AI 视觉检测在 SMT 质检中的应用：与传统 AOI 怎么分工

AOI 光学检测仪在 SMT 产线上已经不新鲜，但用过的人都知道它的两个长期痛点：误判率压不下去，程式维护成本下不来。近几年被讨论较多的方向是把深度学习引入视觉检测，用样本训练替代人工设定阈值。对采购与工程人员来说，真正需要判断的不是"要不要上 AI"，而是它和现有 AOI 之间怎么分工。

传统 AOI 是怎么工作的

传统 AOI 的判定逻辑以规则为主，常见方式有两类：一类是把采集到的图像与标准图像或良品板图像做比对，找出差异区域；另一类是提取特征——颜色、灰度、轮廓、边界位置——再与预设的阈值区间比较。这套方法对形态稳定的缺陷很有效，比如缺件、极性装反、元件明显偏移、异物这类"有或没有""在或不在"的判定。

它的边界也很清楚。焊点的形态是连续变化的，虚焊、少锡、润湿不良这类缺陷没有固定的形状模板，规则式算法只能通过灰度与面积阈值去逼近，阈值定宽了漏判，定严了误判，于是需要反复调整。此外，每换一款产品就要重新编写程式与调整参数，在多品种小批量的场景下，程式准备时间会占据相当大的比重。

AI 视觉检测改变了什么

深度学习方法的思路不同：不定义"什么样的焊点算缺陷"，而是用大量已标注的样本训练模型，让它学会"什么样的焊点属于这一类"。这样做的直接好处是对形态差异的容忍度更高，能处理规则难以描述的连续量缺陷；同时降低了程式编写门槛，产品切换时的工作量可能明显减少。误判率与漏判率的平衡更多取决于训练数据的质量与覆盖面，而不是人工设定的一组参数。

代价与前提

AI 不是无代价的升级。第一，它需要足量且标注正确的样本，样本积累本身就是一项投入，而且标注规则必须与验收标准一致，否则模型学的就是错的。第二，模型需要维护：工艺参数变更、材料更换、新产品导入都可能让原有模型的表现下降，需要重新训练或补充样本。第三，可解释性较弱，出现误判时不像规则式那样能直接指出是哪条阈值导致的，排查依赖对训练数据的回溯。第四，对算力与设备有额外要求。

实际生产中的分工

比较务实的做法是让两者各管一段。形态明确、边界清晰的判定交给规则式 AOI 处理，这类项目规则式已经做得又稳又便宜。形态复杂、规则难以描述的判定交给 AI，用于降低漏判。两者的输出可以串联，也可以并行后做结果比对。

需要强调的是，无论用哪种方法，最终判定仍要回到标准判据上来。IPC-A-610 定义的是"什么样的板子算合格"，它规定了目标条件、可接受、过程指示与缺陷四类状态的判断口径，检测手段只是实现工具。因此 AI 模型的标注规则必须以标准判据与客户技术协议为依据，AI 的输出更适合作为复判建议，而不是直接作为放行或报废的最终裁决。

中小批量场景怎么选

多品种小批量订单的特点是产品切换频繁、单品批量小，样本积累困难。在这种条件下，把 AI 全面铺到所有检测点并不现实。更可行的路径是：用规则式 AOI 兜住形态类缺陷，把 AI 集中用在少数高价值、高风险的检测点上，例如 BGA 周边焊点、关键连接器、大功率器件的焊点。这些位置一旦漏判，返工与失效成本远高于检测成本。

恒烁电子的配套

恒烁电子在常州配置五条 SMT 全自动高速贴片生产线，配套 AOI 光学检测仪、ICT 针床测试与定制功能测试治具，形成外观检测、在线电测与功能验证的多级把关。针对小批量多品种订单，公司在投产前与客户确认验收标准与检测要求，使检测项目与产品实际风险点相对应。

几个常见误区

一是认为上了 AI 就不再需要人工复判，忽略模型维护与可解释性的限制。二是样本不足就上模型，结果在新产品上表现大幅波动。三是标注规则与验收标准脱节，模型学出来的判据与客户要求不一致。四是把所有检测点都换成 AI，忽略规则式在简单判定上的成本优势。

关于恒烁电子

常州恒烁电子有限公司（品牌"恒烁电子"）成立于 2014 年，位于常州市钟楼区，从 2000 年起投资 SMT 设备，长期专注于 SMT 贴片、DIP 插件加工与整机 OEM 代工。公司拥有约 3000 平方米专业厂房、五条 SMT 全自动高速贴片生产线、多条 DIP 插件线与组装测试线，并设有成品老化车间与独立工装制作部门，服务行业覆盖通信、办公自动化、汽车电子、工业自动化、电力电表、LED 照明与消费电子等领域。

本文所引标准条款以现行有效版本为准，检测方法与验收判据请以客户技术协议及标准正式文本为准。