如何评估 AI AOI 系统再购买

评估 AI AOI 系统应通过在您自己的板上复现其宣称的性能，而不是比较规格表。带六类板（您最难的高混批生产任务、同色元器件、有标记的电感器、没有 CAD 数据的生产任务、已知真实缺陷的板，以及当前误报最严重的板），然后测量五项指标：编程时间、误报率、已知缺陷的漏检率、操作员上手速度和运行一致性。以您现有产线为基准进行评分，而不是以供应商的数据为基准。

每个 AOI 供应商都会公布精度数据，包括我们。这些数据的价值取决于您在自己的产品上复现它们的能力。本文是我们认为买家应该执行的方案：带什么、测量什么、运行多久以及合格结果是什么样的。它适用于任何供应商的机器，我们宁愿您在我们的机器上运行此方案，也不愿您轻信我们的话。

为什么不能相信 AOI 精度数据？

AOI 精度数据很少具有可比性，因为分母不同。检测率可以按元器件、按板或按缺陷类别引用，这三个基准在同一台机器上可能相差几个数量级。误报率也存在同样的问题。公布的数据还省略了产生这些数据的板、缺陷集和阈值策略。这些数据不一定是不诚实的。它们只是无法移植到您的产线。

对公开声明的快速调查显示了其差异。2025 年和 2026 年的独立和供应商来源报告称，误报减少 30% 到 40%，误拒减少 70% 到 85%，关键焊点检测率达到 98% 到 99%，具体取决于来源（Overview.ai 2025；Boolean & Beyond 2026；Jidoka 2026）。我们自己的宣传册声称误报减少高达 80%，检测精度达到 98% 或更高（DaoAI 报告）。这些范围与其说是相互矛盾，不如说是描述了不同的实验，而这些实验都没有足够详细的文档来重复。

三个问题可以消除大部分困惑，您可以向任何数据提出这些问题，包括我们的：

• 基于什么？基于检测的元器件数量、板数量或标记事件数量。坚持要求提供分母。
• 在哪些板上？是为演示而设计的板，还是包含第二供货商零件的高混批生产任务。
• 在哪个阈值设置下？检测率和误报率是相互制约的。一个没有对应数据的数字毫无意义。

所有这些并不意味着测试是无望的。它意味着测试必须在您的工厂进行。

AOI 演示时应该带哪些板？

带六类板，每类板都针对特定的能力：您最难的高混批生产任务、带有同色元器件的板、带有标记片式电感器或晶体振荡器的板、没有 CAD 数据的生产任务、预先植入或记录已知真实缺陷的板，以及目前误报率最高的板。供应商会提供他们自己的演示板。这些板能告诉您机器擅长什么，但这并不是您要回答的问题。

关于已知缺陷板，需要注意。您需要有记录的真实缺陷，而不是模拟缺陷：从您自己的报废品中取出的电路板，缺陷列表经您的验证站根据 IPC-A-610 标准确认。在演示期间，请勿透露缺陷列表。如果系统是针对供应商事先知道的缺陷进行评估，那么这种评估是不准确的。

同时带上普通的电路板。一个简单、高良率的作业可以确定您的误报下限。如果系统在简单作业上产生噪声，那么它在复杂作业上的表现也无法弥补。

您应该实际测量什么？

测量五项内容：编程时间（从收到电路板到首次检测的秒表计时）、误报率（误报数量除以检测的元器件数量，使用一致的分母）、漏检率（发现的已知缺陷数量除以存在的已知缺陷数量）、操作员上手速度（非工程师是否能独立完成换型）、以及重复性（同一块电路板运行三次，比较结果）。在测量过程中记录下这些数字。演示室的印象会在一天内消退。

这五项，具体计算方法如下：

• 编程时间。从板子到达机器时开始计时，到首次检测开始时停止。包括所有环节：数据导入、库操作、区域绘制、阈值设置。供应商声称的设置速度通常不包括耗时最长的部分。关于具体步骤，请参阅无 CAD 编程的工作原理。
• 误报率。误报数量除以检测的元器件数量，以 PPM 或百分比表示。选择一个分母，并将其用于评估的每个系统，包括您现有的系统。这一单一的规范使得比其他任何步骤都多的比较变得有效。
• 漏检率。已知的缺陷中被检测到的数量除以实际存在的已知缺陷数量，基于您有记录的缺陷板。这个数字是保护您的关键。一个将误报率减半但漏掉一类真实缺陷的系统并没有帮助您。
• 操作员上手时间。让产线操作员（而不是工艺工程师，也不是供应商的应用工程师）从头到尾完成一次换型。计时。记录他们需要帮助的每一个时刻。如果工作流程只能由专家操作，那么您的员工配置计划就需要改变了。
• 重复性。在不更改设置的情况下，对同一块板子运行三次。比较标记结果。相同运行之间的差异是测量系统的噪声，它限制了任何阈值调整所能达到的效果。这是 AOI 版本的 Gage R&R 检查，也值得在您现有的机器上进行，因为基线可能会让您感到惊讶。

