传统 AOI 的不足:
传统光学检测 (AOI) 复杂的参数设定，难以满足弹性化生产需求。PCB行业对良率的要求很高，这使得行业经常将AOI的参数设置到极高的规格，导致设备异常敏感，进而过度杀伤和误判。据行业统计，AOI筛选的误判率可达70-80%。因此，人力无法精简、误判率降不下来、速度难以加快。其次传统AOI系统在大批量生产应用中比较成功，但批量较小或产品种类较多时则有不足。这让行业相当头疼，因为在这种情况下，制造商只能增加额外的人力进行第二次复检，以确认是虚报还是存在真正的缺陷。这不仅会造成额外的人力和时间成本，而且在一些行业中，产品甚至会根据不同客户对成品率的要求进行分级。在某些情况下，某些缺陷是可以容忍的。因此，AOI的误判可能会导致不良品激增，增加行业的生产成本。
搭配 AI 解决问题
在 AI 的基础上，藉由软体优化，事先训练，AI 就能自主学习，自动找出最佳的 OK/NG 参数，提高瑕疵判断准确率，解决传统 AOI 在特定产业高误判率的问题，进而节省工厂可观的生产成本。
AOI检测缺陷与否，图像处理技术的“判断能力”起着非常重要的作用。过去，AOI测试使用逻辑思维模型，根据设定的参数和定义的规则进行判断。因此，用户通常必须首先定义缺陷样本和规则。但是，这样一来，AOI设备只能服从命令，一旦出现新的缺陷或没有很好地定义，设备可能无法判断。
随着检测条件越来越多样化，过去的“黑与白”和数值检测标准也遇到了很多困难，需要一种更灵活的机构来辅助机器进行判断。可以说，在AI的基础上，通过软件优化，为AOI带来更精准的决策能力。像这样集机器视觉和机器学习于一体的智能AOI(3D AOI)自动检测解决方案，似乎将成为未来发展的主流。同时，它为制造商和用户提供了AOI的巨大优势。
传统AOI检测与AI AOI识别最大的区别在于能否主动识别未知缺陷。人工智能可以在一定程度上模仿人类，并将“经验法则”应用于图像识别。因此，与规则相比，它可以实现对外部变化的自我调整，并进一步有效地判断未知缺陷或成像。
可以说，在AI的基础上，通过软件优化，为AOI带来更精准的决策能力。像这样集机器视觉和机器学习于一体的智能自动检测解决方案，似乎将成为未来发展的主流。同时，它为制造商和用户提供了AOI的巨大优势。制造厂商已将AOI技术当作一种无损伤性的检测应对策略。尽管对于AOI供应商来说这是个重大机遇，但同时也暴露了原有AOI的各种不足，如编程效率低、可靠性和灵活性不足等等。这些就问题同时也给了这个行业巨大空间，谁能再这两方面做到突破，谁在未来就有可能在这个行业崛起！
评论