在消费电子 PCBA 产线中，传统 AOI 检测存在诸多问题，而微链道爱的 DaoAI AI-AOI 软件为解决这些问题提供了有效方案。
在消费电子行业，PCBA（Printed Circuit Board Assembly，印刷电路板组装）产线是至关重要的一环。该产线具有节拍快、板型杂的特点，贴片焊后检测工作高度依赖传统的自动光学检测（AOI，Automated Optical Inspection）设备。传统 AOI 设备基于规则与模板匹配的方式进行检测，在一定程度上能够检测出焊接缺陷，但随着生产规模的扩大和产品复杂度的增加，其局限性也逐渐显现出来。
痛点：为什么难
传统规则 AOI 存在严重的误报问题，报得多且报得滥，真正的缺陷往往淹没在成片的误报之中。从量化角度来看，某头部工厂的实际误报率长期处于较高水平，例如在某些时间段内，误报率甚至达到了 80%以上。这意味着工人在焊后复检工位需要投入大量的精力进行人工二次确认。以该工厂为例，工人一天要人工二次确认上万个被误判的位置，工作强度极大。而且，由于长时间处于高强度的工作状态，工人容易产生疲劳，真正的缺陷反而容易在这种疲劳中被放行，漏检率也会相应提高。
传统 AOI 误报率高的根因在于其检测方式对焊点反光、元件容差、印刷偏移极其敏感。在实际生产过程中，焊点反光是一个常见的问题，不同的光照条件和焊点表面状态都会导致反光情况的变化。元件容差是指元件在生产过程中存在的尺寸、电气性能等方面的偏差，这些偏差在规则与模板匹配检测中很容易被误判为缺陷。印刷偏移则是指电路板上的印刷图案与设计图案之间的位置偏差，稍有波动就会触发报警。这些因素的综合作用，使得传统 AOI 难以准确区分真实缺陷和正常的生产波动，导致误报率居高不下。
技术原理
微链道爱的 DaoAI AI-AOI 软件采用了先进的技术来解决传统 AOI 的误报问题。在算法方面，借助 APDT（Active Positive Data Training，主动正样本数据训练）正样本/少样本学习技术。这种技术的优势在于，产线只需要十余张良品图与少量历史误报图即可上线一个工位的模型，无需为每种缺陷攒大批样本。相比传统的机器学习方法，传统方法通常需要大量的正负样本进行训练，而 APDT 技术大大减少了样本收集和标注的工作量，提高了模型上线的效率。
在误报过滤方面，采用了语义级误报过滤技术。该技术能够将反光、容差范围内的偏移识别为良品，只把真实的连锡、少锡、偏位等焊接缺陷留下。这是因为语义级误报过滤技术不仅仅关注图像的表面特征，还能够理解图像所代表的物理意义，从而准确区分正常生产波动和真实缺陷。与传统的基于规则的误报过滤方法相比，传统方法只能根据预先设定的规则进行判断，无法适应复杂多变的生产环境，而语义级误报过滤技术具有更强的适应性和准确性。
典型应用场景
- 连锡检测：在焊接过程中，相邻的焊点可能会连接在一起形成连锡缺陷。传统 AOI 由于对焊点反光敏感，容易将正常的反光区域误判为连锡。DaoAI AI-AOI 软件通过语义级误报过滤技术，能够准确识别连锡的特征，将反光与连锡区分开来，提高检测的准确性。
- 少锡检测：少锡是指焊点上的焊锡量不足，这会影响焊点的电气性能和机械稳定性。传统 AOI 对于少锡的判断往往受到元件容差和印刷偏移的影响，容易产生误报。DaoAI AI-AOI 软件借助 APDT 正样本学习技术，通过少量的良品图和历史误报图训练模型，能够准确检测出少锡缺陷，同时减少误报。
- 偏位检测：元件在贴片过程中可能会出现位置偏移的情况，传统 AOI 对印刷偏移敏感，容易将正常的印刷偏移误判为元件偏位。DaoAI AI-AOI 软件的语义级误报过滤技术能够区分容差范围内的偏移和真实的元件偏位，只对真实的偏位进行报警。
- 虚焊检测：虚焊是一种较为隐蔽的焊接缺陷，传统 AOI 很难准确检测到。DaoAI AI-AOI 软件通过对图像的深入分析和学习，能够识别虚焊的特征，提高虚焊的检测率。
落地案例
某头部消费电子制造企业，其 PCBA 产线规模较大，每天生产的电路板数量众多。该企业长期面临传统 AOI 误报率高、复检工作量大的问题。为了解决这些问题，企业决定引入微链道爱的 DaoAI AI-AOI 软件。在上线过程中，企业没有推翻原有的产线设备，而是保留传统 AOI 做第一道粗筛，在其后接入 DaoAI AI-AOI 软件作为第二道闸门。通过 APDT 正样本学习，每工位只需要 10-20 张良品图和少量历史误报图就成功上线了模型。
上线后，该企业的检测效率得到了显著提升。
微链道爱解决方案与产品
微链道爱的解决方案是保留原传统 AOI 做第一道筛，DaoAI AI-AOI 软件做第二道 AI 复判闸门。DaoAI AI-AOI 软件具有以下特点：一是 APDT 正样本学习，每工位只需 10-20 张良品 + 少量历史误报图即可上线，大大缩短了模型上线的时间和成本；二是语义误报过滤，能够准确区分「反光/容差内偏移」与「真实焊接缺陷」，有效降低误报率；三是 5 分钟 0 代码换型，新板型当班即可切换不停线，提高了产线的灵活性和生产效率。
量化成效方面，上线后，需要人工复检的位置下降约 80%，这意味着工人的工作量大幅减少，工作效率得到了显著提高。焊后复检工位由三班压缩，节省了人力成本。误报整体下降约 80%，使得真正的缺陷能够更加容易被发现。而漏检率控制在 1% 以内，保证了产品的质量。换型时间由原先停线调参的数十分钟缩短到 5 分钟级别，工程师不再为新板型重写规则，提高了产线的响应速度和灵活性。
常见问题
传统 AOI 检测存在什么问题？
传统规则 AOI 报得多、报得滥，真正的缺陷易淹没在成片误报里。其对焊点反光、元件容差、印刷偏移敏感，稍有波动就报警，导致实际误报率长期偏高，工人复检工作量大，且易因疲劳导致漏检。
DaoAI 如何解决 AOI 误报问题？
保留原传统 AOI 做第一道筛，接入 DaoAI AI-AOI 软件做第二道 AI 复判闸门。借助 APDT 正样本学习，用少量样本上线模型，通过语义误报过滤区分良品与缺陷，有效降低误报。
使用 DaoAI 方案后有什么效果？
上线后，需人工复检位置下降约 80%，误报整体下降约 80%，漏检率控制在 1% 以内。换型时间从数十分钟缩短到 5 分钟，无需重写规则，提升了产线效率和灵活性。
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。