在测试期间将结果记录在一张纸上。供应商 A 对比供应商 B 对比您当前的产线，相同的五行。

试运行应该持续多久？

两小时的演示可以测量编程时间、明显的误报、已知缺陷的漏检行为以及操作员上手时间。它无法测量误报是否会随时间下降、系统如何处理元器件批次变更，或者生产量下的真实漏检率。这些需要两到四周的产线测试。将演示视为筛选，将试运行视为决策。

每个阶段实际能告诉您什么：

两小时演示，真实范围。设置时间在这里是真实且可测量的。相同颜色和标记行为也是如此，因为这些是单图像问题。操作员上手时间会立即显现。您的已知缺陷板上的漏检行为在一定程度上是有效的，因为它是一个板子的样本。

两到四周的产线测试，只有这能揭示。误报率是否会随着操作员反馈修正而下降，这是区分学习系统和静态系统的机制（机制在此）。新的元器件批次或第二供应商的零件是否会引发问题。漏检率是否在批量生产中保持稳定，而不是在单个样本上。维护负担是否与供应商描述的一致。

关于人们过早得出结论的两个警告。演示无法验证学习能力，因为学习需要生产反馈和时间。在供应商准备好的机器上运行的演示，对于您的团队在三个月后能否维护机器没有任何参考价值。询问您进入之前机器是什么样子。

合格的结果是什么样的？

将合格标准设定为相对于您自己的产线，而不是一个绝对数字。基准化您当前的编程时间、误报率、漏检率和复检人员数量，然后提前决定多少改进才能证明购买和中断是合理的。在演示前写下阈值是保持决策公正的关键，因为当供应商操作时，每个系统看起来都令人印象深刻。

一份值得在任何人来访之前填写的评分表：

填写此表有两条规则。首先，漏检行是一个门槛，而不是权衡：一个系统如果提高了其他所有指标却放过了真实缺陷，那么它就是失败的，无论其他列表现如何。其次，在演示之前确定中间列。事后设定的阈值是合理化。

如果您仍在缩小机器类型和配置的范围，而不是验证声明，那么选型指南涵盖了该阶段，包括值得询问每个供应商的七个问题。

常见问题

如果供应商不允许我带自己的板子怎么办？

将其视为一个答案。保密限制是真实存在的，可以通过 NDA 处理，但一个供应商在任何安排下都不愿运行您的产品，这说明他们的数据只在他们自己的板子上有效。所有严肃的评估都应在买方的产品上进行。

我需要多少块板子才能使结果有意义？

对于演示，六个类别的覆盖范围比数量更重要。对于试运行，您需要足够的生产板，以使误报率稳定而不是偶然，这实际上意味着正常运行生产线两到四周，而不是数到特定数量。

供应商的工程师可以在试运行期间调整系统吗？

可以，让他们调整。只需记录他们所做的每一次调整。该日志是您的维护预测：应用工程师在试运行期间所做的一切工作，之后都将由您公司的人员负责。如果日志很长，请询问在第六个月由谁来做这些工作。

在试运行中表现良好的 AI 系统在后续生产中会退化吗？

需要询问的故障模式是漂移：当组件批次、板版本或照明在模型训练后发生变化时会发生什么。从操作员反馈中学习的系统旨在吸收这些变化，DaoAI 报告误报率随使用而下降而不是上升（DaoAI 报告）。询问任何供应商模型如何更新、谁触发更新以及板版本变化时会发生什么。

对我们执行测试协议

对您备选清单上的所有机器执行此协议。如果我们的机器在其中，请带上六块板，保留您的缺陷列表，并要求我们使用与其他供应商相同的评分表。

继续阅读

如何计算 AOI 投资回报 ROI 和回收期 payback

供应商的 ROI 计算器会替您决定假设条件。这里是完整的模型：八条成本线，误报 false call 和漏检 escape 节省的计算公式，以及两个已完成的场景，其中一个场景不产生回报。

2026年8月25日

如何为高混合 PCB 组装选择 AOI

规格是入场券。在高混合生产线上真正的区别在于：编程输入、换型 changeover 时间和误报 false call 负担。七个问题揭示了这些差异。

2026年8月5日

如何减少 AOI 误报 false call：根本原因和解决方案

哪些 AOI 误报 false call 可以通过调整消除，哪些误报 false call 存在于阈值 threshold 层之下，以及如何在购买更多调整服务之前区分它们。

2026年7月28日

订阅以获得即时优化的收件箱

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 →