電子製造行業中，SMT 焊點質量直接影響產品效能與穩定性。微鏈道愛 2D AI AOI 裝置以其獨特技術優勢，為 SMT 焊點檢測提供了可靠保障。
在電子/PCBA 行業，SMT（表面貼裝技術）作為一種關鍵的電子組裝工藝，被廣泛應用於各類電子產品的生產中。SMT 焊點的質量對於產品的效能和穩定性起著決定性作用。某頭部電子製造廠商的 SMT 產線，主要負責生產各類 PCBA（印刷電路板元件）產品。在 SMT 貼片工序完成後，需要對 PCB 板上的焊點進行嚴格檢測。檢測物件涵蓋了虛焊、連錫、少錫等多種 SMT 焊點缺陷，這些缺陷可能會導致產品效能不穩定，甚至在使用過程中出現故障，因此對焊點質量的檢測要求極高。
痛點：為什麼難
傳統的 SMT 焊點檢測方法存在諸多量化困境。首先，漏檢率較高是一個突出問題。據統計，傳統方法的漏檢率達到約 2%，部分微小的虛焊、少錫等缺陷容易被忽略。這是因為傳統檢測技術在解析度和特徵識別能力上存在侷限性，難以捕捉到焊點細微的變化和缺陷特徵。例如，微小的虛焊可能僅表現為焊點與引腳之間極細微的接觸不良，傳統裝置的成像精度和演算法無法準確識別這種細微差異，從而導致漏檢，使不良產品有流入市場的風險。
其次，誤報情況嚴重也是傳統檢測方法的一大弊端。誤報率約為 30%，大量的誤報不僅增加了人工複檢的工作量，還降低了產線的生產效率。傳統檢測方法往往依賴於預設的固定規則和閾值進行判斷，而實際生產中的焊點情況複雜多樣，受到焊接工藝、環境因素等多種影響，導致很多符合質量要求的焊點被誤判為缺陷，從而產生大量誤報。
此外，傳統檢測方法在換型時需要耗費大量時間進行程式設計和除錯，換型時間長達 30 分鐘。這是因為傳統裝置的程式設計需要專業人員根據不同的產品型號和焊點佈局進行復雜的引數設定和規則編寫，而且在除錯過程中還需要不斷進行測試和調整，以確保檢測的準確性。這嚴重影響了生產的靈活性，無法快速響應市場需求的變化。
技術原理
微鏈道愛 2D AI AOI 裝置採用高分辨 2D 成像技術，其配備的高解析度相機能夠捕捉到焊點的細微特徵，為後續的缺陷分析提供清晰、準確的影象資料。與傳統成像技術相比，高分辨 2D 成像技術具有更高的畫素密度和更寬的動態範圍，能夠清晰地呈現焊點的表面形態和內部結構，即使是微小的缺陷也能一目瞭然。
在影象處理方面，運用了深度學習演算法進行二次判圖。透過對大量焊點影象的學習和訓練，模型能夠準確識別不同型別的焊點缺陷。該演算法之所以有效，是因為它能夠學習到焊點的正常特徵和缺陷特徵之間的差異。例如，對於虛焊缺陷，模型可以學習到虛焊焊點在影象中的灰度值、形狀等特徵與正常焊點的不同之處。而傳統檢測演算法往往只能基於固定的規則進行判斷，無法適應複雜多變的焊點情況。
同時，語義誤報過濾演算法能夠根據焊點的語義資訊，對誤報進行有效過濾，減少不必要的人工複檢。該演算法透過分析焊點在 PCB 板上的位置、功能以及與周圍元件的關係等語義資訊，判斷檢測結果是否為誤報。而傳統方法缺乏這種語義分析能力，只能對檢測結果進行簡單的閾值判斷，容易產生大量誤報。
典型應用場景
- 虛焊檢測：虛焊是 SMT 焊點中常見的缺陷之一，表現為焊點與引腳之間的電氣連線不穩定。微鏈道愛 2D AI AOI 裝置透過高分辨 2D 成像技術捕捉焊點的細微形態變化，利用深度學習演算法分析焊點的灰度值和形狀特徵，準確識別虛焊缺陷。難點在於虛焊的特徵往往比較細微，傳統檢測方法容易漏檢。
