结论先行 — AI 版 AOI 保留原有相机与运动平台，用学习模型替换规则库。在 SMT 线上收益集中在误报：典型下降 60–85%，直接减少复检人力，也避免操作员干脆关掉机器。真实缺陷检出率提升有限，通常 2–6 个百分点。单机改造 8–25 万元，回收期多在 6–12 个月。
传统 AOI 卡在哪里
规则 AOI 用颜色、面积、偏移阈值逐点比对金板。两件事会击穿它：正常的工艺波动（锡量、锡膏扩散、元件公差）和非缺陷的外观差异。工程人员于是放宽阈值直到机器不再报警，用误报换漏检，形成隐性质量风险。
AI 层改变了什么
- 焊点、立碑、偏移、轻微错位的误报明显减少。
- 跨板型稳定：模型靠泛化而非匹配金板。
- 可解释的判定：每次报警附热力图，操作员一键确认或推翻，而每次推翻都成为训练数据。
处理得好的缺陷类别
| 缺陷 | 相对规则的提升 |
|---|---|
| 连锡 / 少锡 | 明显改善，误报更少 |
| 立碑、翻件、偏移 | 明显改善 |
| 缺件 / 错件 | 大致相当，规则本已较强 |
| 极性与方向 | 有提升，密集板更明显 |
| 外观痕迹、助焊剂残留 | 大幅改善（规则过度报警） |
| 屏蔽罩下的冷焊 | 有限，需 X-ray，不是 AOI |
与 MES、返修的集成
AI 层应把结果（板序列号、工位、缺陷代码、置信度）推给 MES；返修站再调取图像与热力图，既缩短维修时间，也形成可追溯记录。没有这条回路，误报下降是真实的，但人力节省很难被证明。
成本与实施
在既有 AOI 上加装 AI 检测层，单机 8–25 万元（取决于相机分辨率与板复杂度）；全新 AI 原生 AOI 平台 40–120 万元。实施 4–8 周：2–3 周采图、1–2 周与工艺工程师共同标注，再影子运行后开启自动剔除。
该看哪些指标
每千焊点误报数、功能测试逃逸数、每板返修分钟、操作员推翻率。误报减半但推翻率翻倍的改造，并没有解决真正的问题——操作员信任。
常见问题
能保留现有 AOI 设备吗？ 多数情况下可以，AI 层跑在新增边缘机上，直接取现有相机画面。
需要多少块板训练？ 覆盖全板型与缺陷类别，200–400 块是起步量。
多品种小批量能用吗？ 可以，但要按产品族分模型，混训通常效果更差。
能替代 X-ray 或 ICT 吗？ 不能，它降低的是光学段误报，隐藏焊点仍需 X-ray 或在线测试。
下一步
把产线布局、缺陷清单和目标节拍发给我们，三个工作日内回复可行性说明，包含预期召回率、误报预算和成本区间。架构与报价细节见AI 视觉质检指南。
