开头这几年在PCB工厂里跑过产线的人应该都懂AOI判图这件事有多磨人。操作员每天盯着屏幕眼睛看得发酸手里还在不断点鼠标这块板子到底是不是真缺陷要放大看、要对比坐标、要翻看图形档案碰上密集细间距的板子一块板判个三五分钟很常见。传统AOI的核心矛盾其实一直摆在那里——设备检测能力不差但“检测出来”不等于“判得完”真正卡住产能的是后端那一个个等着人眼确认的图像。我们厂在去年下半年把一条SMT后段产线的AOI判图环节整体切换成了AI-AOI模式三个月跑下来人均判图效率提升了不止10倍漏判率没有上升反而把原来靠老师傅经验才能识别的“疑难杂症”缺陷也一并兜住了。这篇文章我尽量把从项目立项、设备选型、模型训练到上线磨合的全部经验复盘一遍包括那些料想不到的坑和走弯路的过程给也在评估AI-AOI的同行们一个参考。先交代下背景我们这条线主要做通信主控板板卡密度中等偏上最小器件封装0402BGA区域密集还有混合贴装工艺。改造之前一台在线AOI配两个判图员白夜班换人不停机即便如此复判堆料依然是常态高峰时段AGC自动验伤区域的图片堆积量能占到整机检出量的六成。所以当我们评估AI-AOI方案时核心指标不是精度要超过99%而是“复判工作量必须肉眼可见地降下来”。1. 项目整体设计与思路拆解把“人眼判图”拆成三个可量化的模块1.1 效率瓶颈到底卡在哪里在讨论AI方案之前得先把传统AOI的作业流程拆开看。一台普通在线AOI检测完一片板子后输出一个包含缺陷坐标、灰度图形、光学照片和判定类别的结果列表操作员在复判终端上逐条查看。问题在于传统AOI为了不漏检后端算法普遍倾向于“宁愿多报不可放过”于是大量可接受偏差被标记为缺陷这就是过杀率高企的根源。我去翻过我们厂三个月的历史复判数据这个数据后来对项目立项非常关键整体过杀率在43%到61%之间浮动也就是说复判人员有一半左右的时间在看不该看的东西。真正被确认的不良品比例大概只有检出总量的2%上下其余都是虚惊。人眼疲劳带来的漏判风险恰恰又集中在那些密集区、阴影边缘和渐变对比度区域而这些区域恰恰是过杀最多的区域。所以效率提升10倍这件事不是要让AI把“检测”做得更花哨而是把“复判”这个后台动作里的人眼工作量用模型替代掉。这就是AI-AOI与传统AOI在工程目标和实现路径上最根本的区别。1.2 为什么选AI-AOI而不是简单调低检出灵敏度刚立项时有老师傅提过建议把检测灵敏度调低一些过杀不就下来了这个想法听起来很直接但风险极大。传统AOI的图像处理逻辑是基于灰度差、边缘梯度和形态学规则的它的判定阈值是全局静态的如果整体拉低灵敏度那么某些对比度本来就低的缺陷比如虚焊爬锡高度不够、少锡但形状接近良品、BGA气泡偏移等就会从合格判定边缘滑过去产生实质漏检。这类漏检一旦流出到后段测试或客户手里损失就不是复判人力成本能比的了。而AI-AOI的思路完全不同设备采集到的仍然是完整、高灵敏度的光学图像但“是否缺陷”的最终判断交给深度学习模型去做。模型学习的是大量历史样本中“良品长什么样、不良品长什么样”它可以消化光照变化、板面纹理差异、器件批次色差等因素因此可以实现在不牺牲灵敏度的前提下大幅压缩过杀。一句话传统AOI是“设备说有问题人来确认”AI-AOI是“设备发现问题模型先做第一轮筛选人才介入疑难杂症”。后者才是效率提升10倍能实现的底层逻辑。1.3 项目预期与指标拆解项目立项时我们把目标拆成了四层每一层都有可量化的验收标准复判数量单块板平均需要人工确认的图片数下降至原来的10%以下漏检风险AI确认过的良品在后段ICT与FT工序不得出现批量性漏检流出误杀风险AI判定为缺陷且被人工确认后真实缺陷占比不得低于80%防止AI变成“什么都说不合格”的摆设单板流转节拍整条线从AOI完成扫描到复判结束的堆积周期从原来的45分钟压缩到8分钟以内。这些指标看起来很简单但实际落地时每条都不容易。尤其是第三条如果模型训练不够好很容易走极端要么把大部分不良全部放过要么把什么都框出来。所以整个项目执行过程我们有一半的精力不是在调模型参数而是在打磨数据、优化图像质量和调整判定策略。2. 核心系统组成与关键技术原理AI-AOI不是装个软件那么简单2.1 硬件光学系统与成像质量的重要性很多同行以为AI-AOI就是给原来的AOI换台带GPU的工控机这是严重的误区。AI模型的输入是图像图像质量直接决定模型能力上限。如果原来的光学系统本身存在暗角、反光、对焦不准等问题那模型再强也学不到有效特征。我们这次实际做了三项硬件升级把原来白光环形光源调整为高角度环形光加低角度同轴光的组合照明这样既能保证焊点轮廓清晰又能看清表面拉丝和划痕的纹理细节相机分辨率做了升级原来15μm像素精度提升到10μm对0201和0402器件的端电极裂纹识别有明显帮助增加了一组彩色相机通道这样对阻焊桥、板面污染和氧化变色这类“灰度图几乎无法区分”的缺陷能拿到更多线索。