「程式設計稅」：為什麼你的 SMT 線只有 70% 效率

AOI 程式設計佔用的時間，正在悄悄吃掉你產線的有效產能。「程式設計稅」指傳統 AOI 冗長的設定時間造成的效率損失，讓 SMT 產線生產率降到僅約 70%。

「程式設計稅」：SMT 線效率的隱形殺手

在電子製造領域，表面貼裝技術（SMT）生產線是核心環節。在多品種小批次（HMLV）的生產環境中，貼片機的速度能夠達到 40,000 CPH（每小時貼片數），這一資料顯示了裝置本身具備高效生產的能力。然而，現實情況卻不盡如人意，很多 SMT 線的實際效率僅為 70%。每次新產品匯入時，產線會因為手動程式設計而閒置 2-3 小時，這期間既不是裝置出現故障，也不是物料存在缺陷，純粹是在「等待 AOI（自動光學檢測）完成程式設計」。據相關行業調研顯示，在 HMLV 工廠中，約 60%的生產時間浪費在新產品程式設計等待上，這無疑給企業帶來了巨大的成本壓力。

「黃金樣本」時代的隱性成本困境

過去二十年，AOI 檢測主要依賴基於規則的演算法，這種演算法在大規模、長週期的生產模式中表現出色，能夠有效保障產品質量。但隨著市場需求的變化，如今的訂單呈現出更小、更頻繁的特點。HMLV 工廠日均換產品 2-5 次，每一次新產品匯入都像是一場成本的考驗。

• 手動閾值調整：工程師需要花費數小時來調整色彩引數、光照角度與幾何規則等。以一箇中等規模的電子廠為例，一個工程師每月花費在新產品程式設計閾值調整上的時間高達 50 小時，這不僅消耗了大量的人力成本，還嚴重影響了生產進度。
• 高誤判率：規則設定過嚴時，會誤判合格板，導致大量產品被誤剔除，增加了生產成本；而過鬆則會漏檢缺陷，可能會使不良產品流入市場，影響企業聲譽。據統計，傳統 AOI 檢測的誤判率在 10% -20%左右。
• 專家依賴：檢測質量在很大程度上取決於程式設計人員的個人技能和經驗。不同的程式設計人員可能會得出不同的檢測結果，這使得檢測結果缺乏穩定性和一致性。而且培養一名熟練的 AOI 程式設計專家需要 3-5 年的時間，人力成本極高。

通常情況下，每塊新板的設定耗時在 2 到 3 小時，在這段時間內，產線的產出為零。這一系列隱性成本就像無形的枷鎖，束縛著企業的生產效率和盈利能力。

在傳統 AOI 模式下，時間和人力成本的雙重消耗，讓企業在 HMLV 生產環境中舉步維艱。

Few - Shot Learning：從「編碼」到「識別」的變革

解決 SMT 線效率問題的關鍵不在於硬體的升級，而在於軟體的革新。Few - Shot Learning 技術為這一難題提供了新的解決方案。它的工作方式類似於人眼，不需要數千張訓練影象，只需要看到一個良好示例，也就是一個「黃金樣本」，AI 就能理解元件放置的意圖，而不是僅僅關注畫素值。這種從「編碼」到「識別」的轉變，大大提高了程式設計的效率。

實際驗證結果令人驚歎。傳統 AOI 設定需要 118 分鐘，而且即使設定完成後仍需要進行微調；而採用 DaoAI 技術只需要 5 分鐘。消除手動演算法調整後，製造商在原本一次產品切換的時間內可以完成 20 次切換。以一家年產 100 萬件電子產品的企業為例，採用 DaoAI 技術後，每年可多生產 200 萬件產品，這將極大地提升企業的市場競爭力。

把增長與人員數量解耦：AI 驅動的智慧工廠新趨勢

「程式設計稅」本質上是人力成本的體現。德勤（Deloitte）預測，到 2033 年將有 190 萬個製造業職位空缺。如果新產品匯入（NPI）流程仍然依賴手動編碼，那麼企業的業務增長就會與人員數量緊密繫結，這在人力短缺的未來將成為企業發展的瓶頸。

AI 自動化設定過程為企業帶來了新的轉機。它讓現有團隊能夠管理 10 倍的工作量，即使是初級操作員也能達到專家級的成果。這意味著企業可以在不增加大量人力的情況下實現業務的快速增長。智慧工廠的定義也因此發生了改變，不再僅僅取決於掃描速度，而是「準備就緒」的速度。在這個快節奏的市場環境中，誰能更快地完成產品切換和生產準備，誰就能佔據市場的先機。

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。