AOI✖️AI：更快更省更准

AOI设备引入的初衷，是为了减少人工检查的依赖，让有限的人力集中于更高价值的工作。但如今，传统AOI设备真的能满足制造业企业的要求吗？

以下是一个真实的场景：

产线部署了上百台传统AOI设备，尽管完成了基础缺陷检测任务，误检率却高达80%，仍然需要早晚两班、每班80多个人守在线边盯着做复判，体现在人力成本上是每年2000来万元的支出。而且复判人员很难将标准完全统一，熟练的人看得快，新人需要反复确认，单靠人力每天反复从大量“看起来有问题”的图像里，找出真正不能放过的那一些，其中潜在的质量隐患也意味着巨大的质量成本。

传统 AOI 检测，为何成了制造业的烦恼？

行业内这一难题，核心原因在于：传统AOI算法依赖模板和规则，这就导致：

现场光线和摄像机角度经常变化，会影响算法判断准确性

产品稍有偏离规定位置，算法就难以正确匹配

传统算法是针对已知缺陷设计的，无法发现未知问题

连山AI✖️AOI技术，让设备真正“聪明”起来

对具体检测场景，连山算法工程师定制化的完成首个关键工位的模型训练部署迭代，不改动 AOI 原有的光学与机械结构，而是在检测之后，通过工位旁的 AiBrain 边缘算力盒子，实时处理AOI输出的报警图像和相关数据，分担一部分原本人工做的重复确认工作。

以PCBA检测场景为例，遇到元件缺失、焊点异常等问题，模型从图像中识别元件状态和焊点特征，判断报警位置是否存在相应异常；遇到疑似错件，则读取元件表面的标识，与该位置应当使用的物料信息比对；标识读不清，就交给人工继续确认；遇到更复杂的元件起翘、浮高，根据历史合格样本的数据，建立正常表现的参考范围，再分析当前样本是否落在这个范围内。模型既要分析合格件通常是什么样，也要用确认过的不良件检验判断边界，逐步区分误报和真实缺陷。无法可靠判断的，仍交给人工复核。

基于深度学习和计算机视觉的AI算法，能够通过大量样本不断“学习”不同产品和缺陷的各种表现形式，不依赖死板的规则，因此能更准确地识别各种已知、未知缺陷，并且适应现场环境的变化。此外，模型的运行并不绑定特定设备，而是将不同设备的报警信息统一接入，在工位侧完成 AI 判断，再将需要人工核验的任务汇集到集中复判站，让复判员能够处理来自多条线的任务。解决不同品牌AOI设备，不同工位/产品，输出图像、位号和量测数据的格式各不相同的问题，与产线现场的工作方式相连接。

在过往合作中，连山模型接入5 大品牌的 2D、3D AOI 设备，仅用2周就迅速实现99%不良品检出率，以及对原有检测设备60%的直通率提升以及90%的纠偏提升

Ai教练，让企业实现自主AOI升级

算法开发只是AOI设备升级的第一步，AI 不会因为接到了产线上，就自动学会复判员的全部经验。

过去，复判员确认“这是反光，不是缺陷”，眼前这次报警就处理完了。现在，对应图像、报警信息和人工判定结果会被记录下来，进入统一的样本库，为后续训练提供依据。相似的误报反复出现，就有机会通过积累的样本改善模型；遇到少见的新缺陷，也能把经过确认的案例留下来，为后续建模和验证做准备。

但留下样本，不等于立即改变产线上的放行规则。新模型先以“影子模式”运行：给出判断，与人工复判结果进行比对，但不直接据此自动放行。验证达到约定指标后，再逐步投入使用。对样本不足、尚未验证的罕见缺陷，继续保留人工复核。如果说复判员在带一个“AI 徒弟”，那么这位徒弟既要从真实案例中学习，也要通过考核，才能承担更多工作。

人的判断留下来，模型的变化经过验证，经验才有机会成为稳定的复判能力。

在与头部电力电子制造业企业合作中，通过让一线业务人员掌握如何落地AI，学会使用连山平台——这个融合了完整工业AI模型开发、迭代、部署流程的智能平台——已实现100多个“复检硅基人”上岗， 70 多个岗位的人力优化，年化经济收益约 630 多万元，推动智能化升级和持续提升效益。