在消費電子 PCBA 產線中，傳統 AOI 檢測存在諸多問題，而微鏈道愛的 DaoAI AI-AOI 軟體為解決這些問題提供了有效方案。
在消費電子行業，PCBA（Printed Circuit Board Assembly，印刷電路板組裝）產線是至關重要的一環。該產線具有節拍快、板型雜的特點，貼片焊後檢測工作高度依賴傳統的自動光學檢測（AOI，Automated Optical Inspection）裝置。傳統 AOI 裝置基於規則與模板匹配的方式進行檢測，在一定程度上能夠檢測出焊接缺陷，但隨著生產規模的擴大和產品複雜度的增加，其侷限性也逐漸顯現出來。
痛點：為什麼難
傳統規則 AOI 存在嚴重的誤報問題，報得多且報得濫，真正的缺陷往往淹沒在成片的誤報之中。從量化角度來看，某頭部工廠的實際誤報率長期處於較高水平，例如在某些時間段內，誤報率甚至達到了 80%以上。這意味著工人在焊後複檢工位需要投入大量的精力進行人工二次確認。以該工廠為例，工人一天要人工二次確認上萬個被誤判的位置，工作強度極大。而且，由於長時間處於高強度的工作狀態，工人容易產生疲勞，真正的缺陷反而容易在這種疲勞中被放行，漏檢率也會相應提高。
傳統 AOI 誤報率高的根因在於其檢測方式對焊點反光、元件容差、印刷偏移極其敏感。在實際生產過程中，焊點反光是一個常見的問題，不同的光照條件和焊點表面狀態都會導致反光情況的變化。元件容差是指元件在生產過程中存在的尺寸、電氣效能等方面的偏差，這些偏差在規則與模板匹配檢測中很容易被誤判為缺陷。印刷偏移則是指電路板上的印刷圖案與設計圖案之間的位置偏差，稍有波動就會觸發報警。這些因素的綜合作用，使得傳統 AOI 難以準確區分真實缺陷和正常的生產波動，導致誤報率居高不下。
技術原理
微鏈道愛的 DaoAI AI-AOI 軟體採用了先進的技術來解決傳統 AOI 的誤報問題。在演算法方面，藉助 APDT（Active Positive Data Training，主動正樣本資料訓練）正樣本/少樣本學習技術。這種技術的優勢在於，產線只需要十餘張良品圖與少量歷史誤報圖即可上線一個工位的模型，無需為每種缺陷攢大批樣本。相比傳統的機器學習方法，傳統方法通常需要大量的正負樣本進行訓練，而 APDT 技術大大減少了樣本收集和標註的工作量，提高了模型上線的效率。
在誤報過濾方面，採用了語義級誤報過濾技術。該技術能夠將反光、容差範圍內的偏移識別為良品，只把真實的連錫、少錫、偏位等焊接缺陷留下。這是因為語義級誤報過濾技術不僅僅關注影象的表面特徵，還能夠理解影象所代表的物理意義，從而準確區分正常生產波動和真實缺陷。與傳統的基於規則的誤報過濾方法相比，傳統方法只能根據預先設定的規則進行判斷，無法適應複雜多變的生產環境，而語義級誤報過濾技術具有更強的適應性和準確性。
典型應用場景
- 連錫檢測：在焊接過程中，相鄰的焊點可能會連線在一起形成連錫缺陷。傳統 AOI 由於對焊點反光敏感，容易將正常的反光區域誤判為連錫。DaoAI AI-AOI 軟體透過語義級誤報過濾技術，能夠準確識別連錫的特徵，將反光與連錫區分開來，提高檢測的準確性。
- 少錫檢測：少錫是指焊點上的焊錫量不足，這會影響焊點的電氣效能和機械穩定性。傳統 AOI 對於少錫的判斷往往受到元件容差和印刷偏移的影響，容易產生誤報。DaoAI AI-AOI 軟體藉助 APDT 正樣本學習技術，透過少量的良品圖和歷史誤報圖訓練模型，能夠準確檢測出少錫缺陷，同時減少誤報。
- 偏位檢測：元件在貼片過程中可能會出現位置偏移的情況，傳統 AOI 對印刷偏移敏感，容易將正常的印刷偏移誤判為元件偏位。DaoAI AI-AOI 軟體的語義級誤報過濾技術能夠區分容差範圍內的偏移和真實的元件偏位，只對真實的偏位進行報警。
- 虛焊檢測：虛焊是一種較為隱蔽的焊接缺陷，傳統 AOI 很難準確檢測到。DaoAI AI-AOI 軟體透過對影象的深入分析和學習，能夠識別虛焊的特徵，提高虛焊的檢測率。
落地案例
某頭部消費電子製造企業，其 PCBA 產線規模較大，每天生產的電路板數量眾多。該企業長期面臨傳統 AOI 誤報率高、複檢工作量大的問題。為了解決這些問題，企業決定引入微鏈道愛的 DaoAI AI-AOI 軟體。在上線過程中，企業沒有推翻原有的產線裝置，而是保留傳統 AOI 做第一道粗篩，在其後接入 DaoAI AI-AOI 軟體作為第二道閘門。透過 APDT 正樣本學習，每工位只需要 10-20 張良品圖和少量歷史誤報圖就成功上線了模型。
上線後，該企業的檢測效率得到了顯著提升。
微鏈道愛解決方案與產品
微鏈道愛的解決方案是保留原傳統 AOI 做第一道篩，DaoAI AI-AOI 軟體做第二道 AI 復判閘門。DaoAI AI-AOI 軟體具有以下特點：一是 APDT 正樣本學習，每工位只需 10-20 張良品 + 少量歷史誤報圖即可上線，大大縮短了模型上線的時間和成本；二是語義誤報過濾，能夠準確區分「反光/容差內偏移」與「真實焊接缺陷」，有效降低誤報率；三是 5 分鐘 0 程式碼換型，新板型當班即可切換不停線，提高了產線的靈活性和生產效率。
量化成效方面，上線後，需要人工複檢的位置下降約 80%，這意味著工人的工作量大幅減少，工作效率得到了顯著提高。焊後複檢工位由三班壓縮，節省了人力成本。誤報整體下降約 80%，使得真正的缺陷能夠更加容易被發現。而漏檢率控制在 1% 以內，保證了產品的質量。換型時間由原先停線調參的數十分鐘縮短到 5 分鐘級別，工程師不再為新板型重寫規則，提高了產線的響應速度和靈活性。
常見問題
傳統 AOI 檢測存在什麼問題？
傳統規則 AOI 報得多、報得濫，真正的缺陷易淹沒在成片誤報裡。其對焊點反光、元件容差、印刷偏移敏感，稍有波動就報警，導致實際誤報率長期偏高，工人複檢工作量大，且易因疲勞導致漏檢。
DaoAI 如何解決 AOI 誤報問題？
保留原傳統 AOI 做第一道篩，接入 DaoAI AI-AOI 軟體做第二道 AI 復判閘門。藉助 APDT 正樣本學習，用少量樣本上線模型，透過語義誤報過濾區分良品與缺陷，有效降低誤報。
使用 DaoAI 方案後有什麼效果？
上線後，需人工複檢位置下降約 80%，誤報整體下降約 80%，漏檢率控制在 1% 以內。換型時間從數十分鐘縮短到 5 分鐘，無需重寫規則，提升了產線效率和靈活性。
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。