對於大多數使用 AOI 進行 PCBA 檢測的製造商而言,真正的瓶頸不在於硬體——而在於檢測軟體的編程。
當引入新板時,工程師首先需要準備 CAD 檔案或建構元件庫,手動繪製檢測框並設定閾值,然後才能執行可用的程式。這一過程通常需要一名熟練工程師三到五個小時。更糟糕的是,任何物料變更或製程調整都需要重新建構整個程式——所有參數和規則完全依賴於人工經驗。
現在,透過基於 AI 的自動特徵辨識,系統可以自動框選和自動設定閾值,將數小時的手動設定縮短至僅五分鐘——真正實現無 CAD、無元件庫、完全由 AI 驅動的編程。
傳統 AOI:依賴 CAD 和元件庫的手動時代
傳統 AOI 依賴基於規則的檢測邏輯。
軟體僅根據手動定義的顏色和灰階閾值比較影像。工程師必須指定每個元件的檢測區域、極性、焊點形狀和判斷閾值。
這意味著每塊板在開始檢測前都必須編程。每當物料或製程發生變化時,工程師必須重新調整或建立新規則。為了避免漏檢,閾值往往設定得過於嚴格,這雖然減少了漏檢,但增加了誤報和誤判,後續需要額外的人工驗證。
AI AOI 的現實:仍未真正擺脫 CAD
近年來,許多 AOI 廠商聲稱整合了 AI 實現「自動框選」。然而,在實際工廠應用中,這些系統仍然依賴CAD 座標或預建的元件庫——並非真正的自主編程。
原因很簡單:大多數所謂的「AI AOI」仍然建立在傳統基於規則的框架之上。AI 只是替代了部分人工勞動,但並未從根本上改變檢測邏輯。
視覺 AI 為核心:教會 AI 自主發現差異
視覺 AI 不依賴預設規則或手動閾值,而是直接從影像中學習以發現差異。
AI 模型使用黃金樣本進行訓練——自動檢測元件位置、框選區域,並學習元件和焊點之間的紋理、亮度和空間關係。
當引入新板時,AI 自動產生檢測框、擷取視覺特徵,並主動識別樣本與黃金參考之間的差異區域。
這為工廠帶來了兩大實際優勢:
-
編程速度提升——無需 CAD 或元件庫;設定時間從3-5 小時縮短至僅 5 分鐘。
-
結果更準確——AI 直接從真實影像資料中確定標準,減少了嚴格參數設定導致的過殺,提供更穩定、可信的檢測。
回饋學習:用得越多,越智慧
AI AOI 的另一個關鍵是回饋學習。
每當人工審核誤報時,該回饋可以回傳到模型中,優化其邏輯。隨著時間推移,每條產線的獨特經驗都會成為新的訓練資料——使 AI 能夠不斷與實際製造條件保持一致。
曾經需要多年人工經驗累積的知識,現在可以直接被 AI 吸收。
從依賴規則的 AOI 到自學習的 AI AOI,改變的不僅是速度——而是邏輯的徹底轉變。
AI 不再是輔助工具,而是能夠自主檢測、學習和改進的核心智慧。
立即聯絡我們,了解更多關於我們 PCBA AI AOI 解決方案的資訊——看看視覺 AI 如何以更高精度將檢測效率提升十倍。