1. AOI检测到底在产线上干什么第一次接触AOI的人多半是在SMT车间里被那台带相机、带屏幕、带传送轨道的设备吸引住的。板子从回流焊出来顺着轨道滑进机器几秒钟之后屏幕上就跳出一堆红框绿框操作员盯着看判定OK还是NG。这就是AOI检测在电子制造里最典型的出场方式。AOI全称Automated Optical Inspection中文叫自动光学检测。它的核心逻辑其实不复杂用CCD相机或者CMOS相机把PCB板面拍下来通过图像算法跟标准模板做比对把缺件、偏移、立碑、虚焊、连锡、极性反、异物这些缺陷找出来。整个过程非接触、速度快、精度高而且可以放在SMT贴片之后、回流焊之后、甚至DIP插件之后多个工位。为什么电子制造离不开AOI因为现代PCB上的元件越来越小0402、0201甚至01005封装的电阻电容人眼在放大镜下看久了都会花更别说批量全检。一条SMT线一天过几千片板子靠目检根本盯不过来。AOI就是在这种背景下成为标配的——它不是万能的但它是目前产线上性价比最高的全检手段之一。这篇文章适合谁看如果你是SMT工艺工程师、品质工程师、设备工程师或者刚入行想搞懂AOI到底怎么调、怎么用、怎么避坑那下面的内容应该能帮到你。我会从方案选型、核心参数、实操调试、常见问题几个角度把AOI检测这件事拆开讲透。2. AOI检测的核心原理与方案选型2.1 图像比对是怎么做的AOI的底层原理说穿了就是“拍照比对”。但比对的方式有好几种选哪种直接决定了设备的适用场景和误判率。最常见的是模板比对法。先拿一片良品板或者CAD数据生成的虚拟模板作为基准把每个元件的位置、形状、颜色、焊点形态记录下来。检测时相机拍到的图像跟模板做像素级或特征级比对差异超过阈值就报警。这种方法实现简单但对模板质量要求极高而且换线时重新做模板比较费时间。另一种是特征提取法。不依赖整板模板而是针对每个检测项提取关键特征比如焊点的面积、周长、圆度、灰度均值、纹理方向。然后跟预设的判定规则比对。这种方法抗干扰能力强一些换线也快但规则调起来需要经验。还有AI深度学习法这几年越来越火。用大量良品和不良品图像训练模型让算法自己学缺陷特征。好处是对复杂缺陷比如虚焊、少锡的识别率明显高于传统算法坏处是需要大量标注数据而且模型的可解释性差出了问题不好排查。实际产线上很多AOI设备是混合用的元件偏移、缺件用模板比对焊点缺陷用特征提取难判的用AI辅助。选型时不要迷信某一种要看你的产品类型和缺陷分布。2.2 相机与光源的选型逻辑AOI的“眼睛”是相机“照明”是光源。这两块选不好后面算法再强也白搭。相机方面核心参数是分辨率和帧率。分辨率决定了最小能看清多小的缺陷。一般来说要检测0402元件的偏移相机单像素对应的实际尺寸至少要小于元件尺寸的1/5。比如0402元件长约1mm那单像素精度最好在0.2mm以内。现在主流AOI用500万到1200万像素的CCD或CMOS相机配合远心镜头可以做到10μm到20μm的像素精度。帧率决定了检测速度。一条SMT线节拍可能在30秒到60秒一片板AOI要在节拍内完成所有拍照和计算所以帧率不能太低。但帧率越高分辨率往往越低这是个取舍。实际选型时先算清楚你的板子最大尺寸、最小元件、要求节拍再反推相机参数。光源是很多人忽略的部分。AOI常用的是多角度LED环形光源分低角度、中角度、高角度还有同轴光源。低角度光打侧边能突出焊点的三维轮廓高角度光打正面能看清元件字符和极性标记同轴光适合检测反光表面。好的AOI设备可以分区域、分角度独立控制光源亮度和开关这样才能把不同缺陷都照出来。