AI六面外观机评估报告
1
【公司简介】
珠海市奥德维科技有限公司是由博杰电子控股的自动光学表面分拣设备提供商，集
研发，制造，销售于一体的高新技术企业，位于美丽的海滨城市--珠海。
总公司成立于2005年，分别在珠海、苏州、成都拥有配套生产基地，并先后通过
ISO9001、ISO14001和OHSAS18001认证，专业提供各类自动化测试与智能制造一站式方案。
为了更好地贴近客户，在美国加州设立了销售与工程服务团队，促进我们能更好地贴近
整个电子行业最前瞻的科技和技术；同时为了更好开拓其他海外业务发展，先后在 泰国
、马来西亚、新加坡也成立了销售与售后团队，覆盖了东南亚地区的客户需求。
【设备简介】
设备型号
CCD相机模块
镜头与架构
软件系统
光源系统
影像解析度
兼容性及速度
供料机构
高速电磁阀
导料机构
设备尺寸
整体质量
电压
气压
ATV-G4206SA
Basler 彩色高帧率
ATV 0.6~5.0X变倍镜头
ATV AI系统
ATV 高亮4色光源
MAX 2.3um
NR2016/2520速度：2800/3000(Pcs/Min)
(日本Daishin振动盘)
NR3015/4018速度：900/900(Pcs/Min)
NR6045速度：500(Pcs/Min)
NR6045/8045速度：500/350(Pcs/Min)
台湾旺德/日本Daishin
ATV 50亿次以上超长寿命
真空静电三维导正模组
900mm*900mm*1920mm
550KG
220V
0.5~0.8MP
AI缺陷检测技术， 一
旦使用，再难割舍！
【AI深度学习和传统算法能力对比】
AI深度学习优势一：
4
【AI深度学习和传统算法能力对比】
AI深度学习优势二：
A.传统算法要有经验的人才
能理解和调整参数
B.只需标注标签，无需调参
5
【AI深度学习和传统算法能力对比】
AI深度学习优势三：
MLCC/MLCI在生产过程中，
各批次表面会有一定色差，
而缺陷种类是一样的，若传
统算算法必须要调整参数才
能适应。 而AI算法即使上
表面和端面 颜色非常接近
，也能准确捕 捉边界线和
镀锡部分,且无需 调参。
6
【客户现场数据对比】
传统算法
AI算法
1 一筛良率（高容高规格检测）
85~90%
90-95%
↑5%以上
2 送检合格率
85-90%
95%以上
↑5-10%
3 缺陷检测能力（常规缺陷）
95%
99.95%
↑5%
4 缺陷检测能力（疑难缺陷）
50-70%
90%以上
↑30%以上
3%
0.8%以内
↑2%以上
NO.
项目
5 误判率
6 软件稳定性（参数调试频率）
一周4-5次
对比数据
缺陷AI准确抓取，无需调试 ↑300%以上
备注：以上数据是某客户现场检测数据。
【 NR外观机销售实绩】
客户
产品类别
数量
风华
NR/MLCC/L-R
45+
顺络
NR/MLCI/LTCC/WTX/Molding
70+
麦捷
NR/MLCI/Molding
40+
振华富
NR/Molding
20+
……
7
【概要】
1.样品缺陷评估（缺陷列表P.9）
2.样品缺陷评估（评估实例P.10—30）
3.综合评测结果(P.31)
4.检测难点(P.32—37)
5.AI检测基本流程(P.38—41)
6.AI检测实例展示（传统算法检测难点）(P.42—49)
8
样品缺陷评估
样品缺陷评估
No.