这点值得强调AI-AOI方案是否成功一半取决于有没有一套稳定、高保真、光学设计合理的成像系统。如果工厂现有AOI设备本身成像质量一般那么换成AI算法后效果提升也会打折扣。2.2 特征提取模型与分类网络的工作机制AI-AOI的软件部分核心是一个基于卷积神经网络CNN的图像分类模型。简单说就是让计算机从大量被标注为“良品”和“不良品”的图像中自行归纳出两者差异的特征表示。在我们的实际部署中采用的是两阶段模型架构第一个阶段是感兴趣区域ROI检测网络它负责在整板图像中快速找出所有焊点、器件本体、引脚位置第二个阶段是缺陷分类网络它对每个ROI区域做精细分类输出类别包括良品、少锡、多锡、桥接、偏移、立碑、虚焊、异物、破损等常见缺陷。这个两阶段设计的好处在于工程可控。ROI检测网络可以复用原有AOI的坐标信息包括CAD导出的坐标和器件封装信息不需要模型从零开始“摸索”器件在哪而缺陷分类网络只需要集中精力学“这个区域是否异常”任务边界清晰准确率更容易做高。模型训练用的框架我们选的是经过了项目验证的开源目标检测框架配合预训练权重做迁移学习。虽然市面上也有商业化的AI-AOI整机方案但如果是在现有AOI上升级那自建模型仍然是最灵活、成本相对可控的路径。2.3 样本库构建与标注工作流整个项目里最耗时、最容易被低估的环节就是样本库构建。模型是“喂”出来的没有足够多、覆盖足够全的标注数据再好的网络结构也白搭。我们用了大约6周时间从三条不同产线收集了约4万张ROI图像涵盖了0805、0603、0402、0201、BGA、QFN、连接器、屏蔽盖等多种封装形态。样本分三类确定良品、确定缺陷、可疑边缘。前两类喂给模型训练第三类由资深QE和工艺工程师共同评审后再决定是否纳入训练集。标注工具我们用的是开源的图像标注软件标注字段包括缺陷类别和缺陷框。这里有一个非常重要的经验标注团队不能直接丢给外包或临时工做必须由熟悉焊接工艺且能看懂AOI图像的工程师先做一轮初标再由工艺主管抽检复核确保标签的一致性和准确性。2.4 判定策略与置信度调度模型训练完成后的部署阶段还要做一层“判定策略”设计。模型输出的预测置信度是一个0到1之间的数值我们不会直接拿0.5作为分界线而是设置了两个阈值高置信度区间比如≥0.95和低置信度区间比如0.750.95。高置信度区间直接自动判定为良品或缺陷低置信度区间则把图像推送到人工复判队列。这样一来模型只决定了“哪些不需要人看”而不是“全部由模型判死刑”既保住效率也守住风险底线。两个阈值会根据产线实际运行情况进行动态调整后期模型迭代稳定后低置信度区间的下限可以逐步往上抬进一步压缩人工复判量。3. 实施部署与实际操作从数据采集到灰度上线的完整流程3.1 产线现状调研与AOI程序一致性校准项目启动第一周我们没有急着装软件、跑模型而是先花了时间做产线现状的摸底。重点是三件事现有AOI的检测程序是否规范不同线体之间对同一类型板卡的检出结果是否一致图像命名和存储路径是否统一。为什么这个环节重要因为AI-AOI模型要学习的数据必须来自一致的成像环境。如果A线AOI的光源设置跟B线不一样或者A线板上有的焊盘灰度图和B线明显不同那模型就会学出倾向性偏差导致在A线表现好、在B线频频误判。我们最终做了个操作统一了三条产线的AOI程序模板规范把光源亮度、相机曝光时间、镜头焦距的允许波动范围用SOP固化下来。差异较大的程序按照标准重新生成一遍。这个过程枯燥但为后续模型泛化能力打下了基础。3.2 样本采集策略与过杀错误库的再利用在采集样本时我们要做的不只是把“检出缺陷”的图像存下来更要把原有AOI程序里被判为缺陷、但人工复核后确认良品的图像也一并保存。这批“过杀错误库”数据对训练模型特别有价值它教会模型什么叫做“看似异常但实际可接受”的情况能显著降低模型初期的过杀率。采集过程用到了现场在线AOI的图像导出接口按板号、坐标、缺陷类型三个维度命名。这个过程中我们碰到了数据格式兼容问题老款AOI导出的图像文件名带了时间戳和随机后缀不好批量管理后来写了一个自动重命名脚本把缺陷信息和坐标信息解析出来统一成“板号_缺陷类型_坐标X_Y”的标准格式。3.3 模型训练与迭代参数配置训练过程中比较典型的一组参数配置是这样的以我们用的检测框架为例输入图像尺寸统一缩放到512×512保持焊点特征清晰数据增强采用随机亮度扰动、随机对比度扰动、随机旋转±15度和随机裁剪训练批次大小batch size设为16初始学习率0.001采用余弦退火学习率调度骨干网络用ResNet50预训练权重迁移学习只微调最后三层训练总轮数epoch设为120轮早停机制以验证集F1-score为准。