在智能制造过程中，机器视觉是实现工业自动化和智能化的必要手段，相当于为机器装上了眼睛与大脑。机器视觉具有高度自动化、高效率、高精度等优点，但是随着自动化工业的进一步深入，传统机器视觉在缺陷检测方面的局限性逐渐显露。

无法分析无规律图像、检测精确度较低、实现自动化检测进入壁垒高等等，这些都成为制约智能制造向纵深发展的重要因素。某些传统的机器视觉检测，因为有许多不易被机器识别的变量，所以编程也比较困难，例如照明、颜色变化、视野等。

在DIP工艺波峰焊炉后检测中尤为凸显，缺陷种类多，形态复杂，焊点的形态千变万化，基于OK规则的传统算法疲于应付，传统AOI在实际检测中，会普遍存在以下核心痛点：

（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。

形态各异的焊点图像

使用传统算法，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，这样就会耗费较多的调试时间。随着例外和缺陷库的增大，算法也会变得越来越有挑战性。换句话说，到了特定的时候，工厂自动化中需要的某些应用将无法再依靠基于规则的机器视觉。

基于深度学习的AOI

而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。数之联追光 AI-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，该产品检出率可达99.99%，误判率低于3000PPM。

基于深度学习的焊点识别

该产品通过行业收集的海量缺陷图片数据，高效训练出深度学习神经网络模型，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AI模型，自动识别焊点位置，一个检测框即可覆盖各类缺陷的检测，大大缩短了调试时间。10分钟之内便可完成程序的制作。

自动搜索焊点位置

基于深度学习的焊点识别，追光AI-AOI可精准定位缺陷位置，对多种形态各异的焊点做出准确的判断，解决传统算法仅对缺陷进行OK/NG粗分类问题。

缺陷类型

智能识别各类焊点缺陷

· 算法特点

固定形状的传统卷积核，难以应对多样复杂的检测场景。数之联使用的可变卷积通过偏移改变了感受野的范围，感受野成了一个多边形，更好的捕捉缺陷的特征信息。

可变卷积

· 产品亮点

更简单的人机交互：传统算法调参复杂、上手困难，拉高了企业招聘难度，深度学习模型下人机交互快速简单，新人可2小时快速上手。

更细致的缺陷识别：基于深度学习的检测算法比传统机器视觉检测具有更高的检测精度，其中检出率可以达到99.99%，误判率低于3000PPM。

更精准的缺陷分类：基于深度学习的焊点识别告别粗分类。

纵观行业发展，将SMT-AOI用作DIP-AOI存在一些问题，也不方便调试。当前传统AOI虽为主流，但伴随着工厂对工艺日益极致的要求，操作更简单、误判率更低，搭载深度学习算法的AOI会更加适应市场需求。助力中国制造2025，全面推动智能智造向更高水平发展，数之联会一直致力于为工厂提供降本增效的解决方案。