如何为高混合 PCB 组装选择 AOI

为高混合 PCB 组装选择 AOI 时，要权衡经常性成本而非一次性规格。相机分辨率和板处理能力很重要，但所有认真的供应商都能达到这个标准。在高混合生产线上，区分不同系统的是每次换型所付出的成本：编程需要哪些输入、谁可以操作、需要多长时间，以及误报是自行减少还是在每个新批次后都需要重新调整。

大多数 AOI 采购指南会引导您了解分辨率、照明和板尺寸，然后就停止了。这很有用，但不完整。一台每周需要重新编程三次的机器，与一台每年编程两次的机器，即使它们共享相同的规格表，也是不同的采购。本指南涵盖了需求审计、离线与在线决策、2D 与 3D 问题，以及七个问题，这些问题揭示了系统在蜜月期后将如何实际运行。

选择高混合生产 AOI 时，真正重要的是什么？

对于高混合生产，最重要的选择标准是经常性成本：编程输入要求（CAD 文件、元件库或物理良品样板）、每个新作业的换型时间、是由操作员还是专职工程师操作，以及如何随时间控制误报。硬件规格仍然是基础，但它们是一次性支付的。换型经济性是每周都要支付的。

将规格表视为入场券。能看到最小封装的分辨率、板尺寸范围、传送带兼容性：您入围的任何可靠机器都能通过，供应商也知道这一点，这就是为什么演示会强调这些数字。

权衡的转变发生在您的生产线上，而不是规格表中。如果每月只有一个新作业，编程工作量可以忽略不计。如果每条生产线每周有三个 NPI，编程工作量将成为机器五年成本中的主要项目，甚至超过采购价格。编程工作流程和误报负担是这些成本的来源，它们值得买家通常对光学器件所保留的同等审查。

您的实际需求是什么？

在比较机器之前，请审计您自己的生产线。统计每条生产线每周的 NPI 数量、典型批次大小，以及作业到达时 CAD 数据实际可用的频率。注意谁将负责换型（专职 AOI 工程师或生产线操作员）、当前的误报和返检负担，以及您的节拍是否需要在线门控，或者台边离线设备是否可以满足。这些答案将为后续的每个标准设定权重。

六个问题，诚实回答，即可完成：

• 每条生产线每周有多少新作业？仅此一个数字就决定了编程时间是脚注还是标题。
• 典型运行长度是多少？短运行会放大设置成本。一个 4 小时的程序用于 6 小时的运行是不划算的。
• 客户是否可靠地提供 CAD 和 BOM 数据？在 EMS 中，他们通常不提供，或者数据到达时很晚且有误。依赖 CAD 的工作流程会继承这种混乱。高混合生产车间对此感受最深，而这种障碍的软件方面使其更加复杂。
• 谁可以编程？专职 AOI 工程师是一个真实的员工成本。如果诚实的答案是“任何当班的人”，那么您需要一个操作员可以操作的系统。
• 今天返检的成本是多少？统计每班标记的板子数量和判断它们的人员。除非误报机制实际改变，否则这种负担将转移到新机器上。
• 您的节拍是否需要在线门控？如果板子必须以节拍速度在线停止，您正在选购在线设备。如果检测可以在台边进行，离线设备可以以更低的成本提供灵活性。

写下这六个答案。它们将供应商对话从形容词交流转变为可核实的声明。

离线还是在线：哪种适合您的生产线？

离线 AOI 适用于高混合、小批量生产：它在不停止生产线的情况下进行编程和检测，容忍不规则的作业流程，并且部署成本更低。在线 AOI 在稳定、高吞吐量的生产线上证明其价值，在这些生产线上，板子必须以节拍速度、每次通过都进行检测，并集成传送带和自动化不良品处理。决定因素是节拍要求和换型频率，而不是设备声望。

实用对照：

两点说明。首先，许多多品种生产车间完全使用离线设备，且从未觉得在线设备不可或缺。其次，兼顾两种模式的方案在大规模生产中很常见：在生产运行时，离线编程和验证，然后将验证过的程序加载到在线设备。DaoAI 的 P 系列遵循这种分工，包括离线 P1 和高精度 P2（12MP、10 微米光学器件，适用于精细间距工作），以及在线 P3 和双轨 P3D 以实现高吞吐量；支持离线预编程，以便在不中断生产的情况下准备新产品（DaoAI 报告）。

您需要2D还是3D？

根据您的缺陷帕累托图决定2D还是3D，而不是根据演示。3D增加了高度和体积测量，这在您的漏检是焊锡量缺陷时很重要：焊锡不足、引脚翘起、共面性。如果您的痛点集中在有无、错件、极性、偏移以及由标记引起的误报，那么配备AI分类的现代2D系统能以更低的成本覆盖这些工作集。没有哪个答案是普遍正确的；帕累托图才是。

高度参数是真实存在的。2D图像无法直接测量焊锡量，对于焊点隐藏在本体下方的封装类型，高度数据可以捕捉到灰度图像无法捕捉到的信息。如果这些缺陷目前正在漏检并给您带来下游成本，那么3D物有所值。

另一方面，大多数高混合生产中的误报痛点都存在于2D领域：批次间外观变化、同色元件、电感器和晶体上密集的标记。这些都是分类问题，它们需要更好的判断力，而不是高度图。基于特征的AI直接解决了这些问题（具体机制请参阅我们的误报分析）。

