AOI 误报止不住？问题在架构，不在参数

从像素匹配到特征认知 —— DaoAI 如何用深度学习的泛化能力，从根上降低误报。2026 年 5 月，Digitimes Asia 报道了 DaoAI 推出的「围绕特征认知检测构建的自主智能体 AI 视觉检测方案」。

传统AOI的困境与架构根源

在印刷电路板组装（PCBA）检测领域，传统自动光学检测（AOI）一直是主流手段，然而，它存在的诸多问题长期困扰着制造商。传统AOI有三大长期症状，严重影响了检测效率和质量。

首先是设置耗时。在传统AOI检测中，每个新产品都需要进行大量的准备工作，包括创建元件库条目、导入CAD文件以及进行阈值调整等。据行业统计，工程师平均花在编程上的时间比实际跑产线的时间多出约30% -50%。这意味着大量的人力和时间成本被消耗在前期准备工作上，严重影响了生产效率。

其次是误报率高。与基板共享色调的元件，如黑色基板上的黑色电阻、银色走线上的银色连接器等，经常触发错误警报。在一些复杂的PCBA生产中，误报率甚至能达到20% -30%，这不仅增加了检查员的工作负担，还可能导致真正的缺陷被忽视，降低了产品的质量可靠性。

最后是无学习闭环。当检查员推翻一次误报时，这个知识随即消失，明天同样的问题会再次发生。这使得传统AOI无法从过往的检测经验中学习，检测效果难以得到持续改善。这些问题的根本原因在于架构限制，传统系统基于「把所见与颜色配置文件比较」的简单前提。当元件与背景占据相同颜色范围时，色彩空间匹配无法区分它们，此时再怎么调参数也无法从根本上解决问题。

DaoAI特征认知检测的革新

DaoAI的方法转变了检测范式，从色彩空间检测转变为特征空间检测。其模型在超过一百万张元件图像上预训练，构建出对电阻、电容、连接器等元件的密集表征，无论颜色、照明角度或基板色调如何，都能准确识别元件。

这种转变带来了四个实际改进。在设置效率方面，只需一块已知良品板，无需CAD文件或元件数据库。以前需要整个班次才能完成的设置工作，现在只需几秒到几分钟。这大大缩短了新产品的上线时间，提高了生产效率。以某大型PCBA制造商为例，采用DaoAI的检测方法后，新产品的设置时间从原来的8小时缩短到了不到10分钟。

在降低误报方面，模型识别的是元件「身份」而非颜色相似度，色调匹配的元件不再造成问题。特征空间能清晰分离色彩空间无法区分的元件，将误报率降低到了5%以下。这使得检查员的工作负担大幅减轻，能够更专注于真正的缺陷检测。

在持续学习方面，当检查员标记一次误报，模型随即更新，该特定错误模式被淘汰、不再重复。这是传统AOI从未有过的能力，使得检测系统能够不断学习和优化，检测效果越来越好。

在数据主权方面，所有推理在本地运行，板图像、缺陷记录与模型权重永不离开工厂。这保障了企业的数据安全和隐私，符合企业对数据管控的要求。

颜色匹配系统不会变得更好，学习系统会。及时采用特征认知的制造商，正在构建一项数据资产。

当前采用特征认知检测的重要性

随着科技的不断发展，PCBA复杂度在持续增加。先进封装、微型化元件与压缩的周期时间，让检测挑战更加困难。颜色匹配的传统检测系统在面对这些复杂情况时，已经难以满足检测需求，其误报率高、设置耗时等问题会更加突出。

而学习系统，如DaoAI的特征认知检测方法，则能够更好地适应这种变化。及时采用特征认知的制造商，正在构建一项数据资产，即一个在自己特定产品组合、特定缺陷模式、特定产线条件上持续改进的模型。这个模型会随着生产的进行不断学习和优化，为企业提供更准确、高效的检测服务，提升企业的竞争力。

不同规模企业的合作路径

对于不同规模的企业，DaoAI提供了多样化的合作路径。

• 大型EMS / OEM制造商：以SDK、REST API、Docker容器或本地部署许可证的形式集成，这种方式能够与企业现有的系统进行深度融合，满足企业对定制化和数据安全的要求。
• 中小型PCBA工厂：可采用P系列交钥匙系统，实现「5分钟上线，而非5个月」。这种简单便捷的方式能够快速帮助中小型企业提升检测效率，降低成本。
• AOI / SMT设备制造商：可参与OEM计划，典型PoC时间线从NDA签署后30天起，这有助于设备制造商快速将先进的检测技术融入到自己的产品中。
• 区域经销商：台湾与东南亚认证渠道合作伙伴计划，能够帮助DaoAI更好地拓展市场，为当地企业提供优质的检测解决方案。

本文由人工智能生成。文中客户案例为基于产品真实能力的模拟场景，成效数字为示例性质；官方标定口径以产品页为准。