產車間中的表現：編程需要哪些輸入、誰進行換型以及需要多長時間、從未見過的元件如何處理、誤報如何隨時間下降、誰維護元件庫、標準如何對映到IPC-A-610，以及資料如何傳輸到您的MES。向每個供應商提出相同的七個問題，並並排比較答案。

對於每個問題，一個好的答案聽起來像什麼：

• 編程需要哪些輸入？好的答案會明確指出哪些是可選的。如果CAD檔案和維護良好的元件庫是強制性的，那麼您客戶的資料習慣就成了您的換型時間表。DaoAI的答案：一塊物理良品樣板，無需CAD，無需預建庫（DaoAI報告；其工作原理）。
• 誰進行換型，需要多長時間？聽答案中的職位名稱。“您的工藝工程師，幾小時內”和“一名產線操作員，幾分鐘內”描述的是不同的機器。DaoAI報告約5分鐘，由操作員操作，而傳統編程需要3到5小時（DaoAI報告）。
• 系統從未見過的元件會發生什麼？手動庫錄入是傳統答案，這是一項經常性成本。從良品樣板本身進行識別可以省去這一步驟。
• 誤報如何隨時間下降？關鍵區別在於：工程師是否重新調整閾值，還是操作員反饋自動重新訓練判斷力？前者是永久性的人工成本；後者是複合增長。DaoAI報告稱，與傳統AOI相比，誤報減少高達80%，檢測準確率達到98%或更高（DaoAI報告；請在您的板上驗證這兩點）。
• 誰維護元件庫，每月需要多少小時？如果供應商說“極少”，請詢問參考客戶的具體數字。庫衰減是傳統AOI程式悄然腐爛的地方。
• 接受和拒收標準如何對映到IPC-A-610？當前版本是IPC-A-610J (2024)。您希望標準可追溯，以便您的驗證站和客戶稽核使用相同的語言。
• 檢測資料如何傳輸到MES和SPC？開放API優於專有鎖定。實時缺陷推送實現了可追溯性和閉環質量；DaoAI提供RESTful API用於MES整合，並內建SPC報告功能（DaoAI報告）。

向我們提出同樣的七個問題。歡迎這份清單的供應商正在告訴您一些事情；那些轉移話題到相機規格的供應商也是如此。

常見問題

離線AOI足以滿足高混合生產嗎？

通常情況下，是的。如果檢測可以在您的節拍時間內在工作臺旁進行，那麼離線設備可以以更低的成本和更大的靈活性覆蓋高混合生產工作。當板件必須以生產節拍線上透過時，線上設備才變得必要。許多工廠即使在增加線上產能以應對大批次生產後，仍會使用離線設備進行NPI和驗證。

一臺 AOI 機器的成本是多少？

供應商很少公佈標價，而且標價只是答案的一小部分。五年內的總成本是採購價格加上編程人工、複檢人工和漏檢的成本。在高混合生產線上，人工成本通常超過標價：DaoAI 估計，在傳統系統中，僅複檢和停線的人工成本就達到每位操作員每年 15,000 到 40,000 美元（DaoAI 報告）。請比較五年總成本，而不是報價。

一臺機器能否同時處理 NPI 和生產？

透過離線預編程，實際上是可以的：新產品在生產執行時進行離線編程和驗證，然後檢測轉移到執行該作業的設備上。良品樣板工作流程在此有所幫助，因為 NPI 板通常在乾淨的 CAD 資料到達之前就已經送達。

如何進行有意義的演示評估？

請帶上您最差的板，而不是最乾淨的。包括一塊帶有相同顏色元器件的板，一塊帶有標記電感器或晶體振盪器的板，以及一塊您沒有 CAD 資料的板。讓您的操作員，而不是供應商的工程師，進行換型。測量設定時間並計算您的板上的誤報數量。一小時的實際操作勝過一天的幻燈片演示。

將這七個問題帶到每次演示中

如果您的六個問題審計指出頻繁換型和工程覆蓋不足，請重點關注經常性成本，並將這七個問題帶到每次演示中，包括我們的。DaoAI 的 P 系列在離線（P1/P2）和線上（P3/P3D）設備上執行良品樣板工作流程。

繼續閱讀

如何計算 AOI 的 ROI 和回收期

供應商的 ROI 計算器會為您決定假設。這裡是完整的模型：八條成本線，誤報和漏檢節省的公式，以及兩個已完成的場景，其中一個不盈利。

2026 年 8 月 25 日

購買前如何評估 AI AOI 系統

供應商的精度資料在您自己的板上重現之前毫無意義。要帶的六塊板，要測量的五項內容，以及合格結果是什麼樣的。

2026 年 8 月 11 日

如何減少 AOI 誤報：根本原因和解決方案

哪些 AOI 誤報可以透過調整消除，哪些誤報低於閾值層，以及在購買下一輪調整服務之前如何區分。

2026 年 7 月 28 日

訂閱以立即改善您的收件箱

AI 檢測洞察、產品新聞和行業分析。每月一次，無干擾。

英文原文發表於 DaoAI Robotics 官網 →