模型训练过程中有几个细节要注意。第一良品和缺陷的样本比例不能悬殊太大我们会把缺陷样本和良品样本的控制在1:3以内否则模型会严重偏向将样本预测为“良品”因为这样能把整体loss压得很低但实际漏检率会飙升。第二验证集必须严格从不同批次、不同生产日期的板卡中抽取不能用同一天的数据既训练又验证避免模型“背答案”。第三每迭代10轮做一次人工盲测把模型输出结果和资深QC的判断同时列出比对差异。我们训练完第一版模型后在离线验证集上的准确率达到了98.7%但离线和在线表现往往会有差距。所以第三周开始我们进入小批量试验阶段先拿50块成品板在线跑AI模型和原有人工复判并行输出逐步微调阈值。3.4 在线灰度上线与阈值微调灰度上线阶段采用了一个“影子模式”的策略AI模型实时处理图像但它的结果不直接参与产线放行而是默默记录并与人工结果对照。这个阶段持续了约两个星期积累了大量真实产线数据。影子模式结束后我们根据结果对照分析做了首次策略调整。发现模型对“多锡”这一类缺陷的置信度普遍偏低原因是在我们现有样本库里多锡样本的形态跨度太大有轻微凸起、有大锡珠、有拉尖模型难以找到一个统一特征。后来我们干脆把“多锡”拆成“多锡轻微”“多锡超标”“锡珠”三个细类重新组织标签并补充样本模型的置信度才明显上涨。正式切换的第一周我们仍然保留了一个人工复核岗但复核对象从“全部图像”变成了“AI低置信度图像抽检高置信度判定为良品的图像”抽检比例设定为5%。一周后综合数据出炉人工复判图片量降为原来的9%整条线可以做到一个复判员同时兼顾两台IOI设备的复判量而且还能抽空处理其他质量报表。3.5 产线配套流程调整与人员角色转型AI-AOI上线不只是技术替换还涉及人员岗位和作业流程的调整。原来两个复判员的工作量被大幅压缩后我们重新定义了岗位职责一个人负责“抽检异常确认”另一个人转型为“AI数据管理员”专门负责每日导出当日新增图像、抽查模型判定结果、对有争议的图像进行标注登记并反馈给工艺部门给模型迭代做数据沉淀。这一步很多人会忽略。如果上线AI后原有的复判人员直接撤掉模型一旦遇到新形态缺陷缺少持续的数据反馈闭环效果会越跑越差。AI不是一次部署终身免维护它需要一张持续的“喂养”计划而这个计划必须有人来执行。4. 常见问题与排查技巧实录那些没写进方案里的“坑”4.1 模型上线后出现过杀率反弹怎么办我们遇到过两次比较明显的过杀率反弹。第一次发生在切换产品型号后新板型用了不同颜色的阻焊油墨原来的模型对浅绿色板面的纹理特征与深绿色板面差异较大导致误判增多。排查方法很简单把新增板型的图像导出后做特征分布分析发现整体亮度直方图偏移明显于是针对新板型单独补充了3000张样本做增量训练。第二次反弹发生在梅雨季节车间湿度变化导致PCB板面轻微受潮光学成像上出现一些水渍样阴影模型把部分正常的板面纹理当作异物。这个案例很有代表性它提醒我们AI-AOI模型对图像风格变化敏感环境因素引发的成像漂移是常见的隐性干扰源。后来我们在产线AOI机台内部增加了温湿度监控当湿度超过预设阈值时自动提示工艺人员关注误判趋势。4.2 图像传输延迟导致检测节拍变慢AI-AOI的算力通常部署在独立服务器上AOI工控机通过网络将图像发送给AI服务器做推理再接收结果返回。我们在上线初期碰到过因为网络配置不合理导致的图像传输延迟原先一台AOI扫描完毕只需要8秒加上AI推理后整体节拍拉长到了20秒严重影响了产线节拍。排查后发现是AOI工控机的上行带宽被原有数据上传任务占满图像传输出现了排队。解决方式是优化了网络QoS策略把AI推理的图像传输设为优先级最高并把VLAN单独划分出来隔离业务流量。如果工厂存在夜间集中上传报表的习惯建议错峰或者调整上传策略避免干扰生产实时数据的流通。4.3 BGA和连接器区域模型置信度低BGA焊点位于器件本体下方光学成像本身存在遮挡和阴影连接器引脚又细又密、边缘对比度差这两类区域是AI模型的“老大难”。我们的处理方法是做区域隔离策略针对BGA区域不需要做完整焊点形态判断而是重点看外围锡球是否塌陷、有无挤出连接器引脚区域则提高ROI的放大倍数单独训练一个针对细间距引脚的网络分支。这个策略的思路是“集中兵力打歼灭战”不要让一个大模型试图解决所有问题而是针对特定难点区域训练专用子模型再在主模型流程里做区域调度。实测下来BGA区域的低置信度率从28%降到了11%连接器引脚的低置信度率也有明显改善。4.4 新物料批次引起的系统性误判有一段时间产线上的贴片电容因为供应商换了端电极镀层工艺成像出来的焊盘轮廓跟之前的样本库差异很大导致模型连续将大量良品判定为“虚焊”。这个问题刚开始很难定位因为程序、设备、参数都没变唯一变化的是物料批次。