不良品名称
页码
1
裂纹
P.11-12
2
粘胶
P.13-15
3
缺损
P.16-20
4
锡面杂质
P.21-21
5
多胶（胶凸）
P.22-22
6
锡面拉尖
P.23-23
7
脱线（前工序）
P.24-24
8
露铜线（前工序）
P.25-25
9
露线（漏胶）
P.26-27
10
漏胶
P.28-28
11
锡肥
P.29-29
12
线翘
P.30-30
9
测试样品的确认
上面
側面１
端面１
下面
側面２
端面２
10
样品缺陷评估|裂纹
样品处理检测评价结果・・・【 ○ 】可检
原图
样品1 ｜ 下面
处理后
检测项目：
判定结果：NG
11
样品缺陷评估|裂纹
样品处理检测评价结果・・・【 ○ 】可检
原图
样品2 ｜ 下面
处理后
检测项目：
判定结果：NG
12
样品缺陷评估|粘胶
样品处理检测评价结果・・・【 ○ 】可检
原图
样品3 ｜ 下面
处理后
检测项目：
判定结果：NG
13
样品缺陷评估|粘胶
样品处理检测评价结果・・・【 ○ 】可检
原图
样品4 ｜ 下面
处理后
检测项目：
判定结果：NG
14
样品缺陷评估|粘胶
样品处理检测评价结果・・・【 ○ 】可检
原图
样品5 ｜ 上面
处理后
检测项目：
判定结果：NG
15
样品缺陷评估|缺损
样品处理检测评价结果・・・【 ○ 】可检
原图
样品6 ｜ 下面
处理后
检测项目：
判定结果：NG
16
样品缺陷评估|缺损
样品处理检测评价结果・・・【 ○ 】可检
原图
样品7 ｜ 下面
处理后
检测项目：
判定结果：NG
17
样品缺陷评估|缺损
样品处理检测评价结果・・・【 ○ 】可检
原图
样品8 ｜ 下面
处理后
检测项目：
判定结果：NG
18
样品缺陷评估|缺损
样品处理检测评价结果・・・【 ○ 】可检
原图
样品9 ｜ 上面
处理后
检测项目：
判定结果：NG
19
样品缺陷评估|缺损(前工序)
样品处理检测评价结果・・・【 ○ 】可检
原图
样品10 ｜ 上面
处理后
检测项目：
判定结果：NG
20
样品缺陷评估|锡面杂质
样品处理检测评价结果・・・【 ○ 】可检
原图
样品12 ｜ 上面
处理后
检测项目：
判定结果：NG
21
样品缺陷评估|多胶(胶凸)
样品处理检测评价结果・・・【 ○ 】可检
原图
样品12 ｜ 上面
处理后
检测项目：
判定结果：NG
22
样品缺陷评估|锡面拉尖
样品处理检测评价结果・・・【 ○ 】可检
原图
样品13 ｜ 上面
处理后
检测项目：
判定结果：NG
23
样品缺陷评估|脱线(前工序)
样品处理检测评价结果・・・【 ○ 】可检
原图
样品14 ｜ 上面
处理后
检测项目：
判定结果：NG
24
样品缺陷评估|露铜线(前工序)
样品处理检测评价结果・・・【 ○ 】可检
原图
样品15 ｜ 上面
处理后
检测项目：
判定结果：NG
25
样品缺陷评估|露线(漏胶)
样品处理检测评价结果・・・【 ○ 】可检
原图
样品16 ｜ 侧面
处理后
检测项目：
判定结果：NG
26
样品缺陷评估|露线(漏胶)
样品处理检测评价结果・・・【 ○ 】可检
原图
样品17 ｜ 侧面
处理后
检测项目：
判定结果：NG
27
样品缺陷评估|漏胶
样品处理检测评价结果・・・【 ○ 】可检
原图
样品18 ｜ 侧面
处理后
检测项目：
判定结果：NG
28
样品缺陷评估|锡肥
样品处理检测评价结果・・・【 ○ 】可检
原图
样品19 ｜ 侧面
处理后
检测项目：
判定结果：NG
29
样品缺陷评估|线翘
样品处理检测评价结果・・・【 ○ 】可检
原图
样品20 ｜ 侧面
处理后
检测项目：
判定结果：NG
30
综合评测结果
不良项目
综合评价
备注
1
裂纹
○
2
粘胶
○
3
缺损
○
4
锡面杂质
○
5
多胶（胶凸）
○
结果：根据以上的样品进行检测，利用AI
6
锡面拉尖
○
算法，皆可准确、稳定找出相对应的不良
7
脱线（前工序）
○
特征。
8
露铜线（前工序）
○
9
