工业视觉质检：AOI自动光学检测

可视化演示

展示AOI从光学成像到缺陷标记的检测流程、误报与漏检灵敏度平衡曲线、AOI高速筛查与人工复检人机协同流程，交互理解工业视觉质检系统。

光学成像系统

机场安检老手常说一句话：“看不清，就什么都查不出来。”X 光机虽然厉害，也要靠扫描舱内精心布置的灯光——顶部、侧面多个角度的补光，让瓶身的反光、瓶底的阴影全部消除，物品轮廓才清清楚楚。PCB 板上的焊点又小又亮，比矿泉水瓶难伺候得多。AOI 的第一道关卡，就是光学成像系统，它的使命只有一个：让微米级的缺陷在镜头前“现出原形”。

光学成像系统由三件套组成——光源、镜头、相机。光源常见三种：环形光围着焊点打出一圈均匀的亮边，同轴光垂直照射消除金属反光，条形光从侧面斜射勾出划痕的立体轮廓。镜头决定景深，景深不够，板面轻微翘曲就会局部失焦。相机则负责把光信号变成算法能分析的数字化图像——它本质上就是安检口那台 X 光机的“视网膜”。

相机分辨率不能拍脑袋定。工程上的经验法则是：最小缺陷至少要覆盖 2~3 个像素，否则算法缺乏判断依据。把视野宽度除以最小缺陷尺寸，再乘上像素系数，就得出了所需分辨率：

回到安检口：灯光布置错了，再贵的 X 光机也看不清行李；AOI 老师傅同样讲究“七分照明，三分算法”。成像系统的每一个旋钮——光源的角度、相机的像素、镜头的景深，都在为后端那双“算法眼睛”铺路，这一步马虎，后面全盘皆输。

检测算法选型

同一张 X 光图，老安检员瞥一眼就喊“开箱”，新手却要对着屏幕翻半天手册。前者靠的是多年见闻淬炼出的直觉，后者靠的是逐条比对的规则。检测算法也分这两派：传统图像处理像“新手手册”，深度学习像“老师傅直觉”。

传统图像处理包括阈值分割、模板匹配、连通域分析，对尺寸、位置、数量这类规则清晰的缺陷——比如少锡、元件偏位——又快又稳，不需要标注数据。弱点也很明显：换一种板型，参数往往要重新调一遍，就像新手册一旦换机场就得重印。深度学习则用几千张标注缺陷图“喂”出老师傅，以目标检测网络定位缺陷，以分类网络区分缺陷种类，对划痕、污渍这类没有固定形状的目标表现优异。

评价两者高下不能只看“准不准”，要看精确率与召回率的平衡。精确率衡量“报出来的到底有多少是真缺陷”，召回率衡量“真缺陷到底被拦下了多少”，二者合成一个综合指标 F1：

成熟机场从来不是“新手或老手”二选一：新手按手册核对违禁品清单，老手盯图像细节和整体态势。好的 AOI 同样“新老搭配”——规则项交给传统算法，疑难项交给深度学习，各管一段，各显神通。

误报控制策略

把安检金属探测门的灵敏度拧到最大是什么体验？口袋里一枚硬币都会“滴滴”报警，旅客排起长队骂娘，安检员疲于开箱，真正的危险品反而淹没在报警的海洋里。AOI 最头疼的病，正是这种“草木皆兵”——误报。误报的定义很简单：把良品板误判成了缺陷板。

误报率与漏检率是一对跷跷板。误报率是“冤枉的好板”占全部好板的比例，漏检率则是“放走的坏板”占全部坏板的比例。判定阈值调严，漏检变少但误报变多；阈值调松，误报变少但漏检变多。误报率的数学定义如下：

控制误报常用三招：动态阈值——随光源老化、批次变化自动微调；多特征融合——把亮度、形状、位置等多个维度的得分加权合成，而不是单阈值一刀切；复检分流——低置信度的先送人工复检，高置信度再下最终判定，避免冤枉任何一块好板。优秀的安全负责人不会一直去拧灵敏度旋钮，AOI 的目标也从不是零误报，而是让每一次报警都有意义。

人机协同流程

安检链条里最贵的不是机器，是开箱员。机器一响，开箱员要弯腰、开箱、翻查、解释，一件行李少说几十秒。AOI 同样离不开人：算法再聪明，也有拿不准的时候，于是“人机协同”成为产线标配。机器负责广撒网，人负责去伪存真。

流程大致四步：AOI 初检，沿传送带逐块扫描并标记可疑板；自动分拣，可疑板被拨到复检工位；人工复检，质检员在放大影像上确认到底是真缺陷还是误报；结果回流，把确认结论写回系统。别小看最后一步——它既是质量把关，也是后续算法迭代最重要的数据源泉，相当于安检员把每次开箱结论都记进了培训档案。

复检工位的人力配置直接由报警量决定。若单件报警板平均复检耗时为 \(t_{\text{manual}}\)，报警量为 \(N_{\text{alarm}}\)，复检总工时就是：

开箱员的数量由报警量决定，报警量又由灵敏度决定——人机协同的精髓，就是让机器的“冲动”与人的“理性”在复检工位上缝合起来。机器跑量，人把关质量，缺一不可。

覆盖成本平衡

机场的灵魂拷问不是“能不能查”，而是“查多严才划得来”。查得越严，排队越长、人力越贵；查得越松，风险越大。AOI 面对同样的拷问：检测覆盖率提到多高，复检成本才扛得住？漏检的代价是缺陷板流出厂、客户退货、口碑受损；误报的代价是良品板被拦下、人工复检白耗工时。两类成本相加就是总质量成本：