排查这类问题的关键是要建立“图像特征归因”的思维当模型出现批量误判时第一件事不是调阈值而是先对比最近发生了哪些外界变化包括物料批次、钢网张力、锡膏型号、回流焊温度曲线等。后来我们把物料批次信息在MES系统里与AOI图像关联起来一旦出现系统性误判可以快速回溯到物料维度的变更记录。4.5 PCB设计特征对AI检测的影响我们的PCB设计团队在项目反馈中也得到了一些有意思的启发。有些板子在设计的电性能层面是没问题的但从光学检测的角度看会给AI-AOI制造不必要的麻烦。比如铜皮窗口设计得过大露出的基材区域在成像时会形成高反射区或者铺铜区的孤立铜块设计在视觉上容易和缺陷混淆。虽然AI模型理论上可以适应各种板面设计但适配成本有高低之分。在项目上线稳定后我们建议设计部门在新产品可制造性评审DFM阶段就把光学检测兼容性作为一项参考指标特别是那些已经规划为AI-AOI产线的新品尽量在走线、铺铜、丝印位置上避开容易干扰图像识别的特征。这里顺带提一个PCB工艺细节供做检测的同行参考有些板子为了散热会嵌入铜块这种嵌埋铜块区域的热容量和热膨胀特性和周围基材不一样回流焊后焊点形态会有细微差异AI模型学习样本时如果混入过多不同嵌铜结构的焊点图像特征分布会被拉散训练时最好按嵌铜结构分组处理。5. 算账与效益评估10倍效率提升之后ROI到底怎么样5.1 人力投入对比上线前我们这条产线AOI后段白夜班共配置4名复判员人均每班处理约1500张复判图片加班是常态。上线后同样产出下只需配置1名复判员加1名数据管理员数据管理员可同时兼管其他线体人力成本下降了60%以上。另外原来老员工离职后新员工培训周期要三个月才能达到熟练判图水平而AI-AOI模式下新员工只需要理解和操作低置信度队列的复核逻辑培训周期缩短到不到两周。5.2 质量收益与漏检损失控制真正的大头收益在质量端。传统人眼判图受到疲劳度、经验差异、情绪波动的影响凌晨2点和上午10点的判图质量可能完全不同。AI模型没有这个问题只要成像条件稳定它的判定一致性是100%的。上线6个月后我们做了一次质量复盘AOI后段漏检流出的缺陷率从原来的年均0.15%下降到了0.04%左右且没有发生批量性漏检事件。对于通信主板这类产品一块板子流到终端客户处发生失效综合损失含客诉、空运补货、产线停线通常是直接制造成本的几十倍所以这部分收益基本是隐性的、但体量可观。5.3 算力与维护成本估算AI推理服务器我们选了一台搭载单张主流GPU显卡的服务器可以同时支撑两条产线的AI推理需求整机功耗约600W一年电费和维护成本在可接受范围内。训练阶段的算力是租用的云端GPU一次性投入不大。真正的大头投入在样本标注和模型迭代的人力时间上这部分往往被低估。我们的经验是至少在项目规划中预留30%以上的预算和时间给数据工程不要只盯着硬件和软件授权。6. 对PCB工厂智能化质检的落地建议从整个项目复盘来看AI-AOI在PCB工厂的落地核心不是算法有多前沿而是工程闭环是否完整。数据采集、标注规范、模型训练、灰度验证、上线监控、持续迭代这六步缺一环都跑不稳。给还在观望的同行几个实用建议第一先盘点现有AOI设备的成像质量再决定是整机采购还是升级。如果老设备成像基础太差建议直接评估新一代AI-AOI整机方案老设备改造的成本和效果不一定成正比。第二从一条产品类型相对单一的产线开始试点有利于缩短建模周期和验证速度。多品种小批量的工厂做AI-AOI对样本库要求高前期投入会大很多。第三不要把“人工复判量下降”作为唯一指标一定要同时监控漏检风险和AI确认后的真实缺陷率这两项才是长期质量运营的生命线。第四培养一个懂工艺也懂数据标注的内部团队比买再贵的软件都管用。AI-AOI本质是一个持续进化的质量管理系统核心资产就是团队对数据、对缺陷、对工艺的理解。第五PCB设计端如果能在DFM阶段考虑光学可检测性后续AI-AOI的适配速度和稳定性都会有明显提升这个联动机制建议尽早建立起来。7. 后续扩展方向从判图到工艺诊断AI-AOI跑稳定之后我们正在尝试把数据价值再往上游延伸。目前每块板的缺陷坐标、缺陷类型、缺陷图像都和回流焊炉温曲线、锡膏印刷参数进行了关联下一步计划利用这些数据做焊点质量趋势预测尝试在缺陷批量爆发之前把工艺参数的不良苗头找出来。这个方向一旦跑通AI-AOI就不只是质检工具而是带工艺诊断能力的产线“透视眼”对良率改善的意义会大很多。目前还处在数据积累阶段等有阶段性成果了再来做更详细的分享。我个人的体会是AI-AOI带来的最深刻变化其实不是“省了几个人”而是它把老师傅脑子里那些“看着不对但又说不上来哪里不对”的经验变成了可复制、可持续进化的组织能力。设备会老化人会流动但只要数据在积累这条线的质量水平就不会因为经验断档而后退。 
