AI AOI 软件系统助力解决 PCBA 装配缺陷

随着智能制造浪潮的推进，工业视觉质检在电子/PCBA 行业的重要性日益凸显。微链道爱的 AI AOI 软件系统为解决 PCBA 装配问题带来了新的突破。

在当今智能制造的大趋势下，电子/PCBA 行业正面临着前所未有的变革与挑战。工业视觉质检作为保障产品质量的关键环节，其重要性愈发凸显。某头部电子制造厂商的 PCBA 装配产线，主要承担着各类电子产品印刷电路板组件（PCBA）的生产任务。在 PCBA 的装配工序中，对元器件的质量把控至关重要，需要对 PCBA 上的元器件进行缺漏件检测以及连接器的错装检测，检测对象涵盖各种贴片元件、插件元件和连接器等。这些元器件的正确安装与否直接影响着最终电子产品的性能和稳定性。

痛点：为什么难

传统的 PCBA 检测方法在当今智能制造的浪潮中面临着重重困境。从量化数据来看，该厂商此前采用人工目检和传统 AOI 设备结合的方式，漏检率高达 3%，这意味着每 100 个产品中就可能有 3 个存在缺陷却未被检测出来。误报率更是达到了 20%，大量的误报不仅导致大量的产品需要进行复检，极大地增加了人力成本，还严重影响了生产效率。在产品换型方面，传统编程方式需要花费 30 分钟以上进行重新编程，这对于追求高效生产的产线来说，严重影响了产线的灵活性。

造成这些问题的根因在于，人工目检存在主观性和疲劳性。长时间的检测工作容易导致检测人员出现视觉疲劳，从而降低检测的准确性。而且，人工检测对于微小的缺陷和复杂的装配情况难以做到精准判断。传统 AOI 设备虽然具备一定的检测能力，但它的编程方式较为复杂，需要专业的技术人员进行操作。在面对产品换型时，需要重新编写大量的程序，这不仅耗时耗力，还容易出现编程错误。此外，随着行业对产品质量要求的不断提高，传统检测方法在面对日益严格的合规标准时显得力不从心。

技术原理

微链道爱的 AI AOI 软件系统基于先进的视觉基础模型进行特征认知。该模型运用深度学习算法，对大量的 PCBA 图像数据进行深入学习和分析。通过这种方式，系统能够准确地识别出各种元器件的特征，包括它们的形状、大小、颜色、位置等。与传统方法相比，传统的检测方法往往是基于预设的规则进行检测，对于一些复杂的情况和微小的缺陷难以准确识别。而 AI AOI 软件系统则能够通过学习大量的数据，不断优化自身的检测能力，从而实现更精准的检测。

在缺漏件检测方面，系统可以快速扫描 PCB 上的各个位置，将实际检测到的元器件与预先学习的标准模型进行对比。如果发现某个位置应该存在元件但实际缺失，系统就能够迅速发出警报。对于连接器错装检测，系统能够根据连接器的形状、位置和引脚特征等进行精确判断。它可以识别出连接器是否安装正确，引脚是否对齐等问题。此外，系统还具备一些先进的功能。微链道爱的一块良品 5 分钟 0 代码自动编程功能，利用先进的图像分析技术，能够在短时间内对良品进行自动学习和编程，无需编写复杂的代码，大大缩短了编程时间。APDT 正样本/少样本学习功能，通过仅需 1-20 张良品的少量正样本，系统就能快速学习到产品的正常特征，从而有效地识别出缺陷产品。语义误报过滤功能，系统能够根据语义信息对误报进行过滤，减少不必要的误报，提高检测的准确性。支持 SDK/API/Docker 100% 本地私有化部署方式，确保数据不出厂，保障了数据的安全性和隐私性。

典型应用场景

• 贴片元件缺漏检测：在 PCBA 生产过程中，贴片元件的安装数量众多且尺寸微小。检测时，系统通过高分辨率的成像设备获取 PCB 的图像，然后利用深度学习算法对图像中的贴片元件进行识别和计数。难点在于贴片元件可能会出现堆叠、偏移等情况，影响检测的准确性。系统需要通过对图像的多角度分析和特征提取，来准确判断贴片元件是否缺失。
• 插件元件插装错误检测：插件元件通常具有特定的引脚和安装方向。系统在检测时，会根据预先学习的插件元件特征，对其引脚的位置和方向进行检测。难点在于插件元件的引脚可能会出现弯曲、变形等情况，导致检测难度增加。系统需要通过对引脚的形状和角度进行精确分析，来判断插件元件是否插装正确。
• 连接器错装检测：连接器的形状和引脚特征各不相同。系统通过对连接器的外观和引脚排列进行识别，判断其是否安装在正确的位置。难点在于连接器的外观可能相似，容易混淆。系统需要通过对连接器的细节特征进行比对，来准确识别连接器的错装情况。
• 焊点缺陷检测：焊点的质量直接影响着 PCBA 的电气性能。系统通过高对比度的成像技术获取焊点的图像，然后对焊点的形状、大小、颜色等特征进行分析。难点在于焊点的缺陷可能非常微小，需要系统具备高分辨率的检测能力和精准的图像分析算法。
• 极性元件极性检测：极性元件如电容、二极管等需要正确安装极性。系统通过对极性元件的标记和位置进行识别，判断其极性是否正确。难点在于极性标记可能会模糊不清，需要系统通过对元件周围环境的分析来辅助判断极性。

落地案例

该案例中的客户是一家头部电子制造厂商，规模庞大，拥有多条 PCBA 装配产线。在决定引入微链道爱的 AI AOI 软件系统之前，厂商面临着产品检测效率低下、质量难以保证等问题。在上线过程中，微链道爱团队首先对厂商现有的检测设备和生产流程进行了详细的调研和分析，然后将 AI AOI 软件系统与现有的检测设备进行了顺畅集成。经过一段时间的调试和优化，系统正式投入使用。

引入微链道爱的 AI AOI 软件系统后，该厂商的 PCBA 检测效率和质量得到了显著提升。

微链道爱解决方案与产品

微链道爱以 AI AOI 软件系统为核心，为该厂商提供了完整的 PCBA 检测解决方案。系统可以与工厂现有的检测设备进行集成，实现快速部署。在产品换型时，微链道爱只需 5 分钟即可完成新的编程，大大提高了产线的换型效率。同时，系统的 APDT 正样本/少样本学习能力，使得只需要少量的良品样本就可以完成模型训练，降低了样本收集的难度和成本。此外，语义误报过滤功能有效地减少了误报，提高了检测效率。配套的 DaoAI 2D / 3D AI AOI 设备可以提供更全面的检测，对隐藏焊点等进行精确检测。

量化成效

应用微链道爱的 AI AOI 软件系统后，该厂商的 PCBA 检测取得了显著的成效。微链道爱的检出率提高到了 99%，这意味着几乎所有的缺陷产品都能够被检测出来。漏检率降低至 1% 以下，大大减少了有缺陷产品流入市场的风险。误报率降低了 -70%，减少了大量的复检工作，提高了生产效率。产品换型时间从原来的 30 分钟以上缩短到 5 分钟，极大地提高了产线的灵活性和生产效率。这些量化数据充分证明了微链道爱 AI AOI 软件系统在提升 PCBA 检测质量与效率方面的强大能力。

本文由人工智能生成。文中客户案例为基于产品真实能力的模拟场景，成效数字为示例性质；官方标定口径以产品页为准。