质量问题和错误时有发生，尤其是在涉及PCB和电子产品制造的复杂人为操作任务中。通常情况下，企业可能会配备自动光学检测（AOI）等系统，这些系统通常用于制造过程中“中间”阶段的检测。尽管AOI系统为质量控制创造价值，但它仍然使流程的前端和后端容易出现错误。

质量问题不仅可能使抱怨的客户损失巨额资金或提出更多索赔，而且还可能对您的品牌和作为供应商的声誉造成损害。为了避免代价高昂的人为错误，一些实用提示可以应用于流程，从端到端保护您的品牌和质量生产。

使用AI执行“入厂”检测

入厂质量控制是质量问题的第一道防线。对于PCB组装车间来说，一个良好的开端是评估所接收PCB的质量，并确保在组装前准备好正确的部件。对于电子制造业来说，首要任务是确保在开始制造产品之前收到正确的部件。

在该第一个阶段，通常采用目视检测，检查任何前期的质量问题。这个过程理论上听起来很简单，但是，操作人员需要管理多个复杂产品，区分“良”和“不良”的部件可能是一个挑战。

为了解决该问题，推荐的做法是保留一块印刷电路板或零件的参考“黄金”图像，并在开始生产前用它来确保正确的组件到位。人工智能的最新技术在视觉检测方面可以提供帮助，允许用户训练一个系统来自动检测所接收的零件和电路板，以表明这些产品是否与即将开始生产的产品正确关联。

创建存储首件检验“黄金”参考图像的系统

始终检验首件。在为全面生产开绿灯前，应对正在生产的第一块电路板或部件进行审查。首件检验（FAI）可能是一个漫长的过程，为了验证电路板的生产是否符合客户提供的规格，然而，在这个环节进行适当的检验是避免在整批生产中出现代价高昂的质量错误的关键。FAI应该根据产品的历史复杂情况来确定潜在的问题，并通过与以前生产的样品进行比较来指出任何偏差。

在该阶段，质量误差的主要风险存在于人类操作的视觉检测中。众所周知，当人类面临疲劳、多任务和决策时，我们易于出错。为了促进FAI过程，制造商可以增加先进的AI功能来帮助人类作出决策，通过使用AI来比较存储的“黄金”参考图像和FAI，自动隔离任何差异，从而提高质量控制。

抽样纳入到AOI的检测流程中

虽然AOI系统非常适合在线检测，但为了帮助提高对不同类型缺陷的检测覆盖率，包括那些无法通过AOI检测的缺陷，例如通孔部件、胶水或密封缺陷，将产品抽样检测策略与AOI过程相结合将非常有益。

独立的视觉检测系统可以作为辅助检测，帮助补充AOI过程，识别缺陷，例如缺少或错误的组件或螺丝，以及反极性和颜色的问题。

不要跳过最终检测

当然，AOI系统具有宝贵作用，但在AOI系统检测之后，在最终包装和运输之前，出错的风险是什么？如果流程包括焊接、手工作业和现场运输，质量控制仍然容易出现损坏、缺陷和断线成本。

AOI系统会制造一种虚假的安全感。虽然通过AOI可以实现90%的质量控制，但出错的可能性仍有10% — 尤其是在涉及某种程度的手工作业时。工人会尽其所能地遵循指令，但人与人之间的技能差异和沟通解释可能会导致生产过程中出现错误。这也可能是一个令人担忧的问题，刚入职的操作员需要入职指导、时间和经验，才能以与同事一样的速度和效率进行检测。

为了确保最终检测阶段的最佳实践，探讨诸如重复出现的问题、对一致性的要求，以及在可能的情况下实施基于摄像头的检测和人工智能支持，以达到最佳的客观效果。

保存记录以持续改进

有了适当的控制、检查和设备，仍有机会出现质量错误，不合格品仍然会到达客户手中。通常情况下，当产品在运输过程中受损，或一旦到达客户现场，就会发生这种情况。制造商如何提高可追溯性，并追溯到流程中可能出错的地方？就像对进货进行盘点一样，对每件已发运的产品进行记录同样重要。也许实施一个序列化过程，因为每个  产品都有一个独特的条形码和保存的出库图像。

当客户打电话提出质量索赔或问题时，就有文件表明产品在离厂前的状态，对质量过程中的错误提供宝贵见解。当评估需要改进的领域时，请记住，在制造或装配设施关键点上的自动化和视觉检测系统可以减少质量控制方面的风险，并有助于保持领先供应商的品牌完整性。确保使用AI支持的人工检测决策来避免操作员出现疲劳和相关错误。

虹科产品

虹科-AI网关，关键特点：与现有的检测硬件、软件和终端用户流程配合；支持的GigEVision、USB3 Vision、CameraLink或MIPI等多种接口协议；强大的NVIDIA GPU可以部署开源或自定义算法，包括预先训练好的TensorFlow深度学习模型和使用OpenCV等开源库开发的Python plug-ins。