长河君 · 2026/9/16 4:10:23 · 阅读 1.2k PCB工厂AI-AOI落地复盘：判图效率提升10倍的实战路径
开头这几年在PCB工厂里跑过产线的人应该都懂AOI判图这件事有多磨人。操作员每天盯着屏幕眼睛看得发酸手里还在不断点鼠标这块板子到底是不是真缺陷要放大看、要对比坐标、要翻看图形档案碰上密集细间距的板子一块板判个三五分钟很常见。传统AOI的核心矛盾其实一直摆在那里——设备检测能力不差但“检测出来”不等于“判得完”真正卡住产能的是后端那一个个等着人眼确认的图像。我们厂在去年下半年把一条SMT后段产线的AOI判图环节整体切换成了AI-AOI模式三个月跑下来人均判图效率提升了不止10倍漏判率没有上升反而把原来靠老师傅经验才能识别的“疑难杂症”缺陷也一并兜住了。这篇文章我尽量把从项目立项、设备选型、模型训练到上线磨合的全部经验复盘一遍包括那些料想不到的坑和走弯路的过程给也在评估AI-AOI的同行们一个参考。先交代下背景我们这条线主要做通信主控板板卡密度中等偏上最小器件封装0402BGA区域密集还有混合贴装工艺。改造之前一台在线AOI配两个判图员白夜班换人不停机即便如此复判堆料依然是常态高峰时段AGC自动验伤区域的图片堆积量能占到整机检出量的六成。所以当我们评估AI-AOI方案时核心指标不是精度要超过99%而是“复判工作量必须肉眼可见地降下来”。1. 项目整体设计与思路拆解把“人眼判图”拆成三个可量化的模块1.1 效率瓶颈到底卡在哪里在讨论AI方案之前得先把传统AOI的作业流程拆开看。一台普通在线AOI检测完一片板子后输出一个包含缺陷坐标、灰度图形、光学照片和判定类别的结果列表操作员在复判终端上逐条查看。问题在于传统AOI为了不漏检后端算法普遍倾向于“宁愿多报不可放过”于是大量可接受偏差被标记为缺陷这就是过杀率高企的根源。我去翻过我们厂三个月的历史复判数据这个数据后来对项目立项非常关键整体过杀率在43%到61%之间浮动也就是说复判人员有一半左右的时间在看不该看的东西。真正被确认的不良品比例大概只有检出总量的2%上下其余都是虚惊。人眼疲劳带来的漏判风险恰恰又集中在那些密集区、阴影边缘和渐变对比度区域而这些区域恰恰是过杀最多的区域。所以效率提升10倍这件事不是要让AI把“检测”做得更花哨而是把“复判”这个后台动作里的人眼工作量用模型替代掉。这就是AI-AOI与传统AOI在工程目标和实现路径上最根本的区别。1.2 为什么选AI-AOI而不是简单调低检出灵敏度刚立项时有老师傅提过建议把检测灵敏度调低一些过杀不就下来了这个想法听起来很直接但风险极大。传统AOI的图像处理逻辑是基于灰度差、边缘梯度和形态学规则的它的判定阈值是全局静态的如果整体拉低灵敏度那么某些对比度本来就低的缺陷比如虚焊爬锡高度不够、少锡但形状接近良品、BGA气泡偏移等就会从合格判定边缘滑过去产生实质漏检。这类漏检一旦流出到后段测试或客户手里损失就不是复判人力成本能比的了。而AI-AOI的思路完全不同设备采集到的仍然是完整、高灵敏度的光学图像但“是否缺陷”的最终判断交给深度学习模型去做。模型学习的是大量历史样本中“良品长什么样、不良品长什么样”它可以消化光照变化、板面纹理差异、器件批次色差等因素因此可以实现在不牺牲灵敏度的前提下大幅压缩过杀。一句话传统AOI是“设备说有问题人来确认”AI-AOI是“设备发现问题模型先做第一轮筛选人才介入疑难杂症”。后者才是效率提升10倍能实现的底层逻辑。1.3 项目预期与指标拆解项目立项时我们把目标拆成了四层每一层都有可量化的验收标准复判数量单块板平均需要人工确认的图片数下降至原来的10%以下漏检风险AI确认过的良品在后段ICT与FT工序不得出现批量性漏检流出误杀风险AI判定为缺陷且被人工确认后真实缺陷占比不得低于80%防止AI变成“什么都说不合格”的摆设单板流转节拍整条线从AOI完成扫描到复判结束的堆积周期从原来的45分钟压缩到8分钟以内。这些指标看起来很简单但实际落地时每条都不容易。尤其是第三条如果模型训练不够好很容易走极端要么把大部分不良全部放过要么把什么都框出来。所以整个项目执行过程我们有一半的精力不是在调模型参数而是在打磨数据、优化图像质量和调整判定策略。2. 核心系统组成与关键技术原理AI-AOI不是装个软件那么简单2.1 硬件光学系统与成像质量的重要性很多同行以为AI-AOI就是给原来的AOI换台带GPU的工控机这是严重的误区。AI模型的输入是图像图像质量直接决定模型能力上限。如果原来的光学系统本身存在暗角、反光、对焦不准等问题那模型再强也学不到有效特征。我们这次实际做了三项硬件升级把原来白光环形光源调整为高角度环形光加低角度同轴光的组合照明这样既能保证焊点轮廓清晰又能看清表面拉丝和划痕的纹理细节相机分辨率做了升级原来15μm像素精度提升到10μm对0201和0402器件的端电极裂纹识别有明显帮助增加了一组彩色相机通道这样对阻焊桥、板面污染和氧化变色这类“灰度图几乎无法区分”的缺陷能拿到更多线索。