AI视觉在SMT贴片检测中的应用：从炉前炉后到零缺陷产线

SMT贴片产线的检测压力这两年明显上来了。01005元件、03015芯片级封装、0.3mm间距的QFN，再加上双面混装和柔性板，传统AOI靠规则比对已经很难压住误报率。AI视觉检测因此成了SMT行业最受关注的技术方向之一，核心逻辑是用深度学习替代人工设定阈值，让机器自己学会判断什么是缺陷。

一、核心概念与技术定义

SMT贴片检测里的AI视觉，指的是用卷积神经网络（CNN）和Transformer等深度学习模型，对贴片后的PCB图像做缺陷识别与分类。它要覆盖的缺陷类型包括：缺件、偏移、立碑、翻件、极性反、虚焊、连锡、少锡、多锡、异物、引脚翘起等。

和传统AOI的本质区别在于：传统AOI靠灰度阈值、模板匹配、颜色提取这些人工规则，换一个产品就要重新调参数；AI视觉靠标注样本训练模型，模型自己提取特征，换线时只需少量样本微调就能迁移。业界主流方案通常把检测节点分成炉前（回流焊之前）和炉后（回流焊之后）两道，炉前抓贴装缺陷，炉后抓焊接缺陷。

二、技术原理与关键能力

一套完整的AI视觉检测系统，底层能力大概分四层。

第一层是成像。用高分辨率工业相机配合多角度环形光、同轴光、条纹光，把焊点、引脚、元件本体的三维形貌拍清楚。0201以下元件对光学分辨率要求极高，通常需要5μm到10μm/pixel的精度。

第二层是定位与配准。先用传统视觉算法做Mark点定位和PCB翘曲校正，把待检图像和标准图像对齐。这一步不过关，后面AI模型再强也没用。

第三层是缺陷检测与分类。这是AI真正发力的地方。分类模型判断"有没有缺陷、是什么缺陷"，分割模型给出缺陷的像素级位置。针对SMT产线节拍快的特点，模型要做轻量化，推理时间通常要压到几十毫秒以内，才能跟上贴片机每分钟几万点的速度。

第四层是复判与闭环。AI给出初判结果后，系统按置信度分流：高置信度直接放行或报警，低置信度转人工复判，复判结果再回流做增量训练。这套闭环决定了系统上线三个月后是越来越准还是越来越飘。

关键能力指标有三个：检出率（漏报率）、误报率、过杀率。SMT行业普遍要求漏报率控制在极低水平，误报率直接影响产线直通率，是选型时最该盯的指标。

三、制造业典型应用场景

场景一：某消费电子代工厂的手机主板产线。这条线每天换型五六次，元件从01005到连接器都有。传统AOI换线调程序要一两个小时，AI方案用少量新样本做迁移学习，换线时间压缩到十几分钟。炉前检测抓贴装偏移和缺件，炉后检测抓虚焊和连锡，两道数据打通后能反推到贴片机的吸嘴和供料器问题。

场景二：假设一家汽配企业的ECU控制板产线。车规产品对焊接可靠性要求极高，虚焊和少锡是致命缺陷。AI视觉在这里重点做焊点三维重建和锡量评估，结合X-Ray做BGA和QFN底部焊点检测。产线还要求全流程追溯，每块板的检测图像和判定结果要存到MES里，配合SPC做过程能力分析。

场景三：某医疗电子企业的柔性板产线。FPC容易翘曲变形，传统AOI的模板匹配经常对不上。AI方案用分割模型先做板形校正，再做缺陷检测，对柔性板的适应性明显更好。这类产线批量小、品种多，AI的迁移能力比规则方案更划算。

四、选型要点与实施建议

第一，先明确检测节点。炉前和炉后要检测的缺陷类型完全不同，不要指望一套模型通吃。炉前重点看贴装精度和元件有无，炉后重点看焊点质量。

第二，看误报率而不是只看检出率。检出率可以靠调低阈值刷上去，但误报率一高，产线操作员就会习惯性点"忽略"，系统形同虚设。选型时要用自己的真实板子做盲测。

第三，问清楚模型迭代方式。是每次换线都要重新标注训练，还是支持小样本微调？有没有复判数据自动回流的机制？这决定了长期使用成本。

第四，确认和现有设备的接口。SMT产线通常已经有AOI、SPI、贴片机、回流焊，AI检测系统要能跟这些设备做数据交互，才能形成闭环。SMEMA接口、IPC-CFX协议这些要提前确认。

第五，算清楚节拍。AI推理再准，如果跟不上产线速度就是白搭。要问清楚单板检测时间，以及在多相机多工位下的并行能力。

第六，小批量验证再铺开。先选一条线、一个产品做试点，跑一到两个月，看误报率、漏报率和人工复判量的实际变化，再决定是否推广。

五、趋势展望与总结

第一个方向是3D+AI融合。传统2D AOI对虚焊、少锡的判断靠颜色和灰度，3D轮廓仪能给出锡点的真实高度和体积，两者结合后焊点检测的准确率会再上一个台阶。

第二个方向是检测与工艺闭环。AI检测不只是挑出坏板，更要把缺陷数据反推到贴片机、印刷机、回流焊的参数上，做根因分析和参数补偿。这才是智能制造真正要的东西。

第三个方向是边缘部署与轻量化。产线节拍越来越快，模型要往边缘端走，用NPU做推理，减少对中央服务器的依赖，同时保证数据不出厂。

SMT贴片检测的AI化不是要不要做的问题，而是多快能做好的问题。选对节点、盯住误报率、做好数据闭环，这三件事做到位，产线直通率和人工复判量都会有肉眼可见的变化。业界累计3200余家终端和120余家客户（覆盖15+行业）的实践也说明，AI视觉在SMT场景的落地已经过了概念验证阶段，进入拼工程细节的时候了。