大型电子产品制造商已经期望其设备供应商提供成熟的人工智能工具。另一方面，一些制造商对如何适应人工智能并最大限度地发挥其加速工作流程和消除人为错误的潜力持谨慎态度。无论从哪个角度来看，在SMT组装中使用人工智能作为检测工具都能带来诸多众所周知的优势，包括其对细节的精准把控、一致的判断以及更快的决策速度。.
终身质检员
：对于电子制造企业而言，维持合格的质检员队伍来复核因AOI“不合格”（NG）判定而被拒收的电路板，是一项众所周知的挑战。这项工作重复性高，压力大，需要持续保持高水平的工作表现，同时还要承担重大的责任。任何一个缺陷产品出厂，都会危及雇主的声誉。
生产经理面临的问题是，典型的人工参与流程遵循着一个固定的模式。检验员加入团队后，通过分析大量标记为“合格”或“不合格”的AOI图像来积累知识和经验。随着经验的增长，工作的熟悉性和重复性会导致疲劳。常见的情况是，检验员达到较高的熟练程度后，便开始在公司内部寻找其他职位，甚至彻底离职。这样一来，他们在团队和公司内部的专业知识价值就白白流失了。.
管理者可以通过训练人工智能，使其成为一位时刻在线、时刻关注、持续参与的专家，从而打破这种恶性循环。如果实施得当，训练有素的人工智能可以有效地存储团队中经验丰富的检验专家所积累的经验，并成为顾问，随时准备为未来加入的新检验员提供支持。.
二次判断流程的培训：
实现这一目标的一种方法是将人工智能集成到工作站中，由检验员在自动光学检测 (AOI) 后对不合格组件进行复核。被错误识别为缺陷的组件可以返回生产线进行最终组装，而经过验证存在缺陷的组件则可以送去返工。
在二次判断流程中，人工智能最初作为新成员加入检验团队，必须通过与公司经验丰富的检验员的互动来学习。当不合格组件到达时，人工检验员会审查 AOI 数据和图像，并做出自己的判断。如果他们的判断表明 AOI 错误地标记了“NG”（近乎缺失），则可以将该组件送去完成剩余的生产流程。由于 AOI 图像和人工检验员的判断都会被保存，人工智能服务器会利用这些累积的数据来训练检验模型。随着训练的持续进行，利用每日采集的数据，模型的准确性会不断提高，人工智能最终可以开始在实时检验过程中辅助人工判断。
通过这种方式训练模型，可以使其快速达到足以辅助人工检验员决策的置信度水平。在检验缺陷点时，“AI评估站”可以显示AI的意见以及相应的置信度评分，如图1所示。这种级别的支持对于经验不足的检验员尤其有价值，因为它使他们能够在遇到棘手案例时依靠AI的帮助，从而提升专业技能，同时提高准确性和工作效率。
图 1. 二级判断过程中的第一级 AI 辅助。.
当每个模型达到稳定的置信水平，表明其准确率接近完美时，人工智能即可针对特定组件类型和缺陷进行自动判断。在此阶段，人工智能的卓越判断将与人工检验员的技能相结合，以确保在保持高精度的同时加快检测速度并降低操作人员的疲劳度。.
从何说起？
具备此类功能的软件应用现已进入市场，它们在检测焊接缺陷方面极其有效，例如二维AOI检测所标记的焊接不足或润湿不充分等问题。雅马哈机器人公司开发了AI判断站环境，使用户能够利用自身的生产数据独立创建和训练AI模型。用户在选择合适的训练样本后，即可利用该软件的各项功能自动生成AI模型，然后使用从日常检测班次中收集的数据，在机器学习框架内对其进行训练。用户可以在训练过程中检查模型的准确率，以确定模型何时达到稳定状态。在分析足够多的合格图像和30张或更多缺陷图像后，模型即可达到足以辅助人工检测员进行视觉分析的准确率水平。虽然图像数量的增加可以进一步提升模型的性能，但这一目标可以在短时间内实现。处理超过1000张图像后，模型的质量将变得非常高。AI评估每次检测大约需要一秒钟。
人工智能与光学字符识别：
人工智能在光学字符识别 (OCR) 领域已展现出强大的能力，能够提供可靠且媲美人类的判断，并有效减轻检测人员的工作量。传统的基于规则的机器视觉技术可能会误读对比度低、被划痕或其他损伤遮挡或被异物覆盖的字符。这些在表面贴装环境中是常见的风险，并且会影响重要的标记，例如元件值、日期代码、极性标记和电路板标识（图 2）。
图 2. AI OCR 可以读取原本需要检查员进行目视确认的标记。.
通过基于先前学习进行推理，就像人类能够在可读性差的情况下识别字符一样，人工智能可以克服这些问题。雅马哈 AI 判断工作站套件包含预训练的 AI OCR 模型，无需任何调整或额外训练即可直接使用。.
自动化在线评估：
随着人工智能融入企业实践，与各类人工检验员协同工作，用于覆盖不同组件和缺陷类型的模型数量持续增长，训练结果的置信度也越来越高。得益于此，需要人工检验员确认的自动化检测项目越来越少。随着对人工专业知识的依赖性降低，二次评估流程可以完全自动化，并最终实现在线集成，如图 3 所示。
图 3. 所有 AI 模型训练完成后的第二次全自动评估。.
通过与人工视觉检测员合作，提供指导，并在必要时委派决策权，这种方式既符合积极主动又谨慎稳妥的人工智能检测方法。较为谨慎的采用者可以保留人工监督，以防止漏检缺陷和在后续流程中过度检测，同时还能减轻检测员的工作量。另一方面，像雅马哈的AI Judgement Station这样的产品则为实现完全自动化提供了路线图，以满足最苛刻的客户需求。.
结论：
随着全球各行各业探索如何在制造流程中利用人工智能，表面贴装组装商正在应用这项技术来提高光学检测的生产效率。人工智能不仅有助于创建模型库和生成在线AOI系统的程序，还能通过识别被错误剔除的电路板来改进检测。
采用三级方法，即先使用人工智能辅助、部分自动化，最后实现二次评估流程的完全自动化，可以有效地训练一名常驻检测专家，使其能够以始终如一的高速和高精度完成这项重复且要求高的任务。