注意光源老化是AOI误判的常见原因之一。LED用久了亮度会衰减而且不同角度衰减不一致导致原本调好的阈值慢慢失效。建议每半年做一次光源亮度校准或者直接换光源模组。2.3 检测工位的选择AOI放在哪决定了它能检什么。炉前AOI放在贴片之后、回流焊之前主要检缺件、偏移、极性反、异物。这时候焊膏还没熔化焊点缺陷检不了。好处是发现问题早可以及时停线调整贴片机避免批量报废。炉后AOI放在回流焊之后能检焊点缺陷比如虚焊、连锡、少锡、立碑。这是最常用的工位也是大多数工厂的标配。但炉后AOI的误判率通常比炉前高因为焊点形态受回流焊温度曲线影响很大不同批次的板子焊点外观会有差异。DIP后AOI放在波峰焊或选择性焊接之后检插件元件的焊点和方向。插件元件体积大检测难度相对低但波峰焊的焊点形态比回流焊更不规则算法要单独调。有些高端产线会做双AOI炉前加炉后甚至再加一个DIP后。这样覆盖率最高但设备投入和调试工作量也翻倍。选几个工位取决于你的产品价值、缺陷率和客户要求。3. AOI编程与调试的实操要点3.1 新程序制作的标准流程拿到一片新板子AOI编程一般按这个顺序走导入CAD数据。大多数AOI支持导入PCB设计文件导出的坐标文件比如Pick and Place文件里面有每个元件的位号、坐标、角度、封装类型。导入后AOI会自动生成检测框和元件库匹配。这一步能省掉大量手动输入的时间。制作或导入模板。如果产线有良品板直接拿一片过炉OK的板子放进去扫描生成模板图像。如果没有可以用CAD数据加标准元件库生成虚拟模板。实测下来用真实良品板做的模板误判率通常更低因为包含了实际焊点的形态。元件库匹配与调整。AOI软件里一般有标准元件库电阻、电容、IC、连接器都有预设的检测参数。但实际板子上的元件可能跟库里有差异比如焊盘大小、丝印位置、元件颜色。需要逐个检查把不匹配的元件手动调整检测框和判定阈值。阈值设定。这是最考验经验的一步。偏移多少算NG焊点面积小于多少算少锡极性标记灰度差多少算反这些阈值没有统一标准要根据你的产品要求和产线实际能力来定。一般先设一个宽松的阈值跑一批板子看误判和漏判情况再逐步收紧。试跑与优化。拿20到50片板子试跑记录误判良品被判NG和漏判不良品被判OK。误判多就放宽阈值漏判多就收紧。反复几次直到达到可接受的平衡。实操心得新程序第一次跑不要追求零误判。产线上有句话叫“宁误勿漏”尤其是安全相关的缺陷比如极性反、连锡宁可误判多一点也不能漏。等程序稳定了再慢慢优化误判率。3.2 阈值设定的具体计算方法阈值设定不是拍脑袋可以用一些简单的统计方法。以元件偏移为例。假设你要检测一个0402电阻的偏移允许的最大偏移是元件宽度的1/4也就是0.125mm。相机像素精度是20μm那0.125mm对应6.25个像素。在AOI软件里偏移阈值就设成6个像素左右。但实际还要考虑相机畸变、板子涨缩、传送轨道抖动所以通常会留20%到30%的余量设成7到8个像素。焊点面积的阈值更复杂。先拿30片良品板测出每个焊点的面积均值μ和标准差σ。如果假设面积服从正态分布那下限可以设成μ-3σ这样理论上只有0.3%的良品会被误判。但实际焊点面积不一定正态分布而且不同位置的焊点差异很大所以最好分区域、分元件类型分别统计。颜色阈值用于极性检测。比如电解电容的负极有一条白色条纹跟本体颜色差异明显。可以取条纹区域和本体区域的灰度均值算出一个灰度差阈值。但要注意不同批次的电容颜色可能有差异光源老化也会影响灰度值所以这个阈值要定期复核。3.3 误判与漏判的平衡技巧误判和漏判是一对矛盾。