采购前如何评估 AI AOI 系统

评估AI AOI系统应通过在您自己的板卡上复现其标称性能，而非对比参数表。带上六类板卡（难度最高的多品种工单、同色元器件板、带丝印标记的电感、无CAD数据的工单、带有已知真实缺陷的板卡，以及当前误报最严重的板卡），然后测量五项指标：编程时间、误报率、已知缺陷漏检率、操作员上手周期以及运行间重复性。以您现有的生产线为基准进行评分，而不是对比厂商提供的数据。

每家AOI厂商都会发布准确率数据，我们也不例外。这些数据的价值，完全取决于您能否在自己的产品上复现它们。本文提供了我们认为买方应当执行的验证方案：带什么板卡、测什么指标、测试周期多长，以及合格结果的标准。该方案适用于任何厂商的设备，比起单方面相信我们的承诺，我们更希望您直接在我们的设备上进行实测。

为什么AOI的准确率数据不能轻信？

AOI的准确率数据很少具有可比性，因为分母不同。检出率可能按每个元器件、每块板卡或每个缺陷类别来统计，而在同一台设备上，这三种基准得出的数据可能相差数个数量级。误报率也存在同样的问题。公开发布的数据往往还会隐去其测试所用的板卡、缺陷集以及阈值设定逻辑。这些数据未必虚假，只是无法直接平移到您的产线上。

对公开宣传数据的一项快速调研显示了这种差异。根据2025年和2026年不同独立来源的报告，误报减少了30到40 percent，误拒减少了70到85 percent，关键焊点的检出率达到98到99 percent（Overview.ai 2025；Boolean & Beyond 2026；Jidoka 2026）。DaoAI标称的检测准确率为98 percent或更高，且误报会随着操作员的反馈持续下降。这些数据源自不同的测试实验，且没有任何一家提供了足够详尽的记录以供复现，因此必须在您自己的板卡上验证性能。

问清三个问题即可消除大部分疑惑，您可以拿它们质疑任何数据，包括我们自己的：

• 按什么基准计算？ 按受检元器件、按板卡，还是按触发告警的事件。务必追问分母。
• 在什么板卡上测的？ 是专门用于演示的样板，还是包含替代料的多品种生产工单。
• 在何种阈值设定下？ 检出率与误报率互为消长。脱离其中一项单独谈另一项毫无意义。

这并不意味着测试毫无意义，而是说明测试必须在您的车间现场进行。

参加AOI Demo演示应该带哪些板卡？

准备六类板卡，分别针对特定能力：难度最高的多品种工单、带同色元器件的板卡、带丝印标记的贴片电感或晶振板、没有CAD数据的工单、植入或记录了已知真实缺陷的板卡，以及当前误报率最高的板卡。厂商会提供他们自己的演示板，但那只能说明设备擅长什么，并不是您需要验证的问题。

关于带已知缺陷的板卡需特别说明：您需要的是经过记录的真实缺陷，而非模拟缺陷——即从您自己的报废品中抽出的板卡，其缺陷清单已由复检工位对照IPC-A-610标准确认。在演示过程中请勿透露该清单。如果厂商事先知道缺陷所在，这种测试就失去了评估意义。

另外，还要带上一块“常规板”。选择一款结构简单、高良率的工单来确立误报基线。如果系统在简单板卡上都会频频误报，那么它在复杂工单上的表现再好也无济于事。

实际应该测量哪些指标？

测量五项指标：编程时间（从拿到板卡到开始首次检验的秒表计时）、误报率（误报警次数除以受检元器件数，使用统一的分母）、漏检率（发现的已知缺陷数除以实际存在的已知缺陷数）、操作员上手周期（非工程师人员能否独立完成换线转产），以及重复性（同一块板连续运行3次并比对结果）。边测边记录数据，演示间里的主观印象一天后就会淡忘。

这五项指标的具体计算方式如下：

1. 编程时间。 从板卡送达设备时开始计时，首次检验启动时停止计时。包含全部流程：数据导入、建库、画框框选ROI、阈值设定。厂商宣传的建线速度通常会剔除最耗时的环节。有关实际操作步骤的详细说明，请参阅无CAD编程的工作原理。
2. 误报率。 误报次数除以受检元器件数，以PPM或percent表示。选定一个分母标准，并贯穿于所有被评估的系统（包括现有设备）。仅凭这一项规范，就能让对比的有效性超越方案中的其他任何步骤。
3. 漏检率。 基于记录有缺陷的板卡，计算检出的已知缺陷数除以实际存在的已知缺陷数。这是守住质量底线的数据。如果一个系统虽然将误报减半，却漏检了一类真实缺陷，那它对您没有任何价值。
4. 操作员上手周期。 让产线操作员（而非工艺工程师或厂商的应用工程师）全程独立执行一次换线转产。记录耗时，并记下他们每次需要协助的节点。如果该工作流只能由专家操作，您的用工配置计划就必须重新评估。
5. 重复性。 在不改动任何设定的情况下，将同一块板连续运行3次。比对报警结果。相同测试之间的差异属于测量系统的噪声，它决定了阈值调试所能达到的极限。这是AOI领域的Gage R&R检验，同样值得在现有设备上测一次，基准数据可能会出乎您的意料。

