共计 1401 个字符，预计需要花费 4 分钟才能阅读完成。
AOI（Automated Optical Inspection 缩写）的中文全称是自动光学检测。通过高速高分辨率的工业成像模块，搭载高稳定高精度的机械结构，对待检物进行稳定成像。依托智能检测算法，对待检物的错、漏、反、虚焊等缺陷进行有效检出。使用 AOI 可对生产过程中的缺陷进行有效发现，提升工艺品质，为工厂降本增效。
随着科技的发展，工厂对工艺的要求越来越严格，更先进的制程不断出现，AOI 已经由“选配”转变为“标配”。目前行业 / 企业使用的传统 AOI 普遍存在的以下两个核心痛点：
1、操作复杂、调试时间长。波峰焊的焊点形态变化大，传统算法需针对每一类焊点进行调试，大大增加了调试时间。同时，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，从而影响生产效率。
2、误判高。传统算法难以兼容焊点的多形态特征，误判比较高，大大增加了操作员复判的工作量。过多的误判，操作员容易疲劳，漏检的风险随之增加。
|
用户学习时间
|
|
|
|---|---|---|
| 5-10 分钟即可开始使用 | 编程需专业人员耗时一个多小时甚至更长 | |
| 检出率高误报少 | 检出率一般，误报高 | |
| AI 深度学习 | 依赖大量缺陷样本数据 | |
| 反馈学习持续优化 AI 模型 | 复杂参数调节，主要依赖操作员经验 | |
| 基于浏览器的访问方式，可随时随地使用 | 需安装桌面软件，仅支持本地访问 | |
| 元件错误、焊接检测、损伤与异物等多种检测项目 | 元件错误、焊接检测、损伤与异物等多种检测项目 | |
| 一键辅助编程 | 没有 |
贴片焊点和插件焊点形态的千变万化，使用传统算法将会十分困难。不管从颜色提取、灰度计算还是模板匹配等，操作人员可能都不得不为每一类焊点制作一个 OK 规格，需抽色、需调饱和度、色相，需调阀值、容忍度等, 这样就会耗费较多的调试时间。随着缺陷库的增大，算法也会变得越来越有挑战性。
而 智能 AOI借助深度学习这项技术便可以达到另一种效果：生产线上更加一致、更加可靠且更快速地完成任务。灵智通 智能 AOI是一款基于深度学习，核心采用自研深度学习目标检测与异常检测框架的产品，其中检出率可以达到 99.99%，误判率低于 3000PPM。通过行业收集的海量缺陷图片数据，高效训练深度学习神经网络模型，使得模型可自动从图片中提取缺陷特征，有效解决传统算法无法提取关键缺陷特征的问题。通过深度学习目标检测模型，精准定位缺陷位置并实现缺陷的准确分类。
智能 AOI核心利用自研深度学习技术，构建深度 卷积神经网络 模型，通过 xicerien 方式让机器学习到不良图像中缺陷因素之间的深层逻辑关系、局部与局部、局部与整体的关联关系，实现缺陷的检测识别、分类。借助深度学习使生产线上更加一致、更加可靠且更快速地完成任务。
灵智通 智能 AOI采用 AI 算法解决了设备换型时重新编程时间长的问题，仅需 10 分钟即可完成新板制作。该设备搭载 AI 模型，在新板制作时，只需输入板子长宽，设备自动调节轨道开始制作，拍照完成后可以将全部 FOV 合成整板图像，自动识别焊点和元件位置，进行智能元件分组，工程师仅需极少输入便可完成编程制作。导入灵智通 智能 AOI后，工程师操作更简单，可实现 快速编程，提升工程师管理产线效率，原来 1 名工程师只能管理 2 条产线，现在可以管理 5 条产线，而且误判率降低后，可将产线上维修工位与复判工位合并，每条产线上可至少减少 1 名操作员，平台降低企业近 80% 的产品缺陷检测人力成本，为客户带来间接经济效益数亿元。
Google Analytics Alternative