2. AOI检测数据生成机理

AOI（Automated Optical Inspection，自动光学检测）在SMT、半导体封装、显示面板等制造环节中承担着“把物理缺陷转化为可计算数据”的关键角色。理解AOI数据的生成机理，是后续做SPC过程监控、缺陷趋势分析和良率提升的前提。本节从光学成像、缺陷判定算法、检测结果数据结构、数据采集接口四个层面，说明一条AOI检测数据是如何从“光”变成“可入库、可分析”的结构化记录的。

一、光学成像：数据生成的物理起点

AOI的成像系统通常由光源、镜头、图像传感器（CMOS/CCD）、运动平台和同步控制单元组成。成像质量直接决定后续算法能否稳定判定缺陷。核心参数包括：

• 分辨率：常用单位为μm/pixel，例如10μm/pixel可分辨约0.1mm级缺陷；分辨率越高，单幅图像数据量越大。
• 光源与照明方式：环形光、同轴光、低角度光、多色光等，不同照明对焊点、引脚、丝印、划痕的对比度表现不同。
• 曝光与增益：影响图像亮度与噪声，曝光不足会丢失暗部细节，过曝会掩盖高反光焊点边缘。
• 景深与对焦：影响不同高度元件（如连接器、屏蔽罩）的清晰度。

以SMT炉后AOI为例，典型成像流程为：PCB进入检测工位→定位相机识别Mark点→运动平台按FOV（视场）分块扫描→每块FOV采集多角度光源图像→图像拼接与坐标映射。此时得到的是“原始图像+坐标+光源通道”的集合，尚未产生缺陷结论。

二、缺陷判定算法：从图像到判定结果

缺陷判定算法是AOI的“大脑”，通常分为图像预处理、特征提取、判定决策三层。常见算法路线包括：

• 模板比对法：将待测图像与标准模板（Golden Board）做差分，超过阈值即判为异常。适合焊点、丝印等形态稳定的对象。
• 特征规则法：提取面积、周长、灰度均值、边缘梯度、颜色分量等特征，按规则判定，如“焊点面积<设定下限→少锡”。
• 机器学习/深度学习方法：用CNN等模型对缺陷分类，输出缺陷类别与置信度，适合复杂、多变的缺陷形态。

判定结果通常包含：缺陷类型（缺件、偏移、少锡、连锡、立碑、异物等）、缺陷位置（X/Y坐标、FOV编号）、缺陷尺寸、置信度、判定时间。算法阈值和模型版本必须与检测程序绑定，否则同一块板在不同参数下会得到不同结果，SPC数据将失去可比性。

三、检测结果数据结构：让数据可入库、可追溯

AOI单板检测结果通常以结构化记录形式输出，一条典型记录包含以下字段（示例）：

这些字段构成了SPC监控的最小数据单元。若缺少program_ver或station_id，后续按工位、按程序版本做分层分析将无法进行。因此，数据结构设计必须与SPC分析维度对齐。

四、数据采集接口：从设备到系统的通路

AOI数据采集接口决定了数据能否实时、完整地进入MES、SPC或质量数据平台。常见接口方式包括：

• 文件接口：AOI输出CSV/XML/JSON结果文件，由采集程序定时扫描入库。实现简单，但实时性差。
• 数据库接口：AOI直接写入本地或中央数据库，采集系统通过SQL读取。适合结构化数据。
• SECS/GEM：半导体与电子制造常用设备通信标准，支持事件触发与实时上报。
• OPC UA / MQTT：面向工业物联网的协议，适合多设备、跨系统集成。
• API接口：AOI厂商提供RESTful API，采集系统按需拉取检测结果。

接口设计需关注三点：一是数据完整性，确保每条检测记录都有唯一标识和必要字段；二是时序一致性，时间戳应统一时区与格式；三是异常处理，网络中断或接口失败时应有缓存与重传机制，避免SPC数据断点。

五、从生成到采集的工程要点

在实际工程中，AOI数据生成与采集常出现三类问题：一是成像不稳定导致误判率波动，例如光源老化使焊点对比度下降，算法将良品判为少锡；二是数据结构不完整，如缺少FOV编号，无法定位缺陷在板上的具体区域；三是接口丢数，如文件采集程序未处理AOI程序切换时的文件命名变化，导致部分记录未入库。

建议在AOI上线前完成三项验证：用标准缺陷板验证算法判定一致性；用连续100块板验证数据记录字段完整率；用接口日志验证采集成功率。只有数据生成链路稳定，后续SPC监控才有可靠输入。