【案例】深圳宝安区SMT贴片厂AI视觉检测升级：从人工目检到智能识别的蜕变之路

在深圳宝安区，有一家专门从事SMT贴片加工的电子代工厂——华创电子科技有限公司。工厂拥有3条生产线，日产能达到200万点，主要为深圳、东莞的智能穿戴品牌提供PCBA加工服务。

在2025年之前，工厂的质检环节完全依赖人工目检。每条线配备2名质检员，采用10%抽检模式，存在漏检率高、人员疲劳导致误判等问题。

一、AI视觉检测系统引入

2025年Q3，工厂引入了一套基于深度学习的AOI（自动光学检测）系统。该系统采用工业相机+边缘AI计算单元的架构，能够对每一块PCB进行100%全检。

核心配置包括：
• 12台500万像素工业相机
• NVIDIA Jetson AGX Orin边缘计算模块
• 自研缺陷检测模型（支持锡膏偏移、元器件偏移、立碑、桥连等20+种缺陷识别）

二、部署实施过程

项目分三个阶段推进：

第一阶段（1个月）：数据采集与模型训练
工厂历史缺陷样本库积累超过50万张图片，用于训练深度学习模型。

第二阶段（2周）：产线改造与系统集成
在贴片机后端串联AOI检测设备，与MES系统对接，实现检测数据实时上传。

第三阶段（1个月）：人机协同优化
AI初筛+人工复检模式，质检员从6人减至2人，主要负责异常判定。

三、升级成果数据

经过半年的运行，系统取得了显著效果：

✅ 缺陷检出率：从85%提升至99.2%，提升14.2个百分点
✅ 漏检率：从3%降至0.1%，降低96.7%
✅ 质检人员：从6人减至2人，人力成本节省67%
✅ 日产能：从180万点提升至220万点，提升22%
✅ 客户投诉：因质量问题投诉下降80%

整套系统投入约45万元，预计18个月可收回投资成本。

四、AI检测系统实景



▲ SMT贴片生产线上的AI视觉检测设备

五、经验总结

对于同样考虑AI升级的SMT贴片厂，建议关注以下几点：

1. 数据积累是基础：在引入AI之前，要建立完善的缺陷样本库，这是训练精准模型的前提。

2. 边缘计算更适合工厂环境：本地化部署的边缘AI计算单元，响应速度快、稳定性高，不依赖网络。

3. 人机协同是过渡最优解：完全无人化短期内不现实，AI+人工复检模式可以兼顾效率和准确性。

对于深圳、东莞等地的SMT贴片厂，AI视觉检测已经从"锦上添花"变成"必备配置"，越早布局越能抢占先机。

[quote]楼主分享的案例很详实，数据也漂亮，但我更想聊聊另一个维度：**这套系统上线后，对工艺部门的影响其实比质检部门更大。**  

我们厂去年也上了类似的AOI，最初目标是替代人工目检，但跑了一个月后发现，AI真正帮我们**反向暴露了贴片机参数漂移的问题**。比如立碑、桥连这些缺陷，以前人工抽检时可能一周才发现一次，现在AI全检后每天都能看到趋势曲线，能直接定位到具体是哪台贴片机、哪个吸嘴、甚至哪种锡膏在特定湿度下的异常。  

所以我想问楼主：华创的案例里，有没有利用AI检测数据**反过来优化回流焊温度曲线或贴片机保养周期**？如果有，这部分隐性收益可能比人力节省更值钱——毕竟45万投入，单纯靠省人工要18个月回本，但如果能减少批量报废，回本周期可能缩短一半。  

另外，楼主提到模型是自研的，想请教一下：针对不同批次PCB板（比如FPC软板 vs 普通硬板），模型是统一处理还是需要切换不同权重？我们目前在这块比较头疼，希望有经验的朋友指点下。