- 連錫檢測：連錫是指相鄰焊點之間出現錫橋連線的情況，會導致電路短路。裝置透過高解析度影象清晰地顯示焊點之間的連線狀態，深度學習演算法能夠準確判斷是否存在連錫現象。難點在於連錫的形態和程度各不相同，需要演算法具備較強的適應性和識別能力。
- 少錫檢測：少錫會影響焊點的機械強度和電氣效能。裝置透過分析焊點的灰度值和麵積等特徵，判斷焊點的錫量是否充足。難點在於少錫的程度較難準確量化，需要演算法能夠精確區分正常焊點和少錫焊點。
- 焊球檢測：焊球是焊接過程中產生的多餘錫球，可能會造成短路或其他故障。裝置透過高分辨 2D 成像技術清晰地捕捉焊球的位置和大小，深度學習演算法能夠準確識別焊球並進行標記。難點在於焊球的尺寸和形狀各異，需要演算法具備較高的識別精度。
落地案例
某大型電子製造企業，擁有多條 SMT 產線，每天生產大量的 PCBA 產品。在引入微鏈道愛 2D AI AOI 裝置之前，該企業採用傳統的 SMT 焊點檢測方法，面臨著漏檢率高、誤報嚴重、換型時間長等問題。在上線過程中，微鏈道愛技術團隊對企業的生產流程和檢測需求進行了深入瞭解，為其進行了裝置的安裝和除錯，並對操作人員進行了培訓。經過一段時間的試執行和最佳化，裝置正式投入使用。
引入微鏈道愛 2D AI AOI 裝置後，企業的 SMT 焊點檢測質量和效率得到了顯著提升。
上線前，該企業的焊點缺陷檢出率約為 98%，漏檢率約為 2%，誤報率約為 30%，換型時間長達 30 分鐘。上線後，焊點缺陷檢出率提高到了 99.4%，漏檢率降低到了 <0.6%，誤報率降低了 -63%，從約 30%降低到了約 11.1%，換型時間從 30 分鐘縮短到了 5 分鐘。
微鏈道愛解決方案與產品
以 2D AI AOI 裝置為核心，微鏈道愛提供了一套完整的 SMT 焊點檢測解決方案。該裝置具有高速線上全檢能力，能夠在微米級精度下對焊點進行檢測，確保不放過任何微小缺陷。在程式設計方面，搭配 DaoAI AI AOI 軟體系統，一塊良品只需 5 分鐘即可完成 0 程式碼自動程式設計，大大縮短了換型時間。同時，APDT 正樣本/少樣本學習功能，僅需 1-20 張良品即可完成模型訓練，提高了檢測模型的建立效率。此外，語義誤報過濾功能進一步降低了誤報率，提高了檢測的準確性。
量化成效
採用微鏈道愛的解決方案後，取得了顯著的量化成效。首先，焊點缺陷檢出率從之前的約 98%提高到了 99.4%，漏檢率降低到了 <0.6%。其次，誤報率降低了 -63%，從約 30%降低到了約 11.1%，大大減少了人工複檢的工作量。此外，換型時間從 30 分鐘縮短到了 5 分鐘，提高了產線的生產靈活性和效率。
常見問題
微鏈道愛的 2D AI AOI 裝置能解決傳統 SMT 焊點檢測的哪些問題？
微鏈道愛 2D AI AOI 裝置可解決傳統檢測漏檢率高、誤報嚴重、換型時間長的問題。它將檢出率提至 99.4%，降低 63%誤報率，換型時間縮至 5 分鐘，有效提高了檢測質量和生產效率。
微鏈道愛 2D AI AOI 裝置的技術原理是什麼？
該裝置採用高分辨 2D 成像技術，配備高解析度相機捕捉焊點細節，運用深度學習演算法二次判圖，還透過語義誤報過濾演算法，依據語義資訊過濾誤報，提高檢測的準確性和效率。
微鏈道愛解決方案的量化成效如何體現？
採用微鏈道愛解決方案後，焊點缺陷檢出率從約 98%提高到 99.4%，漏檢率降至 <0.6%，誤報率降低 63%，換型時間從 30 分鐘縮短到 5 分鐘，顯著提升了產線效能。
本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。