传统缺陷检测方法为人工目视检测法，目前在手机、平板显示、太阳能、锂电池等诸多行业，仍然有大量的产业工人从事这项工作。这种人工视觉检测方法需要在强光照明条件下进行，不仅对检测人员的眼睛伤害很大，且存在主观性强、人眼空间和时间分辨率有限、检测不确定性大、易产生歧义、效率低下等缺点，已很难满足现代工业高速、高分辨率的检测要求。
随着电子技术、图像传感技术和计算机技术的快速发展，利用基于光学图像传感的表面缺陷自动光学（视觉）检测技术取代人工目视检测表面缺陷，已逐渐成为表面缺陷检测的重要手段，因为这种方法具有自动化、非接触、速度快、精度高、稳定性高等优点。
根据成像方法的不同，AOI又可分为三维3DAOI和二维（2D）AOI，3DAOI 主要用于物体外形几何参数的测量、零件分组、定位、识别、机器人引导等场合； 2D AOI主要用于产品外观（色彩、缺陷等）检测、不同物体或外观分类、良疵品检测与分类等场合。按使用情景来分为贴片AOI和插件AOI.插件AOI分为DIP炉前AOI和DIP炉后波峰焊后AOI两种。
但“传统AOI机器视觉基于规则的传统算法，能够满足有比较明确特征的检测或测量需求，在处理一致且制造精良的部件时尚且能可靠运行，但随着缺陷库的增大，算法也会变得越来越有挑战性。”方育柯提到，随着工厂对工艺的要求越来越高，更先进的制程不断出现，传统AOI在缺陷检测方面的局限性逐渐显露，“AI成为AOI检测技术进一步发展的关键因素。”
以DIP工艺波峰焊炉后检测为例，缺陷种类多，形态复杂，基于OK规则的传统算法难以兼容焊点的多形态特征，误判过筛率约为70%，这大大增加了操作员复判的工作量，也容易造成操作员疲劳，随之增加漏检风险。
此外，波峰焊的焊点形态变化大，传统算法需要针对每一类焊点进行调试，大大增加了调试时间。同时传统AOI操作复杂，还对人员的熟练程度有要求，一旦人员流动，难以延续设备检测效果，就会影响生产效率。
因此公司瞄准传统AOI过检、误检高，人力替代率低等痛点，聚焦家电、新能源、汽车、面板等领域，基于深度学习开发了全新的智能AOI：炉前插件AOI和波峰焊AOI。全球首款，免设置参数的AOI；极速编程，10分钟上手；插件线不停板，快速检测并输出结果；宽度与高度可调，适应性强。 与传统AOI对比，灵智通DIP AOI通过AI模型，自动识别焊点和元器件位置，一个检测框即可覆盖各类缺陷的检测，将之前1-2小时的调试时间缩短为10分钟以内。
智能插件AOI采用AI深度学习的卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的表示算法之一。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习。作为图像识别领域的算法之一，卷积神经网络在学习数据充足时有稳定的表现。针对本系统所处理的大规模图像分类问题，卷积神经网络将用于提取图像的判别特征，再通过分类器进行学习和识别。
程序制作灵活性：1、无需设置参数；2、在线抓拍首件板系统辅助做程序，且支持持续补充学习，学习后自动建模比例更高（80%+）；—自动框图器件种类多（60+），比例高。3、支持中文、英文、中英文混合输入；4、批量复制、粘贴、剪切、删除等支持快捷键操作。—硬件条件和安装尺寸不发生变化，已做好的模板可长久正常使用易用性：1、无需设置参数；上手快；2、在线抓拍首件板系统辅助做程序，自动框图比例高，支持持续补充学习，学习后自动建模比例更高(80%+）；3、根据客户需要，支持自定义器件名称；4、支持快速更改工单号；5、支持批量复制、粘贴、剪切、删除等快捷键操作.
D系列在线PCBA插件AOI通过1200或2000万高分辨率的工业相机，从电子电路板顶面拍照，通过AI人工技术，深度学习算法、智能图像分析，检测电子电路板上插件元器件的缺件、多件、偏移、反向、错件、浮高、OCV(文字识别）、可支持测试色环电阻错料。本插件AOI设备可应用于波峰焊炉前或炉后，应用在炉后时，可自动检测板卡的旋转角度，保证元件的检测正确性和稳定性。
D系列在线PCBA波峰焊AOI通过1200或2000万高分辨率的工业相机，从电子电路板底部拍照，通过AI人工技术，深度学习算法、智能图像分析，检测电子电路板上焊锡的锡洞、连锡、未出脚、少锡、多锡等缺陷。
经市场和客户验证，我们炉前插件AOI和炉后波峰焊AOI检出率可达到99.99%，误判率低于0.1%。AOI已实现核心指标行业遥遥领先，有效提升工厂工艺品质。如此，生产线上更加一致、更加可靠且更快速地完成任务。
评论