误判多了操作员会疲劳甚至把AOI当摆设直接跳过漏判多了不良品流到客户手里后果更严重。平衡的核心是分级判定。把缺陷分成致命、严重、轻微三级。致命缺陷比如极性反、连锡、缺件阈值设严宁可误判严重缺陷比如偏移、少锡设中等轻微缺陷比如外观瑕疵、丝印模糊设宽松甚至可以设为“提示”而不是“NG”。另一个技巧是区域差异化。板子边缘的元件因为传送轨道抖动偏移会大一些阈值可以放宽板子中心的元件定位稳定阈值可以收紧。IC的引脚密集连锡判定要严大焊盘的连接器少锡判定可以松一些。还有多帧确认。有些AOI支持对同一个位置拍多张照片或者用不同光源拍多张只有多张都判定NG才报警。这样能有效降低因单次拍照噪声导致的误判。4. 产线实操中的典型问题与排查4.1 常见误判原因速查表现象可能原因排查方法解决措施同一位置反复误判模板有脏污或元件库参数错误调出该位置图像对比模板重新制作模板或修正元件库整板误判率突然升高光源老化或相机镜头脏污检查光源亮度和镜头清洁度校准光源或清洁镜头边缘元件误判多传送轨道抖动或板子定位偏移检查轨道宽度和夹紧机构调整轨道或增加定位标记焊点误判多回流焊温度曲线变化对比不同批次的焊点图像优化温度曲线或放宽阈值极性检测失效元件颜色批次差异抽查不同批次的元件调整颜色阈值或改用其他特征检测速度变慢程序复杂或电脑性能不足查看检测耗时分布优化程序或升级硬件4.2 虚焊检测为什么这么难虚焊是AOI最头疼的缺陷之一。因为虚焊的焊点外观可能跟良品几乎一样只是内部没有真正润湿。传统AOI靠外观比对很难区分。实际产线上虚焊检测主要靠几个间接特征焊点表面的反光模式、焊点边缘的润湿角、焊点的高度信息如果用3D AOI。2D AOI对虚焊的检出率通常只有60%到80%3D AOI能到90%以上但设备贵很多。如果你用的是2D AOI建议把虚焊检测跟其他手段结合比如增加炉前AOI检查焊膏印刷质量或者用X-Ray抽检。不要指望AOI能100%检出虚焊这不现实。注意有些工厂为了降低误判把虚焊阈值设得很松结果漏判严重。我的建议是虚焊检测宁可误判多一点因为虚焊流到客户手里返修成本远高于产线误判的成本。4.3 换线时的快速调试方法SMT线换线频繁AOI程序切换速度直接影响产线效率。几个提速技巧程序模块化。把常用元件0402电阻、0603电容、SOT-23、QFN等做成标准元件库新程序直接调用只调位置和少量参数。复制相似程序。如果新板子跟老板子布局相似直接复制老程序改坐标和位号比从头做快很多。预存多套阈值。同一产品不同批次的板子涨缩可能不同。可以预存几套阈值换批次时直接切换。用CAD数据自动生成检测框。不要手动画框导入坐标文件后自动生成效率高且不容易漏。实测下来一个熟练的AOI工程师换线调试时间可以控制在15到30分钟。如果超过1小时多半是程序结构没做好或者元件库太乱。5. AOI与SMT产线的协同优化5.1 AOI数据怎么反哺贴片和印刷AOI不只是检测工具它的数据可以反哺前道工序。比如AOI发现某个位置的元件偏移持续超标可以把偏移方向和量值反馈给贴片机让贴片机做补偿。有些高端产线已经实现了AOI与贴片机的闭环控制AOI测出偏移后自动调整贴片坐标。再比如AOI发现某个区域的焊点少锡可能是锡膏印刷厚度不均。可以把数据反馈给SPI锡膏检测仪调整印刷参数。这种前道后道的数据联动是智能工厂的基础。但现实是很多工厂的AOI数据只是用来判定OK/NG没有做统计分析。建议至少每周导出一次AOI数据按缺陷类型、位置、元件类型做帕累托分析找出主要缺陷来源针对性改善。5.2 AOI与X-Ray、ICT的分工AOI检外观X-Ray检内部ICT检电气性能。