露线（漏胶）
○
10
漏胶
○
11
锡肥
○
12
线翘
○
关于综合评价表示・・・
○：可检
（注：由于不同的客户，工艺以及材质等
的不同，会造成产品可能会有细微的差别 ，
希望客户能提供相对应的NG样品，能进
一步提供更准确的评估）
△： 有漏检风险 ×：不可检
31
检测难点
一：线翘 ——P.33-35
二：露线（漏胶）——P.36-37
一.线翘
1.严重线翘可检测；
2.轻微线翘由于凸起特征并不明显，测试值在规格边缘，有漏检的风
险，但是收严规格会进一步提高误判率；
3.部分OK品由于端子镀锡比较饱满，检测值会超出检测规格上限，造
成误判。
以下为部分检测结果图：
漏检样品（轻微线翘）：
原图
测试图
误判样品：
原图
测试图
二.露线（漏胶）
由于机构的原因，只有侧面一个相机可以水平的拍照，另外一个侧面相机有
一定的夹角（接近水平），端面两个相机夹角会更大。从而导致靠近上摆面
的露线（漏胶）有漏检的风险。
侧面原图
端面原图
上面两个图片为同一颗物料在侧面与端面所拍摄的图片，由此可见，当露线
（缺胶）在上摆面下方时，端面相机无法完全拍出缺陷导致漏检。
以下为机台检测结果图：
漏检样品（露线）：
原图
测试图
37
AI检测基本流程
一、收集缺陷样品并取图； 二、用标注软
件将缺陷样本进行区域分割；
样品标注是将产品的各个区域人为划分
成独立的区域，AI 会获取各区域的特征
并学习
标注后的图片
三、在标注完一定数量样品后AI开始学习，界面如下；
38
AI检测基本流程
原图
标注图
效果图
要在学习后能准确找出每个区域需要一定的样本数量和一定的学习时间。
39
AI检测基本流程
四、学习完后验证效果；
左侧图片红色区域为抓取出来的区域，右侧为该区域的相关数据。
40
AI检测基本流程
五、将验证后的模型嵌入到检测程序中去。
得到检测数据
并判定结果
检测效果图
41
AI检测实例展示|瓷体缺损
样品处理检测评价结果・・・【 ○ 】可检
原图
样品1：2016电感
处理后
传统算法检测难点：崩缺区域颜色与瓷体颜色相近，难以区分，造成
大量漏判和误判
检测结果：判定结
果： 可检测
42
AI检测实例展示|磁芯暗裂
样品处理检测评价结果・・・【 ○ 】可检
原图
样品2 3015NR
处理后
传统算法检测难点：暗裂颜色淡，特征不明显，难以抓取准确。
检测结果：判定结
果： 可检测
43
AI检测实例展示|线伤
样品处理检测评价结果・・・【 ○ 】可检
原图
样品3 0402绕线电感
处理后
传统算法检测难点：线伤区域与正常铜线区域形态相似，对比度极低，
传统算法无法提取。
检测结果：判定结
果： 可检测
44
AI检测实例展示|线伤
样品处理检测评价结果・・・【 ○ 】可检
原图
样品4 0402绕线电感
处理后
传统算法检测难点：线伤区域与正常铜线区域形态相似，对比度极低，
传统算法无法提取。
检测结果：判定结
果： 可检测
45
AI检测实例展示|瓷体掉块
样品处理检测评价结果・・・【 ○ 】可检
原图
样品5 2012molding
处理后
传统算法检测难点：掉块区域与两侧颜色接近，抓取可能出现偏差。
检测结果：
判定
结果： 可检测
46
AI检测实例展示|瓷体开裂
样品处理检测评价结果・・・【 ○ 】可检
原图
样品7 0201电容
处理后
传统算法检测难点：开裂特征不明显，传统算法检测存在大量漏判和
误判。
检测结果：判定结
果： 可检测
47
AI检测实例展示|电极露铜
样品处理检测评价结果・・・【 ○ 】可检
原图
样品8 0201电容
处理后
传统算法检测难点：小面积露铜特征不明显，传统算法检测存在较多
误判。
检测结果：判定结
果： 可检测
48
AI检测实例展示|瓷体烧黑
样品处理检测评价结果・・・【 ○ 】可检
原图
样品9 0201电容
处理后
传统算法检测难点：部分烧黑缺陷不明显，且易与瓷体反光相干扰，
传统算法检测不彻底，误判较多。
检测结果：判定结
果： 可检测
49
Thanks!