AI 可以大幅缩短电子厂在表面贴装线上追查虚假缺陷所花费的时间。一份全新的分步指南展示了制造商如何试点一个 AI 模型，用于对自动光学检测 (AOI) 的误报进行排序，从而让检测人员能够专注于最有可能隐藏真实问题的图像。
AOI 系统会标记每一个潜在缺陷，但大多数警报最终被证明只是组件形状或焊锡分布的无害变化。检测人员在筛选这些“误报”时浪费了大量时间，而真正的缺陷有时会溜过检测，进入后续的测试站。该指南的核心前提很简单：使用 AI 不是为了取代 AOI 的决策引擎，而是为了重新排列其警报顺序，使风险最高的警报优先显示。
为什么这个问题现在至关重要
SMT (表面贴装技术) 生产线的运行速度极快，几乎没有留给人工复检的时间。当误报占据警报流的主导地位时，操作员必须暂停生产线，手动核实每张图像，并记录维修操作。这种瓶颈增加了人工成本并降低了吞吐量。
试点框架 —— 从构思到资产
定义一个范围明确且安全的目标 试点应仅对 AOI 警报进行排序，而不是自动接受或拒绝电路板。将决策权保留在人工手中，可以确保模型不会在不知情的情况下引入质量违规。
建立基准 在任何模型接触数据之前，记录当前的指标：误报率、单块电路板的平均检测时间、缺陷逃逸率和直通率 (FPY)。将这些数字作为改进的衡量标准。
收集丰富的关联数据 将 AOI 图像与检测人员的判定、分配的维修代码、最终测试结果以及上下文字段（如序列号、时间戳和机器配方）整合在一起。数据集越丰富，模型的细微差别处理能力就越强。
防止数据污染 工程变更指令 (ECO) 经常会改变组件封装或焊盘图案。将 ECO 前后的图像混合在一起会干扰模型，导致预测效果不佳。应按版本或变更日期对数据进行分段。
应用有意义的标签 不要只使用“缺陷/无缺陷”这种二元分类，而是使用“需要返修”、“需要工程评审”或“可接受的变化”等类别。细粒度的标签能为模型提供关于每个警报严重程度的更清晰信号。
以正确的方式划分数据 将记录随机打乱并分为训练集和测试集，可能会使模型在表现上看起来比实际生产时更好。应按时间窗口或产品版本进行划分，使测试集能够真实反映未见的未来数据。
针对实际应用进行验证 训练完成后，对一批验证数据进行排序，并测量有多少真实缺陷出现在列表的前 20% 中。如果模型能尽早发现大多数真实问题，那么它就可以进行受控推广了。
将模型视为生产资产 在跟踪硬件版本的同一变更控制系统中，记录每一个版本、训练数据集和超参数微调。这种审计追踪让你能够充满信心地回滚或更新模型。
并行运行，而非取代 将 AI 排序引擎与现有的检测流程并行部署。在更改任何验收标准之前，先将 AI 的建议与人工检测员的决策以及最终测试结果进行为期数周的对比。
在规模化之前进行迭代 成功的试点是一个受控的过程变更，而不是一个无止境的实验。一旦模型能够持续改善基准指标，就可以将该方法应用于其他用例，如预测性维护或供应商质量管理。
风险与应对措施
- 数据质量至上 —— 不完整的时间戳或缺失的维修代码会产生噪声模型，导致性能不佳。严格的数据采集流程是不可逾越的底线。
- 模型漂移 —— 新组件会改变“正常”图像的统计特征。在相同的变更控制流程指导下进行定期重新训练，可以缓解漂移问题。
- 人工干预疲劳 —— 排序警报仍需要检测人员查看大量图像。如果排序无法将真实缺陷与噪声区分开来，预期的节约时间效果就会消失。需持续监测单块电路板的检测时间。
后续关注点
成功完成 AOI 排序试点的制造商可以将这一模式扩展到其他用例，例如预测性维护或供应商质量管理。
核心结论： 只有当 AI 叠加了一个基于高质量、版本受控数据构建，并经过实际缺陷发生情况验证的分级告警系统时，才能真正优化 SMT 线的效率。将模型视为生产资产而非一次性的演示，其回报将转化为一种可复制的竞争优势。