AOI 誤報止不住？問題在架構，不在引數

從畫素匹配到特徵認知 —— DaoAI 如何用深度學習的泛化能力，從根上降低誤報。2026 年 5 月，Digitimes Asia 報道了 DaoAI 推出的「圍繞特徵認知檢測構建的自主智慧體 AI 視覺檢測方案」。

傳統AOI的困境與架構根源

在印刷電路板組裝（PCBA）檢測領域，傳統自動光學檢測（AOI）一直是主流手段，然而，它存在的諸多問題長期困擾著製造商。傳統AOI有三大長期症狀，嚴重影響了檢測效率和質量。

首先是設定耗時。在傳統AOI檢測中，每個新產品都需要進行大量的準備工作，包括建立元件庫條目、匯入CAD檔案以及進行閾值調整等。據行業統計，工程師平均花在程式設計上的時間比實際跑產線的時間多出約30% -50%。這意味著大量的人力和時間成本被消耗在前期準備工作上，嚴重影響了生產效率。

其次是誤報率高。與基板共享色調的元件，如黑色基板上的黑色電阻、銀色走線上的銀色聯結器等，經常觸發錯誤警報。在一些複雜的PCBA生產中，誤報率甚至能達到20% -30%，這不僅增加了檢查員的工作負擔，還可能導致真正的缺陷被忽視，降低了產品的質量可靠性。

最後是無學習閉環。當檢查員推翻一次誤報時，這個知識隨即消失，明天同樣的問題會再次發生。這使得傳統AOI無法從過往的檢測經驗中學習，檢測效果難以得到持續改善。這些問題的根本原因在於架構限制，傳統系統基於「把所見與顏色配置檔案比較」的簡單前提。當元件與背景佔據相同顏色範圍時，色彩空間匹配無法區分它們，此時再怎麼調引數也無法從根本上解決問題。

DaoAI特徵認知檢測的革新

DaoAI的方法轉變了檢測正規化，從色彩空間檢測轉變為特徵空間檢測。其模型在超過一百萬張元件影象上預訓練，構建出對電阻、電容、聯結器等元件的密集表徵，無論顏色、照明角度或基板色調如何，都能準確識別元件。

這種轉變帶來了四個實際改進。在設定效率方面，只需一塊已知良品板，無需CAD檔案或元件資料庫。以前需要整個班次才能完成的設定工作，現在只需幾秒到幾分鐘。這大大縮短了新產品的上線時間，提高了生產效率。以某大型PCBA製造商為例，採用DaoAI的檢測方法後，新產品的設定時間從原來的8小時縮短到了不到10分鐘。

在降低誤報方面，模型識別的是元件「身份」而非顏色相似度，色調匹配的元件不再造成問題。特徵空間能清晰分離色彩空間無法區分的元件，將誤報率降低到了5%以下。這使得檢查員的工作負擔大幅減輕，能夠更專注於真正的缺陷檢測。

在持續學習方面，當檢查員標記一次誤報，模型隨即更新，該特定錯誤模式被淘汰、不再重複。這是傳統AOI從未有過的能力，使得檢測系統能夠不斷學習和最佳化，檢測效果越來越好。

在資料主權方面，所有推理在本地執行，板影象、缺陷記錄與模型權重永不離開工廠。這保障了企業的資料安全和隱私，符合企業對資料管控的要求。

顏色匹配系統不會變得更好，學習系統會。及時採用特徵認知的製造商，正在構建一項資料資產。

當前採用特徵認知檢測的重要性

隨著科技的不斷發展，PCBA複雜度在持續增加。先進封裝、微型化元件與壓縮的週期時間，讓檢測挑戰更加困難。顏色匹配的傳統檢測系統在面對這些複雜情況時，已經難以滿足檢測需求，其誤報率高、設定耗時等問題會更加突出。

而學習系統，如DaoAI的特徵認知檢測方法，則能夠更好地適應這種變化。及時採用特徵認知的製造商，正在構建一項資料資產，即一個在自己特定產品組合、特定缺陷模式、特定產線條件上持續改進的模型。這個模型會隨著生產的進行不斷學習和最佳化，為企業提供更準確、高效的檢測服務，提升企業的競爭力。

不同規模企業的合作路徑

對於不同規模的企業，DaoAI提供了多樣化的合作路徑。

• 大型EMS / OEM製造商：以SDK、REST API、Docker容器或本地部署許可證的形式整合，這種方式能夠與企業現有的系統進行深度融合，滿足企業對定製化和資料安全的要求。
• 中小型PCBA工廠：可採用P系列交鑰匙系統，實現「5分鐘上線，而非5個月」。這種簡單便捷的方式能夠快速幫助中小型企業提升檢測效率，降低成本。
• AOI / SMT裝置製造商：可參與OEM計劃，典型PoC時間線從NDA簽署後30天起，這有助於裝置製造商快速將先進的檢測技術融入到自己的產品中。
• 區域經銷商：臺灣與東南亞認證渠道合作伙伴計劃，能夠幫助DaoAI更好地拓展市場，為當地企業提供優質的檢測解決方案。

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。