这点值得强调AI-AOI方案是否成功一半取决于有没有一套稳定、高保真、光学设计合理的成像系统。如果工厂现有AOI设备本身成像质量一般那么换成AI算法后效果提升也会打折扣。2.2 特征提取模型与分类网络的工作机制AI-AOI的软件部分核心是一个基于卷积神经网络CNN的图像分类模型。简单说就是让计算机从大量被标注为“良品”和“不良品”的图像中自行归纳出两者差异的特征表示。在我们的实际部署中采用的是两阶段模型架构第一个阶段是感兴趣区域ROI检测网络它负责在整板图像中快速找出所有焊点、器件本体、引脚位置第二个阶段是缺陷分类网络它对每个ROI区域做精细分类输出类别包括良品、少锡、多锡、桥接、偏移、立碑、虚焊、异物、破损等常见缺陷。这个两阶段设计的好处在于工程可控。ROI检测网络可以复用原有AOI的坐标信息包括CAD导出的坐标和器件封装信息不需要模型从零开始“摸索”器件在哪而缺陷分类网络只需要集中精力学“这个区域是否异常”任务边界清晰准确率更容易做高。模型训练用的框架我们选的是经过了项目验证的开源目标检测框架配合预训练权重做迁移学习。虽然市面上也有商业化的AI-AOI整机方案但如果是在现有AOI上升级那自建模型仍然是最灵活、成本相对可控的路径。2.3 样本库构建与标注工作流整个项目里最耗时、最容易被低估的环节就是样本库构建。模型是“喂”出来的没有足够多、覆盖足够全的标注数据再好的网络结构也白搭。我们用了大约6周时间从三条不同产线收集了约4万张ROI图像涵盖了0805、0603、0402、0201、BGA、QFN、连接器、屏蔽盖等多种封装形态。样本分三类确定良品、确定缺陷、可疑边缘。前两类喂给模型训练第三类由资深QE和工艺工程师共同评审后再决定是否纳入训练集。标注工具我们用的是开源的图像标注软件标注字段包括缺陷类别和缺陷框。这里有一个非常重要的经验标注团队不能直接丢给外包或临时工做必须由熟悉焊接工艺且能看懂AOI图像的工程师先做一轮初标再由工艺主管抽检复核确保标签的一致性和准确性。2.4 判定策略与置信度调度模型训练完成后的部署阶段还要做一层“判定策略”设计。模型输出的预测置信度是一个0到1之间的数值我们不会直接拿0.5作为分界线而是设置了两个阈值高置信度区间比如≥0.95和低置信度区间比如0.750.95。高置信度区间直接自动判定为良品或缺陷低置信度区间则把图像推送到人工复判队列。这样一来模型只决定了“哪些不需要人看”而不是“全部由模型判死刑”既保住效率也守住风险底线。两个阈值会根据产线实际运行情况进行动态调整后期模型迭代稳定后低置信度区间的下限可以逐步往上抬进一步压缩人工复判量。3. 实施部署与实际操作从数据采集到灰度上线的完整流程3.1 产线现状调研与AOI程序一致性校准项目启动第一周我们没有急着装软件、跑模型而是先花了时间做产线现状的摸底。重点是三件事现有AOI的检测程序是否规范不同线体之间对同一类型板卡的检出结果是否一致图像命名和存储路径是否统一。为什么这个环节重要因为AI-AOI模型要学习的数据必须来自一致的成像环境。如果A线AOI的光源设置跟B线不一样或者A线板上有的焊盘灰度图和B线明显不同那模型就会学出倾向性偏差导致在A线表现好、在B线频频误判。我们最终做了个操作统一了三条产线的AOI程序模板规范把光源亮度、相机曝光时间、镜头焦距的允许波动范围用SOP固化下来。差异较大的程序按照标准重新生成一遍。这个过程枯燥但为后续模型泛化能力打下了基础。3.2 样本采集策略与过杀错误库的再利用在采集样本时我们要做的不只是把“检出缺陷”的图像存下来更要把原有AOI程序里被判为缺陷、但人工复核后确认良品的图像也一并保存。这批“过杀错误库”数据对训练模型特别有价值它教会模型什么叫做“看似异常但实际可接受”的情况能显著降低模型初期的过杀率。采集过程用到了现场在线AOI的图像导出接口按板号、坐标、缺陷类型三个维度命名。这个过程中我们碰到了数据格式兼容问题老款AOI导出的图像文件名带了时间戳和随机后缀不好批量管理后来写了一个自动重命名脚本把缺陷信息和坐标信息解析出来统一成“板号_缺陷类型_坐标X_Y”的标准格式。3.3 模型训练与迭代参数配置训练过程中比较典型的一组参数配置是这样的以我们用的检测框架为例输入图像尺寸统一缩放到512×512保持焊点特征清晰数据增强采用随机亮度扰动、随机对比度扰动、随机旋转±15度和随机裁剪训练批次大小batch size设为16初始学习率0.001采用余弦退火学习率调度骨干网络用ResNet50预训练权重迁移学习只微调最后三层训练总轮数epoch设为120轮早停机制以验证集F1-score为准。