AI AOI 軟體系統助力解決 PCBA 裝配缺陷

隨著智慧製造浪潮的推進，工業視覺質檢在電子/PCBA 行業的重要性日益凸顯。微鏈道愛的 AI AOI 軟體系統為解決 PCBA 裝配問題帶來了新的突破。

在當今智慧製造的大趨勢下，電子/PCBA 行業正面臨著前所未有的變革與挑戰。工業視覺質檢作為保障產品質量的關鍵環節，其重要性愈發凸顯。某頭部電子製造廠商的 PCBA 裝配產線，主要承擔著各類電子產品印刷電路板元件（PCBA）的生產任務。在 PCBA 的裝配工序中，對元器件的質量把控至關重要，需要對 PCBA 上的元器件進行缺漏件檢測以及聯結器的錯裝檢測，檢測物件涵蓋各種貼片元件、外掛元件和聯結器等。這些元器件的正確安裝與否直接影響著最終電子產品的效能和穩定性。

痛點：為什麼難

傳統的 PCBA 檢測方法在當今智慧製造的浪潮中面臨著重重困境。從量化資料來看，該廠商此前採用人工目檢和傳統 AOI 裝置結合的方式，漏檢率高達 3%，這意味著每 100 個產品中就可能有 3 個存在缺陷卻未被檢測出來。誤報率更是達到了 20%，大量的誤報不僅導致大量的產品需要進行復檢，極大地增加了人力成本，還嚴重影響了生產效率。在產品換型方面，傳統程式設計方式需要花費 30 分鐘以上進行重新程式設計，這對於追求高效生產的產線來說，嚴重影響了產線的靈活性。

造成這些問題的根因在於，人工目檢存在主觀性和疲勞性。長時間的檢測工作容易導致檢測人員出現視覺疲勞，從而降低檢測的準確性。而且，人工檢測對於微小的缺陷和複雜的裝配情況難以做到精準判斷。傳統 AOI 裝置雖然具備一定的檢測能力，但它的程式設計方式較為複雜，需要專業的技術人員進行操作。在面對產品換型時，需要重新編寫大量的程式，這不僅耗時耗力，還容易出現程式設計錯誤。此外，隨著行業對產品質量要求的不斷提高，傳統檢測方法在面對日益嚴格的合規標準時顯得力不從心。

技術原理

微鏈道愛的 AI AOI 軟體系統基於先進的視覺基礎模型進行特徵認知。該模型運用深度學習演算法，對大量的 PCBA 影象資料進行深入學習和分析。透過這種方式，系統能夠準確地識別出各種元器件的特徵，包括它們的形狀、大小、顏色、位置等。與傳統方法相比，傳統的檢測方法往往是基於預設的規則進行檢測，對於一些複雜的情況和微小的缺陷難以準確識別。而 AI AOI 軟體系統則能夠透過學習大量的資料，不斷最佳化自身的檢測能力，從而實現更精準的檢測。

在缺漏件檢測方面，系統可以快速掃描 PCB 上的各個位置，將實際檢測到的元器件與預先學習的標準模型進行對比。如果發現某個位置應該存在元件但實際缺失，系統就能夠迅速發出警報。對於聯結器錯裝檢測，系統能夠根據聯結器的形狀、位置和引腳特徵等進行精確判斷。它可以識別出聯結器是否安裝正確，引腳是否對齊等問題。此外，系統還具備一些先進的功能。微鏈道愛的一塊良品 5 分鐘 0 程式碼自動程式設計功能，利用先進的影象分析技術，能夠在短時間內對良品進行自動學習和程式設計，無需編寫複雜的程式碼，大大縮短了程式設計時間。APDT 正樣本/少樣本學習功能，透過僅需 1-20 張良品的少量正樣本，系統就能快速學習到產品的正常特徵，從而有效地識別出缺陷產品。語義誤報過濾功能，系統能夠根據語義資訊對誤報進行過濾，減少不必要的誤報，提高檢測的準確性。支援 SDK/API/Docker 100% 本地私有化部署方式，確保資料不出廠，保障了資料的安全性和隱私性。

