维视智造AI视觉检测技术在PCB板缺陷检测中的应用

一块头戴式耳机的主板，也就巴掌大。

上面挤了十几个焊点、六七种颜色的漆包线、泡棉垫、导光柱、销钉，还有两组 FPC 排线连接器。东西倒不大，但该查的一样不能少——线序颜色对没对上、焊点有没有锡渣、泡棉漏没漏贴、FPC 排线插没插到底。

深圳某3C电子产品公司之前一直靠人工干这个活。工人在放大镜下对着左右两侧逐一过检。说起来好像不难，但做过产线的都知道，长时间盯着放大镜看那些颜色相近的细线和反光刺眼的焊点，人的判断标准是会漂移的。同一个人上午和下午判的可能都不一样，更别提不同人之间了。

示意图

用他们自己的话说：出货量一大，不良品漏出去的概率就往上涨。 检测种类多、走线状态复杂、全凭人眼判断——这三个东西凑一块，质检就是产线上最不稳的那个环节。

我们怎么做的

维视智造搭了一套东西：2000 万像素彩色相机 + FA 镜头 + 白色碗光，软件跑在 Visionbank AI 上。

核心思路就一条：一张图拍下来，所有检测同步并行，不串着来。

整体运行界面

线颜色识别和线序匹配，这个是最头疼的。

走线方向乱七八糟，每条线的颜色在不同光照下看起来能差出两个色号。先用斑块定位找到产品位置，深度学习图像增强在对应位置定位每根线——如果斑块区间超出设定范围说明可能被遮挡，直接标 NG。然后跑分类模型判颜色，再跟预设的线序模板对照：颜色对不上就是线序有问题，不管是位置互换、错接还是漏焊，全都能抓到。

线序遮挡

焊点锡渣检测

深度学习增强定位所有焊点区域 → 卡面积 → 跑缺陷检出模型看有没有锡渣。这个环节传统算法特别容易翻车，因为焊点反光和锡渣反光亮度差不多，规则写死了误报率很高。但用深度学习喂了足够样本之后，模型能分清楚一个亮斑到底是正常焊点的光泽还是真有锡渣。

焊线点锡渣

泡棉、导光柱、销钉，这三个东西逻辑一样。

说白了就是"它在不在它该在的地方"。特征定位工具先锁定产品位置，颜色面积工具再去看目标区域里有没有对应颜色的物体——有就是装了，没有就是漏了。

FPC 排线安装和连接器压合，公差卡得很死。

先特征定位排线座的位置，边检出工具抓排线的边缘线，最后用多宽度测量加斑块面积双重验证，判断装没装到位、连接器压没压到底。插歪了当时看不出来，用几个月接触不良就来了。

示意图

跑起来之后怎么样了

客户拿到的结果，前后对比非常直接：

大多数工厂压根不需要行业天花板级别的方案，他们要的就是一套真能跑、能覆盖全部缺陷类型、不挑型号、换型快的系统。

对维视智造来说，这个案子的技术路径也是我们近几年持续打磨的方向——斑块定位锁定检测区域、深度学习做图像增强、分类模型判别缺陷类型、面积卡控过滤过杀，四个环节串成一条流水线，单次成像全部跑完。