模型训练过程中有几个细节要注意。第一良品和缺陷的样本比例不能悬殊太大我们会把缺陷样本和良品样本的控制在1:3以内否则模型会严重偏向将样本预测为“良品”因为这样能把整体loss压得很低但实际漏检率会飙升。第二验证集必须严格从不同批次、不同生产日期的板卡中抽取不能用同一天的数据既训练又验证避免模型“背答案”。第三每迭代10轮做一次人工盲测把模型输出结果和资深QC的判断同时列出比对差异。我们训练完第一版模型后在离线验证集上的准确率达到了98.7%但离线和在线表现往往会有差距。所以第三周开始我们进入小批量试验阶段先拿50块成品板在线跑AI模型和原有人工复判并行输出逐步微调阈值。3.4 在线灰度上线与阈值微调灰度上线阶段采用了一个“影子模式”的策略AI模型实时处理图像但它的结果不直接参与产线放行而是默默记录并与人工结果对照。这个阶段持续了约两个星期积累了大量真实产线数据。影子模式结束后我们根据结果对照分析做了首次策略调整。发现模型对“多锡”这一类缺陷的置信度普遍偏低原因是在我们现有样本库里多锡样本的形态跨度太大有轻微凸起、有大锡珠、有拉尖模型难以找到一个统一特征。后来我们干脆把“多锡”拆成“多锡轻微”“多锡超标”“锡珠”三个细类重新组织标签并补充样本模型的置信度才明显上涨。正式切换的第一周我们仍然保留了一个人工复核岗但复核对象从“全部图像”变成了“AI低置信度图像抽检高置信度判定为良品的图像”抽检比例设定为5%。一周后综合数据出炉人工复判图片量降为原来的9%整条线可以做到一个复判员同时兼顾两台IOI设备的复判量而且还能抽空处理其他质量报表。3.5 产线配套流程调整与人员角色转型AI-AOI上线不只是技术替换还涉及人员岗位和作业流程的调整。原来两个复判员的工作量被大幅压缩后我们重新定义了岗位职责一个人负责“抽检异常确认”另一个人转型为“AI数据管理员”专门负责每日导出当日新增图像、抽查模型判定结果、对有争议的图像进行标注登记并反馈给工艺部门给模型迭代做数据沉淀。这一步很多人会忽略。如果上线AI后原有的复判人员直接撤掉模型一旦遇到新形态缺陷缺少持续的数据反馈闭环效果会越跑越差。AI不是一次部署终身免维护它需要一张持续的“喂养”计划而这个计划必须有人来执行。4. 常见问题与排查技巧实录那些没写进方案里的“坑”4.1 模型上线后出现过杀率反弹怎么办我们遇到过两次比较明显的过杀率反弹。第一次发生在切换产品型号后新板型用了不同颜色的阻焊油墨原来的模型对浅绿色板面的纹理特征与深绿色板面差异较大导致误判增多。排查方法很简单把新增板型的图像导出后做特征分布分析发现整体亮度直方图偏移明显于是针对新板型单独补充了3000张样本做增量训练。第二次反弹发生在梅雨季节车间湿度变化导致PCB板面轻微受潮光学成像上出现一些水渍样阴影模型把部分正常的板面纹理当作异物。这个案例很有代表性它提醒我们AI-AOI模型对图像风格变化敏感环境因素引发的成像漂移是常见的隐性干扰源。后来我们在产线AOI机台内部增加了温湿度监控当湿度超过预设阈值时自动提示工艺人员关注误判趋势。4.2 图像传输延迟导致检测节拍变慢AI-AOI的算力通常部署在独立服务器上AOI工控机通过网络将图像发送给AI服务器做推理再接收结果返回。我们在上线初期碰到过因为网络配置不合理导致的图像传输延迟原先一台AOI扫描完毕只需要8秒加上AI推理后整体节拍拉长到了20秒严重影响了产线节拍。排查后发现是AOI工控机的上行带宽被原有数据上传任务占满图像传输出现了排队。解决方式是优化了网络QoS策略把AI推理的图像传输设为优先级最高并把VLAN单独划分出来隔离业务流量。如果工厂存在夜间集中上传报表的习惯建议错峰或者调整上传策略避免干扰生产实时数据的流通。4.3 BGA和连接器区域模型置信度低BGA焊点位于器件本体下方光学成像本身存在遮挡和阴影连接器引脚又细又密、边缘对比度差这两类区域是AI模型的“老大难”。我们的处理方法是做区域隔离策略针对BGA区域不需要做完整焊点形态判断而是重点看外围锡球是否塌陷、有无挤出连接器引脚区域则提高ROI的放大倍数单独训练一个针对细间距引脚的网络分支。这个策略的思路是“集中兵力打歼灭战”不要让一个大模型试图解决所有问题而是针对特定难点区域训练专用子模型再在主模型流程里做区域调度。实测下来BGA区域的低置信度率从28%降到了11%连接器引脚的低置信度率也有明显改善。4.4 新物料批次引起的系统性误判有一段时间产线上的贴片电容因为供应商换了端电极镀层工艺成像出来的焊盘轮廓跟之前的样本库差异很大导致模型连续将大量良品判定为“虚焊”。这个问题刚开始很难定位因为程序、设备、参数都没变唯一变化的是物料批次。