AI視覺技術助力MLCC等被動元件微裂紋檢測

在電子/PCBA行業，MLCC等被動元件的微裂紋檢測至關重要。傳統檢測方法存在諸多問題，而AI視覺技術為解決這些問題提供了有效途徑。

使用者場景：某頭部電子/PCBA廠商的生產線上，在MLCC等被動元件的組裝工序後，需要對元件進行微裂紋檢測。MLCC作為常見的被動元件，廣泛應用於各類電子產品中，其微裂紋的存在可能會影響產品的效能和穩定性，因此對微裂紋的檢測是保證產品質量的關鍵環節。

痛點：傳統的檢測方法主要依賴抽檢，無法實現100%全檢，導致漏檢率較高，據統計漏檢率可達3%左右。同時，人工檢測的誤報率也較高，約為15%，這不僅增加了人力成本，還降低了生產效率。而且，在產品換型時，傳統檢測裝置的程式設計和除錯時間較長，一般需要30分鐘以上，嚴重影響了產線的靈活性和生產節拍。此外，隨著行業質量標準的提高，傳統檢測方法難以滿足合規要求。

技術原理

微鏈道愛的AI視覺技術採用先進的演算法和成像原理來解決微裂紋檢測問題。在演算法方面，運用了深度學習演算法，透過大量的樣本資料進行訓練，使模型能夠準確識別微裂紋的特徵。深度學習演算法具有強大的特徵提取和分類能力，能夠從複雜的影象中提取出微裂紋的細微特徵，從而實現高精度的檢測。在成像方面，採用自研的3D相機進行影象採集，3D相機能夠獲取元件的三維形貌資訊，相比傳統的2D成像，能夠更全面地展示元件的表面情況，對於隱藏在元件內部或側面的微裂紋也能清晰成像。這種三維形貌重建技術使得微鏈道愛的AI視覺系統能夠檢測到微米級的微小裂紋，大大提高了檢測的精度和可靠性。

• 深度學習演算法能夠自動學習微裂紋的特徵，避免了傳統演算法需要人工設計特徵的侷限性。
• 3D相機的使用提供了更豐富的影象資訊，有助於提高檢測的準確性。
• 三維形貌重建技術可以將元件的表面資訊進行精確還原，為微裂紋的檢測提供更可靠的依據。
• 透過不斷的模型訓練和最佳化，系統能夠適應不同型別和規格的MLCC元件的檢測需求。

微鏈道愛解決方案與產品

微鏈道愛提供了DaoAI AI AOI軟體系統和DaoAI 2D / 3D AI AOI裝置來解決MLCC等被動元件微裂紋檢測問題。DaoAI AI AOI軟體系統具有強大的特徵認知能力，基於視覺基礎模型，能夠實現一塊良品5分鐘0程式碼自動程式設計。採用APDT正樣本/少樣本學習技術，僅需1 - 20張良品樣本即可完成模型訓練，大大縮短了模型訓練時間。同時，該軟體系統還具備語義誤報過濾功能，能夠有效降低誤報率。DaoAI 2D / 3D AI AOI裝置自研3D相機，結合三維形貌重建技術，能夠檢測隱藏焊點、共面度以及微米級形貌，為微裂紋的檢測提供了更全面的解決方案。在落地實施時，微鏈道愛將軟體系統和裝置進行整合，透過SDK / API / Docker進行部署，支援100%本地私有化，確保資料不出廠，保障了客戶的資料安全。

微鏈道愛的AI視覺技術為MLCC等被動元件微裂紋檢測提供了高效、準確、安全的解決方案。

量化成效：透過使用微鏈道愛的解決方案，該頭部電子/PCBA廠商的MLCC等被動元件微裂紋檢測檢出率達到了98%以上，漏檢率降低至<2%。誤報率降低了 - 70%，大大減少了人工複檢的工作量。產品換型時間從原來的30分鐘以上縮短至5分鐘，提高了產線的靈活性和生產效率。

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。