1. 光学检测概述：AOI技术发展史、行业应用场景、检测系统核心组成
大家好，我是老张。在光学检测这行摸爬滚打了十几年，今天咱们聊聊AOI（自动光学检测）的底子。很多人一上来就追算法、追设备参数，却忽略了最根本的东西——你连它怎么来的、用在哪儿、由什么组成都没搞透，出了问题自然抓瞎。
这一章，我就把AOI的来龙去脉、应用场景和系统骨架给你拆开揉碎了讲。嗯，都是干货，咱们开始。
1.1 AOI技术发展史：从人工目检到智能视觉
AOI不是凭空冒出来的。它的发展，说白了就是人类对“看得更准、更快、更省力”的追求。
| 阶段 | 时间 | 核心特征 | 典型应用 |
|---|---|---|---|
| 人工目检时代 | 1970s以前 | 全靠人眼+放大镜，效率低、漏检率高 | PCB焊点、简单元器件外观 |
| 第一代AOI | 1980s初 | 基于模板匹配，黑白相机+简单光源 | PCB缺件、偏移检测 |
| 第二代AOI | 1990s-2000s | 彩色相机+多角度光源，算法升级（边缘检测、OCR） | 焊点检测、字符识别、划痕检测 |
| 第三代AOI | 2010s至今 | 深度学习+3D视觉+高分辨率线扫 | 精密电子、半导体封装、锂电、Mini LED |
我记得刚入行那会儿，用的还是第一代黑白AOI。调个光源得折腾半天，误报率动不动就30%以上。老师傅们都说：“这机器还不如我眼睛好使。” 但你看现在，深度学习加持下的AOI，检出率能做到99.9%以上，误报率控制在1%以内。技术这东西，迭代起来真吓人。
核心认知： AOI的发展史，本质上是“成像能力”和“算法能力”两条腿交替前进的过程。成像不行，算法再牛也白搭；算法落后，再好的相机也发挥不出价值。
1.2 行业应用场景：AOI到底在哪儿发光？
很多人以为AOI就是查PCB的。其实不然。你想想看，只要是批量生产、外观有要求、人眼看不赢的场合，基本都有AOI的身影。
- 电子制造（SMT/PCB）： 这是AOI的主战场。焊点检测、缺件、偏移、极性、桥连、立碑……我做过一个项目，客户产线每分钟要测300多块板子，人工根本盯不过来。
- 半导体封装： 晶圆表面缺陷、划痕、崩边、键合线检测。这玩意儿精度要求极高，动不动就是微米级。我曾经在封装厂蹲过一个月，就为了调一个BGA焊球的3D检测方案。
- 锂电行业： 极片涂布缺陷、隔膜褶皱、极耳焊接、电芯外观。锂电对安全要求极高，一个微小的毛刺都可能引发短路。嗯，这里水很深。
- 显示面板： LCD/OLED的亮点、暗点、 Mura（亮度不均）、划伤。面板检测是AOI的“地狱模式”，因为缺陷对比度极低。
- 汽车零部件： 发动机缸体、活塞环、密封圈、连接器。汽车件对可靠性要求变态，误判和漏判都不行。
- 食品/药品： 包装缺陷、异物检测、标签印刷质量。虽然精度要求不如电子高，但速度要求极快。
我的建议： 刚接触AOI的朋友，别贪多。先吃透一个行业（比如SMT），把成像、光源、算法、机械配合的套路摸清楚。一通百通，换行业只是换了个被检物而已。
1.3 检测系统核心组成：AOI的“五官”和“大脑”
一套完整的AOI系统，到底由哪些部分组成？我习惯把它分成四大块：成像系统（眼睛）、运动控制系统（手脚）、图像处理与算法（大脑）、软件与交互（神经）。
1.3.1 成像系统：AOI的“眼睛”
成像系统决定了你能“看到”什么。它由三部分组成：相机、镜头、光源。
- 相机： 面阵还是线扫？黑白还是彩色？CCD还是CMOS？分辨率多少？帧率够不够？这些参数直接决定了检测精度和速度。我个人习惯，精密检测优先选线扫+高分辨率CMOS。
- 镜头： 焦距、光圈、畸变、景深。很多人只关注分辨率，忽略了畸变。我曾经遇到一个项目，边缘的缺陷死活测不准，最后发现是镜头畸变没校准。
- 光源： 这是AOI的“灵魂”。环形光、同轴光、条形光、穹顶光、多角度光……选对了光源，缺陷自己就“跳”出来了；选错了，再好的算法也白搭。
避坑指南： 我曾经在一个锂电极片检测项目上，用了整整两周调光源。一开始用环形光，极片边缘反光严重，毛刺根本看不清。后来换成低角度条形光+偏振片，问题才解决。记住：光源方案没有万能公式，必须根据被检物的材质、颜色、表面粗糙度去试。
1.3.2 运动控制系统：AOI的“手脚”
运动控制负责把被检物送到相机底下，或者带着相机去扫被检物。核心指标就两个：定位精度和运动速度。
- XY平台： 直线电机还是滚珠丝杆？闭环还是开环？编码器分辨率多少？
- 驱动与控制器： 脉冲控制还是总线控制（EtherCAT、PowerLink）？
- 同步触发： 相机曝光和平台运动必须严格同步，否则图像会“拖影”。
嗯，这里要注意：很多新手只盯着相机和算法，忽略了运动控制。结果图像采回来是糊的，或者位置对不上，算法再牛也救不了。
1.3.3 图像处理与算法：AOI的“大脑”
这是AOI最核心的部分，也是技术迭代最快的地方。
| 算法类型 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 传统算法（模板匹配、边缘检测、Blob分析） | 缺件、偏移、极性、简单划痕 | 速度快、可解释性强、无需大量数据 | 对光照变化敏感、难以处理复杂缺陷 |
| 机器学习（SVM、随机森林） | 纹理缺陷、分类问题 | 比传统算法更鲁棒 | 需要特征工程、泛化能力有限 |
| 深度学习（CNN、YOLO、UNet） | 复杂缺陷、Mura、微小缺陷、多类别检测 | 检出率高、泛化能力强、端到端 | 需要大量标注数据、算力要求高、可解释性差 |
我个人的经验是：能用传统算法解决的，就别上深度学习。 杀鸡焉用牛刀？传统算法稳定、可解释、调试方便。深度学习虽然强，但数据标注、模型训练、部署维护的成本都不低。
1.3.4 软件与交互：AOI的“神经”
软件是连接人和机器的桥梁。一套好的AOI软件，应该具备以下能力：
- 可视化编程： 拖拽式流程搭建，降低使用门槛。
- 实时监控： 当前检测结果、NG图片、统计报表。
- 数据追溯： 每一块板子的检测记录、SPC（统计过程控制）图表。
- MES对接： 与工厂管理系统互通，实现智能制造。
核心认知： AOI不是一台孤立的设备，它是工厂数字化的一部分。软件的数据接口、日志记录、远程诊断能力，往往决定了这套系统能用多久、能跑多顺。
好了，第一章的内容就到这里。AOI的底子打牢了，后面咱们聊具体问题排查的时候，你才能知道问题出在哪个环节。记住：成像、运动、算法、软件，一个都不能少。