2D ACI 0 程式碼換型，SMT 焊點多品種小批次全檢

在電子製造 PCBA 生產中，微鏈道愛 2D ACI 設備（高分辨 2D 成像 + 深度學習二次判圖, 面向表面/印刷/字元 OCR/裝配缺漏等平面缺陷, 高速線上全檢、微米級、語義誤報過濾）透過其創新性的零程式碼快速換型能力，將傳統 AOI 在多品種小批次場景下的產線停機時間從平均 4-6 小時降低至 5 分鐘以內，極大地提升了生產效率與柔性。

電子 / PCBA 行業正經歷著向多品種小批次（High-Mix, Low-Volume, HMLV）生產模式的快速轉型，以應對市場對定製化、多樣化產品的需求。在這種模式下，SMT 焊點質量檢測面臨前所未有的挑戰。傳統的大批次生產模式下，AOI 設備一旦編程完成，可長時間穩定執行，換型頻率低。然而，HMLV 模式下，產品型號頻繁切換，導致 AOI 設備的檢測程式也需隨之頻繁更換。這不僅涉及重新編程、調整參數，還需要耗費大量時間進行驗證與調試，直接影響了產線節拍和整體生產效率。特別是對於虛焊、連錫、少錫等微米級焊點缺陷，其複雜多變的光學特性和形狀差異，使得人工目檢效率低下且一致性差，而傳統規則 AOI 又難以適應快速換型的要求。微鏈道愛 DaoAI 深刻理解這一行業趨勢，並針對性地推出了 2D ACI 設備，旨在為 HMLV 生產模式下的 SMT 焊點檢測提供一套高效、柔性的解決方案。

痛點: 這道坎為什麼難過

在多品種小批次生產模式下，SMT 焊點檢測的痛點尤為突出，主要體現在以下幾個維度：首先是換型停機時間長，傳統 AOI 設備每次切換產品型號，都需要資深工程師耗費 4-6 小時進行程式編寫、參數調整與驗證，導致產線平均停機時間佔比高，嚴重影響了整體設備效率（OEE）。其次是誤報率居高不下，由於焊點在不同角度、光照下的反光差異，以及元器件和焊盤的微小形變，傳統規則 AOI 系統對虛焊、連錫、少錫等缺陷的誤判率常維持在 5%-10% 之間，需要大量人工復判，增加了人力成本。再者是人工復判效率低下，面對高誤報率，大量良品被誤判為不良品，導致復判人員工作量激增，且長時間高強度目檢容易產生視覺疲勞，漏檢率難以保證低於 0.5%。

造成這些困難的根源在於傳統視覺檢測技術的侷限性。一方面，傳統的規則 AOI 依賴於人工設定的閾值和幾何規則，難以適應焊點形態、尺寸、反光等複雜多變的特徵，尤其在 HMLV 場景下，每次換型都需要重新定義規則集，耗時耗力。另一方面，焊點缺陷的影像特徵往往細微且多樣化，例如虛焊可能表現為焊點不飽滿、形狀不規則，連錫則表現為焊料橋接，少錫則體現為焊料不足或潤溼不良。這些缺陷在不同產品、不同批次之間存在細微差異，使得基於單一特徵或簡單規則的識別方法難以泛化。當前工業質檢大模型的興起，正是為了解決傳統方案在複雜缺陷識別和泛化能力上的不足。然而，將大模型直接應用於產線，其模型體積、計算資源需求及訓練樣本的獲取，又為 HMLV 場景帶來了新的挑戰。如何在保證檢測精度的前提下，實現快速換型和低成本部署，成為 HMLV 電子製造行業亟待解決的關鍵問題。

技術原理

微鏈道愛 2D ACI 設備的核心在於其高分辨 2D 成像系統與深度學習二次判圖引擎的有機結合。首先，設備透過多角度、多光譜的高解析度 2D 相機，獲取 SMT 焊點的清晰影像，捕獲包括虛焊、連錫、少錫等在內的微米級缺陷特徵。這些原始影像資料經過預處理後，被送入微鏈道愛自研的 DaoAI ACI OS 作業系統。該系統基於視覺基礎模型，具備強大的特徵認知能力和泛化能力。與傳統 AOI 依賴工程師手動設定規則不同，微鏈道愛 DaoAI 採用 APDT（Active Positive Data Training）正樣本/少樣本學習技術，只需 1-20 張良品影像，即可在 5 分鐘內自動完成模型訓練，實現 0 程式碼編程。這意味著工程師無需編寫任何程式碼，只需提供少量良品樣本，系統即可快速學習並建立起對“合格焊點”的認知模型。

當檢測到潛在缺陷時，深度學習二次判圖機制會啟動，對可疑區域進行更深層次的分析。這個過程類似於人類專家的“二次確認”，但效率和準確性遠超人工。微鏈道愛 2D ACI 設備的語義誤報過濾功能，是其區別於傳統方法的重要優勢。傳統規則 AOI 往往會因為光線、陰影、元器件標識等非缺陷因素產生大量誤報，而 DaoAI 的深度學習模型能夠理解影像的“語義”，區分真正的缺陷與背景噪聲，從而將誤報率降低 85% 以上。相較於傳統規則 AOI 僵硬的閾值判斷和人工目檢的低效與主觀性，微鏈道愛 DaoAI 的技術原理在於透過深度學習模型，賦予系統“學習”和“理解”的能力，使其能夠自我適應複雜多變的生產環境和缺陷類型，尤其在 HMLV 場景下，其快速換型能力將傳統 AOI 的數小時換型時間壓縮至數分鐘，顯著提升了產線的柔性與效率。