透明声明：DaoAI的P系列目前以2D形式出货，3D版本已宣布即将推出。无论您评估哪家机器，购买建议都保持不变：列出您上个季度的实际漏检和误报，然后根据该列表进行购买。

揭示换型经济性的七个供应商问题

七个问题可以揭示AOI在高混合生产车间中的表现：编程需要哪些输入、谁进行换型以及需要多长时间、从未见过的元件如何处理、误报如何随时间下降、谁维护元件库、标准如何映射到IPC-A-610，以及数据如何传输到您的MES。向每个供应商提出相同的七个问题，并并排比较答案。

对于每个问题，一个好的答案听起来像什么：

• 编程需要哪些输入？好的答案会明确指出哪些是可选的。如果CAD文件和维护良好的元件库是强制性的，那么您客户的数据习惯就成了您的换型时间表。DaoAI的答案：一块物理良品样板，无需CAD，无需预建库（DaoAI报告；其工作原理）。
• 谁进行换型，需要多长时间？听答案中的职位名称。“您的工艺工程师，几小时内”和“一名产线操作员，几分钟内”描述的是不同的机器。DaoAI报告约5分钟，由操作员操作，而传统编程需要3到5小时（DaoAI报告）。
• 系统从未见过的元件会发生什么？手动库录入是传统答案，这是一项经常性成本。从良品样板本身进行识别可以省去这一步骤。
• 误报如何随时间下降？关键区别在于：工程师是否重新调整阈值，还是操作员反馈自动重新训练判断力？前者是永久性的人工成本；后者是复合增长。DaoAI报告称，与传统AOI相比，误报减少高达80%，检测准确率达到98%或更高（DaoAI报告；请在您的板上验证这两点）。
• 谁维护元件库，每月需要多少小时？如果供应商说“极少”，请询问参考客户的具体数字。库衰减是传统AOI程序悄然腐烂的地方。
• 接受和拒收标准如何映射到IPC-A-610？当前版本是IPC-A-610J (2024)。您希望标准可追溯，以便您的验证站和客户审核使用相同的语言。
• 检测数据如何传输到MES和SPC？开放API优于专有锁定。实时缺陷推送实现了可追溯性和闭环质量；DaoAI提供RESTful API用于MES集成，并内置SPC报告功能（DaoAI报告）。

向我们提出同样的七个问题。欢迎这份清单的供应商正在告诉您一些事情；那些转移话题到相机规格的供应商也是如此。

常见问题

离线AOI足以满足高混合生产吗？

通常情况下，是的。如果检测可以在您的节拍时间内在工作台旁进行，那么离线设备可以以更低的成本和更大的灵活性覆盖高混合生产工作。当板件必须以生产节拍在线通过时，在线设备才变得必要。许多工厂即使在增加在线产能以应对大批量生产后，仍会使用离线设备进行NPI和验证。

一台 AOI 机器的成本是多少？

供应商很少公布标价，而且标价只是答案的一小部分。五年内的总成本是采购价格加上编程人工、复检人工和漏检的成本。在高混合生产线上，人工成本通常超过标价：DaoAI 估计，在传统系统中，仅复检和停线的人工成本就达到每位操作员每年 15,000 到 40,000 美元（DaoAI 报告）。请比较五年总成本，而不是报价。

一台机器能否同时处理 NPI 和生产？

通过离线预编程，实际上是可以的：新产品在生产运行时进行离线编程和验证，然后检测转移到运行该作业的设备上。良品样板工作流程在此有所帮助，因为 NPI 板通常在干净的 CAD 数据到达之前就已经送达。

如何进行有意义的演示评估？

请带上您最差的板，而不是最干净的。包括一块带有相同颜色元器件的板，一块带有标记电感器或晶体振荡器的板，以及一块您没有 CAD 数据的板。让您的操作员，而不是供应商的工程师，进行换型。测量设置时间并计算您的板上的误报数量。一小时的实际操作胜过一天的幻灯片演示。

将这七个问题带到每次演示中

如果您的六个问题审计指出频繁换型和工程覆盖不足，请重点关注经常性成本，并将这七个问题带到每次演示中，包括我们的。DaoAI 的 P 系列在离线（P1/P2）和在线（P3/P3D）设备上运行良品样板工作流程。

继续阅读

如何计算 AOI 的 ROI 和回收期

供应商的 ROI 计算器会为您决定假设。这里是完整的模型：八条成本线，误报和漏检节省的公式，以及两个已完成的场景，其中一个不盈利。

2026 年 8 月 25 日

购买前如何评估 AI AOI 系统

供应商的精度数据在您自己的板上重现之前毫无意义。要带的六块板，要测量的五项内容，以及合格结果是什么样的。

2026 年 8 月 11 日

如何减少 AOI 误报：根本原因和解决方案

哪些 AOI 误报可以通过调整消除，哪些误报低于阈值层，以及在购买下一轮调整服务之前如何区分。

2026 年 7 月 28 日

订阅以立即改善您的收件箱

AI 检测洞察、产品新闻和行业分析。每月一次，无干扰。

英文原文发表于 DaoAI Robotics 官网 →