典型應用場景

• 貼片元件缺漏檢測：在 PCBA 生產過程中，貼片元件的安裝數量眾多且尺寸微小。檢測時，系統透過高解析度的成像裝置獲取 PCB 的影象，然後利用深度學習演算法對影象中的貼片元件進行識別和計數。難點在於貼片元件可能會出現堆疊、偏移等情況，影響檢測的準確性。系統需要透過對影象的多角度分析和特徵提取，來準確判斷貼片元件是否缺失。
• 外掛元件插裝錯誤檢測：外掛元件通常具有特定的引腳和安裝方向。系統在檢測時，會根據預先學習的外掛元件特徵，對其引腳的位置和方向進行檢測。難點在於外掛元件的引腳可能會出現彎曲、變形等情況，導致檢測難度增加。系統需要透過對引腳的形狀和角度進行精確分析，來判斷外掛元件是否插裝正確。
• 聯結器錯裝檢測：聯結器的形狀和引腳特徵各不相同。系統透過對聯結器的外觀和引腳排列進行識別，判斷其是否安裝在正確的位置。難點在於聯結器的外觀可能相似，容易混淆。系統需要透過對聯結器的細節特徵進行比對，來準確識別聯結器的錯裝情況。
• 焊點缺陷檢測：焊點的質量直接影響著 PCBA 的電氣效能。系統透過高對比度的成像技術獲取焊點的影象，然後對焊點的形狀、大小、顏色等特徵進行分析。難點在於焊點的缺陷可能非常微小，需要系統具備高解析度的檢測能力和精準的影象分析演算法。
• 極性元件極性檢測：極性元件如電容、二極體等需要正確安裝極性。系統透過對極性元件的標記和位置進行識別，判斷其極性是否正確。難點在於極性標記可能會模糊不清，需要系統透過對元件周圍環境的分析來輔助判斷極性。

落地案例

該案例中的客戶是一家頭部電子製造廠商，規模龐大，擁有多條 PCBA 裝配產線。在決定引入微鏈道愛的 AI AOI 軟體系統之前，廠商面臨著產品檢測效率低下、質量難以保證等問題。在上線過程中，微鏈道愛團隊首先對廠商現有的檢測裝置和生產流程進行了詳細的調研和分析，然後將 AI AOI 軟體系統與現有的檢測裝置進行了順暢整合。經過一段時間的除錯和最佳化，系統正式投入使用。

引入微鏈道愛的 AI AOI 軟體系統後，該廠商的 PCBA 檢測效率和質量得到了顯著提升。

微鏈道愛解決方案與產品

微鏈道愛以 AI AOI 軟體系統為核心，為該廠商提供了完整的 PCBA 檢測解決方案。系統可以與工廠現有的檢測裝置進行整合，實現快速部署。在產品換型時，微鏈道愛只需 5 分鐘即可完成新的程式設計，大大提高了產線的換型效率。同時，系統的 APDT 正樣本/少樣本學習能力，使得只需要少量的良品樣本就可以完成模型訓練，降低了樣本收集的難度和成本。此外，語義誤報過濾功能有效地減少了誤報，提高了檢測效率。配套的 DaoAI 2D / 3D AI AOI 裝置可以提供更全面的檢測，對隱藏焊點等進行精確檢測。

量化成效

應用微鏈道愛的 AI AOI 軟體系統後，該廠商的 PCBA 檢測取得了顯著的成效。微鏈道愛的檢出率提高到了 99%，這意味著幾乎所有的缺陷產品都能夠被檢測出來。漏檢率降低至 1% 以下，大大減少了有缺陷產品流入市場的風險。誤報率降低了 -70%，減少了大量的複檢工作，提高了生產效率。產品換型時間從原來的 30 分鐘以上縮短到 5 分鐘，極大地提高了產線的靈活性和生產效率。這些量化資料充分證明了微鏈道愛 AI AOI 軟體系統在提升 PCBA 檢測質量與效率方面的強大能力。

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。