测试过程中将结果记录在同一张表格上：厂商A对比厂商B对比现有产线，使用完全相同的5行指标。

产线试运行（Pilot）应该持续多久？

两小时的Demo演示可以测量编程时间、明显的误报、已知缺陷的漏检情况以及操作员上手速度。但它无法衡量误报率是否会随时间推移而下降、系统如何应对元器件批次变更，或者量产规模下的真实漏检率。这些都需要在产线上试运行2到4周。将Demo演示视为初步筛选，将试运行视为最终决策依据。

各阶段能实际说明的问题：

两小时Demo演示的实际考察范围： 建线设置时间真实可测；同色元器件和丝印表现也是如此，因为这些属于单帧图像处理问题；操作员上手速度一目了然；已知缺陷板的漏检表现在单块板样本范围内同样有效。

2到4周产线试运行揭示的核心问题： 误报率是否随着操作员反馈修正而呈下降趋势——这是区分自学习系统与传统静态系统的核心机制（技术原理见此处）；新来料批次或二阶替代料是否会导致检验崩溃；漏检率在批量生产中是否依然稳定，而非仅在单个样本上有效；日常维护工作量是否如厂商描述的那样轻量。

关于过早下结论的两点警示：Demo无法验证自学习能力，因为学习依赖于生产反馈和时间积累；而在厂商预先调校好的设备上做演示，完全无法说明您的团队在3个月后能否独立维护。请务必核实设备在您进门之前的初始状态。

什么是合格的测试结果？

应当对照您自己的产线设定合格线，而非采用某个绝对数值。测定您当前的编程时间、误报率、漏检率和复检人员编制基准，随后提前确定多大幅度的改善才能支撑采购成本和换线停机影响。在Demo前书面确定阈值标准是保持客观决策的关键，因为当厂商工程师操作时，每台设备看起来都无懈可击。

建议在任何厂商到访前填写的评分表：

填写表格的两条准则：第一，漏检率这一行是一票否决项，不可妥协：一个系统哪怕在其他所有指标上都有提升，只要放过了真实缺陷就算不合格，无需考虑其他列的表现；第二，在Demo演示前确定中间列的指标。事后设定的阈值不过是合理化借口。

如果您当前仍处于缩小机型和配置选择范围的阶段，而非验证性能标称，选型指南涵盖了该阶段的内容，包括值得向每家厂商提出的7个核心问题。

常见问题解答

如果厂商不允许自带板卡怎么办？

这本身就是一个明确的信号。保密限制固然存在，但可以通过NDA保密协议解决；如果在任何安排下厂商都不愿测试您的产品，说明其宣传数据只能在他们自家的演示板上实现。所有严肃的评估都必须基于买方的实际产品。

需要多少块板卡才能使测试结果具备参考价值？

对于Demo演示，覆盖全部六类板卡比板卡数量更重要。对于产线试运行，则需要足够的量产板卡以确保误报率趋于稳定而非偶然，在实际操作中，这意味着产线正常运行2到4周，而非死扣特定的板卡数量。

厂商工程师可以在试运行期间调校系统吗？

可以，甚至应当允许他们调校。但要记录下他们做出的每一次调整。这份记录就是您未来的维护工作量预测：应用工程师在试运行期间所做的每项操作，后续都必须由您工厂的人员承担。如果记录清单很长，就得问问到了第6个月这项工作由谁来做。

试运行表现优异的AI系统在后续量产中会出现性能衰减吗？

需要重点核实的失效模式是模型漂移：当模型训练完成后，元器件批次、板卡改版或光照发生变化时会发生什么。能够通过操作员反馈学习的系统专门用于吸收这种波动，根据DaoAI报告，其误报率会随使用逐渐下降而非上升（DaoAI报告数据）。向任何厂商询问模型如何更新、由谁触发更新，以及板卡改版时如何处理。

用本方案检验DaoAI

请使用本方案测试您候选清单中的所有设备。如果我们的设备也在其中，请带上这六类板卡，对缺陷清单保持保密，并用完全相同的评分标准对我们进行考核。