覆盖率因此讲究“分级”：电源、地等安全攸关的焊点 100% 覆盖，外观装饰区域可以适当放宽。成本优化的路径也清晰：优先提升高价值缺陷的检出能力，再用算法压缩误报，让复检工位只处理“高价值嫌疑对象”。成熟机场早已学会风险分级——VIP 通道快速放行，高风险行李重点盘查。AOI 的覆盖率和复检资源同样按缺陷等级分配，把每一分钱都花在最值得的焊点上。

模型迭代部署

机场的违禁品清单不是印一次就封版的。新型充电宝、新型刀具层出不穷，安检员的培训手册每隔几个月就要更新。AOI 的深度学习模型也一样：产线换料号、光源老化、来料批次变化，旧模型的性能都会悄悄衰退。想让“老师傅”不落伍，就得建立一套迭代闭环。

这套闭环像安检部门的培训体系：数据标注规范——建立缺陷类别字典，明确什么算划痕、什么算污染；再训练机制——每周或每月用回流数据重新训练模型；灰度发布——新模型先在一两条产线试运行，与旧模型并行对比指标；产线适配——新板型先采集小批量数据做微调再上线。上线后性能要靠监控指标盯住，误报率、漏检率每天都有波动，不能被单日数据骗了。工程上常用指数加权移动平均看趋势：

老安检员越来越准，是因为每一次开箱结论都在更新他的经验库。AOI 的灰度发布就是“经验库升级”的产线版本——不停机、不冒进，让新认知逐渐替换旧认知，而不是一夜之间推翻重来。

全链路部署落地

一台性能再好的孤胆安检机也救不了整个机场。它必须与航班系统、行李分拣、数据库联动：报警信息推送到正确的开箱台，处置结果回写档案。AOI 也一样，只有嵌进工厂的“神经中枢”——MES 制造执行系统，才算真正落地。否则它只是一台会报警的孤岛设备。

典型部署链路是：产线相机抓拍图像，边缘计算网关在毫秒级完成推理，判定结果上报 MES，MES 驱动机械臂把可疑板分拣到复检工位，复检结论再回流系统。这条链路上，节拍是硬约束：产线留给每块板的检测窗口只有几秒，推理慢一点都不行。整体效率用 OEE（设备综合效率）衡量：

机场把安检线织进航站楼的整体节拍，AOI 也只有与产线节奏同频共振，才能守护每一块板卡不出厂门——从相机到 MES，从算法到复检工位，这场“产线机场安保”，才算真正闭环。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""AOI缺陷检测模拟: 特征提取 + 阈值判定 + 误报/漏检分析"""import random  class AOIDetector:    """模拟一台厂区AOI质检设备"""     def __init__(self, threshold):        self.threshold = threshold        self.good_pass = 0      # 良品正确放行        self.risk_catch = 0     # 缺陷品正确拦截        self.false_alarm = 0    # 误报: 良品被判坏        self.miss = 0           # 漏检: 缺陷品被放走     def _score(self, board):        """融合两个特征得到缺陷得分: 焊盘不良占比 + 亮度偏低程度"""        pads = board["pads"]        bad_ratio = sum(1 for p in pads if p["bad"]) / len(pads)        dark = 1.0 - board["brightness"]        return 0.6 * bad_ratio + 0.4 * dark     def run(self, board):        """检测一块板并更新统计, 返回是否报警"""        alarm = self._score(board) >= self.threshold        is_bad = any(p["bad"] for p in board["pads"])        if alarm and not is_bad:            self.false_alarm += 1        elif not alarm and is_bad:            self.miss += 1        elif alarm and is_bad:            self.risk_catch += 1        else:            self.good_pass += 1        return alarm  def make_board(bad_prob=0.15):    """生成一块模拟PCB板: pads为焊盘列表, brightness为整体亮度"""    pads = [{"bad": random.random() < bad_prob} for _ in range(10)]    brightness = random.uniform(0.75, 1.0)    if any(p["bad"] for p in pads):        brightness = random.uniform(0.35, 0.65)    return {"pads": pads, "brightness": brightness}  def evaluate(threshold, rounds=2000):    """用固定数据量跑一轮, 返回误报率和漏检率"""    dev = AOIDetector(threshold)    for _ in range(rounds):        dev.run(make_board())    defect_total = dev.risk_catch + dev.miss    fpr = dev.false_alarm / rounds    fnr = dev.miss / defect_total if defect_total else 0.0    return fpr, fnr  def main():    print("阈值  误报率  漏检率")    for t in (0.35, 0.50, 0.65):        fpr, fnr = evaluate(t)        print("%.2f  %.1f%%  %.1f%%" % (t, fpr * 100, fnr * 100))  if __name__ == "__main__":    main()

1. class AOIDetector:定义一台“电子安检员”，内部维护放行、拦截、误报、漏检四类统计。
2. self.threshold = threshold判定阈值，相当于安检金属探测门的灵敏度旋钮。
3. return 0.6 * bad_ratio + 0.4 * dark多特征融合打分，把焊盘不良占比与亮度偏低程度加权合成。
4. alarm = self._score(board) >= self.threshold得分超过阈值就报警，这正是误报与漏检博弈的开关。
5. pads = [{"bad": random.random() < bad_prob} for _ in range(10)]模拟一块 PCB 板的 10 个焊盘，随机打上缺陷标记。
6. fpr = dev.false_alarm / rounds误报率 = 误报数除以总检测数，对应正文中的 FPR 公式。
7. for t in (0.35, 0.50, 0.65):对比三种灵敏度，直观看到阈值调高误报上升、漏检下降。

常见误区

面试题