一塊頭戴式耳機的主板，也就巴掌大。

上面擠了十幾個焊點、六七種顏色的漆包線、泡棉墊、導光柱、銷釘，還有兩組 FPC 排線連接器。東西倒不大，但該查的一樣不能少——線序顏色對沒對上、焊點有沒有錫渣、泡棉漏沒漏貼、FPC 排線插沒插到底。

深圳某3C電子產(chǎn)品公司之前一直靠人工干這個活。工人在放大鏡下對著左右兩側(cè)逐一過檢。說起來好像不難，但做過產(chǎn)線的都知道，長時間盯著放大鏡看那些顏色相近的細線和反光刺眼的焊點，人的判斷標準是會漂移的。同一個人上午和下午判的可能都不一樣，更別提不同人之間了。

示意圖

用他們自己的話說：出貨量一大，不良品漏出去的概率就往上漲。 檢測種類多、走線狀態(tài)復(fù)雜、全憑人眼判斷——這三個東西湊一塊，質(zhì)檢就是產(chǎn)線上最不穩(wěn)的那個環(huán)節(jié)。

我們怎么做的

維視智造搭了一套東西：2000 萬像素彩色相機 + FA 鏡頭 + 白色碗光，軟件跑在 Visionbank AI 上。

核心思路就一條：一張圖拍下來，所有檢測同步并行，不串著來。

整體運行界面

線顏色識別和線序匹配，這個是最頭疼的。

走線方向亂七八糟，每條線的顏色在不同光照下看起來能差出兩個色號。先用斑塊定位找到產(chǎn)品位置，深度學習圖像增強在對應(yīng)位置定位每根線——如果斑塊區(qū)間超出設(shè)定范圍說明可能被遮擋，直接標 NG。然后跑分類模型判顏色，再跟預(yù)設(shè)的線序模板對照：顏色對不上就是線序有問題，不管是位置互換、錯接還是漏焊，全都能抓到。

線序遮擋

焊點錫渣檢測

深度學習增強定位所有焊點區(qū)域 → 卡面積 → 跑缺陷檢出模型看有沒有錫渣。這個環(huán)節(jié)傳統(tǒng)算法特別容易翻車，因為焊點反光和錫渣反光亮度差不多，規(guī)則寫死了誤報率很高。但用深度學習喂了足夠樣本之后，模型能分清楚一個亮斑到底是正常焊點的光澤還是真有錫渣。

焊線點錫渣

泡棉、導光柱、銷釘，這三個東西邏輯一樣。

說白了就是"它在不在它該在的地方"。特征定位工具先鎖定產(chǎn)品位置，顏色面積工具再去看目標區(qū)域里有沒有對應(yīng)顏色的物體——有就是裝了，沒有就是漏了。

FPC 排線安裝和連接器壓合，公差卡得很死。

先特征定位排線座的位置，邊檢出工具抓排線的邊緣線，最后用多寬度測量加斑塊面積雙重驗證，判斷裝沒裝到位、連接器壓沒壓到底。插歪了當時看不出來，用幾個月接觸不良就來了。

示意圖

跑起來之后怎么樣了

客戶拿到的結(jié)果，前后對比非常直接：

大多數(shù)工廠壓根不需要行業(yè)天花板級別的方案，他們要的就是一套真能跑、能覆蓋全部缺陷類型、不挑型號、換型快的系統(tǒng)。

對維視智造來說，這個案子的技術(shù)路徑也是我們近幾年持續(xù)打磨的方向——斑塊定位鎖定檢測區(qū)域、深度學習做圖像增強、分類模型判別缺陷類型、面積卡控過濾過殺，四個環(huán)節(jié)串成一條流水線，單次成像全部跑完。