三者不是替代关系是互补关系。AOI能检缺件、偏移、极性、连锡、少锡、立碑但检不了BGA底部的虚焊、QFN的隐藏引脚、PCB内层的短路。这些要靠X-Ray。ICT则通过探针测电气连通性能发现AOI和X-Ray都检不到的电气缺陷。实际产线上一般AOI全检X-Ray抽检或者对BGA、QFN等特定元件全检ICT全检如果板子有测试点。三者结合覆盖率最高。但设备投入也大小批量产线可能只配AOI加目检。5.3 3D AOI值不值得上3D AOI用结构光或激光三角测量能测出焊点的高度信息。对虚焊、少锡、翘脚这些跟高度相关的缺陷检出率明显高于2D AOI。但3D AOI贵速度也比2D慢而且对反光表面的测量精度受材质影响大。如果你的产品是高可靠性、高价值的比如汽车电子、医疗电子3D AOI值得上。如果是普通消费电子2D AOI加X-Ray抽检可能更划算。我见过一些工厂上了3D AOI但只用了2D功能因为3D编程复杂、调试慢操作员不愿意用。所以上3D之前先确认你的团队有没有能力把它用好。6. AOI算法的进阶方向6.1 传统图像处理还有没有用现在到处都在讲AI但传统图像处理在AOI里依然有用。模板比对、边缘检测、形态学操作、连通域分析这些算法计算量小、可解释性强、调试直观适合检测规则明确的缺陷。AI适合检测规则模糊、形态多变的缺陷比如虚焊、异物、颜色异常。实际产线上很多AOI是传统算法加AI辅助传统算法做初筛AI做复判。这样既保证了速度又提高了准确率。6.2 深度学习在AOI中的落地难点深度学习在AOI里最大的难点是数据不平衡。良品图像成千上万不良品图像可能只有几十张。模型训练出来容易把不良品也判成良品。解决办法有几个一是数据增强把少量不良品图像做旋转、缩放、加噪声扩充样本二是用异常检测算法只学良品特征偏离良品的就是异常三是迁移学习用预训练模型微调减少对大量标注数据的依赖。另一个难点是可解释性。AI判了一个NG操作员问为什么很多时候答不上来。这在品质管理上是硬伤。所以AI复判的结果最好能给出热力图或者相似度分数让操作员有个参考。6.3 边缘计算与AOI的结合AOI的图像数据量很大一片板子可能拍几十张高清图如果全部传到服务器处理网络带宽和延迟都是问题。边缘计算把算法部署在AOI设备本地拍完即处理只把结果和少量关键图像上传能大幅降低网络压力。现在一些新出的AOI设备已经内置了GPU或NPU支持本地跑深度学习模型。这对产线来说是个好消息既享受了AI的准确率又不用担心网络和延迟。7. 我个人在实际操作中的几点体会AOI这个领域设备只是工具真正决定效果的是人。我见过同一台AOI在不同工程师手里误判率能差三倍。差别就在编程和调试的细节上。第一个体会是模板质量决定上限。模板没做好后面怎么调阈值都是拆东墙补西墙。做模板时一定要用真正过炉OK的良品板而且要多片取平均减少单片的偶然性。第二个体会是阈值要定期复核。产线环境在变光源在老化元件批次在换三个月前调的阈值三个月后可能就不适用了。建议每月做一次误判率统计超过目标就重新校准。第三个体会是不要忽视操作员的反馈。操作员每天盯着AOI屏幕他们最清楚哪些位置老误判。工程师要多跟操作员沟通把他们的反馈作为调优的依据。最后分享一个小技巧新程序上线前拿一批已知不良的板子可以从返修区找跑一遍看AOI能不能全部检出。这叫“挑战测试”能快速暴露程序的漏判风险。如果连已知不良都检不出那程序肯定有问题别急着上线。AOI检测这件事说到底是跟缺陷斗智斗勇。没有一劳永逸的程序只有持续优化的过程。希望上面的内容能帮你少走一些弯路。