排查这类问题的关键是要建立“图像特征归因”的思维当模型出现批量误判时第一件事不是调阈值而是先对比最近发生了哪些外界变化包括物料批次、钢网张力、锡膏型号、回流焊温度曲线等。后来我们把物料批次信息在MES系统里与AOI图像关联起来一旦出现系统性误判可以快速回溯到物料维度的变更记录。4.5 PCB设计特征对AI检测的影响我们的PCB设计团队在项目反馈中也得到了一些有意思的启发。有些板子在设计的电性能层面是没问题的但从光学检测的角度看会给AI-AOI制造不必要的麻烦。比如铜皮窗口设计得过大露出的基材区域在成像时会形成高反射区或者铺铜区的孤立铜块设计在视觉上容易和缺陷混淆。虽然AI模型理论上可以适应各种板面设计但适配成本有高低之分。在项目上线稳定后我们建议设计部门在新产品可制造性评审DFM阶段就把光学检测兼容性作为一项参考指标特别是那些已经规划为AI-AOI产线的新品尽量在走线、铺铜、丝印位置上避开容易干扰图像识别的特征。这里顺带提一个PCB工艺细节供做检测的同行参考有些板子为了散热会嵌入铜块这种嵌埋铜块区域的热容量和热膨胀特性和周围基材不一样回流焊后焊点形态会有细微差异AI模型学习样本时如果混入过多不同嵌铜结构的焊点图像特征分布会被拉散训练时最好按嵌铜结构分组处理。5. 算账与效益评估10倍效率提升之后ROI到底怎么样5.1 人力投入对比上线前我们这条产线AOI后段白夜班共配置4名复判员人均每班处理约1500张复判图片加班是常态。上线后同样产出下只需配置1名复判员加1名数据管理员数据管理员可同时兼管其他线体人力成本下降了60%以上。另外原来老员工离职后新员工培训周期要三个月才能达到熟练判图水平而AI-AOI模式下新员工只需要理解和操作低置信度队列的复核逻辑培训周期缩短到不到两周。5.2 质量收益与漏检损失控制真正的大头收益在质量端。传统人眼判图受到疲劳度、经验差异、情绪波动的影响凌晨2点和上午10点的判图质量可能完全不同。AI模型没有这个问题只要成像条件稳定它的判定一致性是100%的。上线6个月后我们做了一次质量复盘AOI后段漏检流出的缺陷率从原来的年均0.15%下降到了0.04%左右且没有发生批量性漏检事件。对于通信主板这类产品一块板子流到终端客户处发生失效综合损失含客诉、空运补货、产线停线通常是直接制造成本的几十倍所以这部分收益基本是隐性的、但体量可观。5.3 算力与维护成本估算AI推理服务器我们选了一台搭载单张主流GPU显卡的服务器可以同时支撑两条产线的AI推理需求整机功耗约600W一年电费和维护成本在可接受范围内。训练阶段的算力是租用的云端GPU一次性投入不大。真正的大头投入在样本标注和模型迭代的人力时间上这部分往往被低估。我们的经验是至少在项目规划中预留30%以上的预算和时间给数据工程不要只盯着硬件和软件授权。6. 对PCB工厂智能化质检的落地建议从整个项目复盘来看AI-AOI在PCB工厂的落地核心不是算法有多前沿而是工程闭环是否完整。数据采集、标注规范、模型训练、灰度验证、上线监控、持续迭代这六步缺一环都跑不稳。给还在观望的同行几个实用建议第一先盘点现有AOI设备的成像质量再决定是整机采购还是升级。如果老设备成像基础太差建议直接评估新一代AI-AOI整机方案老设备改造的成本和效果不一定成正比。第二从一条产品类型相对单一的产线开始试点有利于缩短建模周期和验证速度。多品种小批量的工厂做AI-AOI对样本库要求高前期投入会大很多。第三不要把“人工复判量下降”作为唯一指标一定要同时监控漏检风险和AI确认后的真实缺陷率这两项才是长期质量运营的生命线。第四培养一个懂工艺也懂数据标注的内部团队比买再贵的软件都管用。AI-AOI本质是一个持续进化的质量管理系统核心资产就是团队对数据、对缺陷、对工艺的理解。第五PCB设计端如果能在DFM阶段考虑光学可检测性后续AI-AOI的适配速度和稳定性都会有明显提升这个联动机制建议尽早建立起来。7. 后续扩展方向从判图到工艺诊断AI-AOI跑稳定之后我们正在尝试把数据价值再往上游延伸。目前每块板的缺陷坐标、缺陷类型、缺陷图像都和回流焊炉温曲线、锡膏印刷参数进行了关联下一步计划利用这些数据做焊点质量趋势预测尝试在缺陷批量爆发之前把工艺参数的不良苗头找出来。这个方向一旦跑通AI-AOI就不只是质检工具而是带工艺诊断能力的产线“透视眼”对良率改善的意义会大很多。目前还处在数据积累阶段等有阶段性成果了再来做更详细的分享。我个人的体会是AI-AOI带来的最深刻变化其实不是“省了几个人”而是它把老师傅脑子里那些“看着不对但又说不上来哪里不对”的经验变成了可复制、可持续进化的组织能力。设备会老化人会流动但只要数据在积累这条线的质量水平就不会因为经验断档而后退。