典型應用場景

• **SMT 焊點虛焊檢測：** 微鏈道愛 2D ACI 設備透過高分辨成像捕獲焊點不飽滿、潤溼角異常等細微特徵。傳統方法難以區分虛焊與正常焊點反光差異，而 DaoAI 的深度學習模型能學習並識別這些語義特徵，準確判斷虛焊。
• **SMT 焊點連錫檢測：** 對於焊料橋接導致的連錫，設備能精確識別焊盤之間微小的焊料連接。傳統規則 AOI 容易受錫珠、飛濺物干擾，而微鏈道愛 DaoAI 的語義誤報過濾能有效區分真假連錫，降低誤報。
• **SMT 焊點少錫/缺錫檢測：** 針對焊料不足或完全缺失的缺陷，DaoAI 2D ACI 透過影像分析焊點覆蓋面積與高度（透過 2D 影像的灰度資訊間接判斷），傳統方法對少錫的閾值設定困難，而微鏈道愛系統能透過學習正常焊點的形態分佈進行精準判別。
• **元器件極性反向檢測：** 雖然本案例主要關注焊點，但微鏈道愛 2D ACI 設備同樣能高效識別電阻、電容等元器件的極性標記。透過 OCR 功能，識別並比對絲印資訊，確保安裝方向正確，避免因極性反向導致的電路失效。
• **PCBA 表面劃傷/髒汙檢測：** 設備還能檢測 PCBA 表面細微的劃痕、油汙、異物等缺陷。這些缺陷在不同光照下呈現複雜特徵，傳統方法易漏檢或誤報，而 DaoAI 的泛化能力能更準確地識別各類表面瑕疵。

落地案例

一家專注於定製化工業控制板生產的 tier-1 供應商，其產線長期面臨多品種小批次訂單的挑戰。過去，他們使用傳統規則 AOI 進行 SMT 焊點檢測，每次產品換型都需要資深工程師耗費數小時（平均 4.5 小時）重新編程和調試，導致產線停機時間長，產能利用率低下。此外，傳統 AOI 對虛焊、連錫等複雜焊點的誤報率高達 8%，大量良品被誤判，需要額外配備 3-4 名員工進行人工復判，嚴重拖累了整體生產節拍。為了解決這些痛點，該供應商引入了微鏈道愛 2D ACI 設備。上線過程中，微鏈道愛團隊協助客戶完成了設備整合與初期模型訓練。該案例中令人印象深刻的是，工程師只需提供 10-15 張良品板的影像，DaoAI ACI OS 作業系統便能在 5 分鐘內自動生成新的檢測程式，實現了真正的零程式碼快速換型。上線後，產線停機時間顯著縮短，誤報率也大幅降低。

微鏈道愛 2D ACI 設備以其零程式碼快速換型能力，將多品種小批次生產的換型時間從數小時壓縮至數分鐘，徹底改變了我們產線的柔性與效率。

微鏈道愛解決方案與產品

微鏈道愛提供的核心解決方案是基於 2D ACI 設備，專為解決電子製造 HMLV 場景下的 SMT 焊點檢測痛點而設計。該設備搭載高分辨 2D 成像系統，能夠捕捉焊點微米級的細節。其核心優勢在於整合了 DaoAI ACI OS 作業系統，該系統基於先進的視覺基礎模型和 APDT 少樣本自訓練技術。這意味著客戶無需投入大量時間和資源進行缺陷樣本的收集和標註，只需提供 1–20 張良品影像，系統即可在 5 分鐘內自動完成學習，實現 0 程式碼快速換型。這種“一塊良品 5 分鐘 0 程式碼自動編程”的能力，徹底改變了傳統 AOI 耗時耗力的編程模式，極大地提升了產線換型的效率和柔性。此外，微鏈道愛 DaoAI 的語義誤報過濾功能，能有效區分真假缺陷，將誤報率降低 85% 以上，減少了人工復判的工作量。在部署方面，微鏈道愛支援 SDK/API/Docker 等多種整合方式，並提供 100% 本地私有化部署選項，確保客戶資料不出廠，滿足高安全等級要求。

除了 2D ACI 設備，微鏈道愛 DaoAI World 世界模型作為統一底座，能夠實現語義理解、跨場景泛化和從產線反饋持續學習，進一步提升了系統的智慧化水平。在客戶的 HMLV 產線中，微鏈道愛 2D ACI 設備的部署使得產品換型時間從平均 4.5 小時縮短至 5 分鐘，降低了 98% 的換型停機時間，直接提升了產線稼動率。同時，系統將 SMT 焊點缺陷的誤報率從 8% 降低至 <1.2%，減少了 85% 的人工復判工作量，每年為客戶節省了大量人力成本。焊點缺陷的檢出率穩定在 99.4% 以上，確保了產品的高質量出廠。這些量化成效不僅體現在生產效率的提升上，更在於賦予了客戶產線前所未有的柔性和適應性，使其能夠更快速地響應市場需求，贏得競爭優勢。

本場景的完整方案：電子 / PCBA 的完整檢測方案

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。