关键要点
- 2D AOI系统仅通过亮度和对比度来判断零件，因此即使从上方看电路板看起来完美无缺，它们也经常会错过基于高度的缺陷，如引线抬起、焊料体积不足和翘曲。
- 误拒，而不是错过的缺陷，通常是影响吞吐量的更大拖累。人工智能驱动的3D检测通过测量实际几何形状而不是从阴影和反射中猜测，从而显著减少了误拒。
- 解决方法不是更高的分辨率。而是不同类型的资料。高度和体积测量，而不是更详细的2D图像，是缩小当今密集、微型组件检测差距的关键。
您的2D AOI系统正在执行其设计功能。只是它无法检测高度。所有隐藏在第三维度的缺陷——翘起的引脚、焊料不足的焊点、倾斜的元件——都会被只理解平面图像和光对比度的相机忽略。
这不是软件错误。这是技术的结构限制。一个2D系统捕捉一张图片。除非提供一种方法来重建几何形状，否则它无法测量深度、体积或形状，而大多数传统的自动光学检测（AOI）站从未被设计用来完成这项任务。
2D AOI和3D检测之间真正的区别是什么？
2D AOI分析平面图像中的亮度和颜色，以发现可见的表面缺陷。3D检测则使用结构光、激光三角测量或多相机重建来测量实际高度、体积和形状。这种区别很重要，因为现代生产装配中许多代价高昂的缺陷是体积上的，而不是视觉上的。
想象一下一张白桌子上的污渍。如果污渍与桌面有颜色对比，2D相机可以立即捕捉到。但是，如果污渍与桌面颜色相同，只有厚度略有不同，只有在手指划过时才能注意到，基于对比度的成像就无能为力了。高度数据，而不是更多的像素，成为捕捉它的唯一方法。
同样的逻辑也适用于形状。从正上方直视一个井盖，即使井盖稍微抬起或倾斜，在二维图像中仍然显示为一个完美的圆形。只有测量表面实际高度的系统才能发现井盖放置不正确。
这也是 人工智能驱动的机器视觉 和基于规则的检测开始分道扬镳的地方。基于规则的检测将像素与固定的阈值进行比较。人工智能系统学习正常几何变化的外观，并标记出真正的异常，这是制造商采用深度学习和3D数据捕获后误报率下降的主要原因。
为什么2D AOI会漏检某些缺陷？
2D AOI会漏检那些只有通过高度或体积才能显现出来的缺陷，因为该技术无法测量这两者。一个向上倾斜而不是平放的元件，一个下面材料太少的连接，或者一个弯曲而不是平的表面，在平面图像中可能看起来都是可以接受的，即使该部件不符合规格。
照明造成的损害比大多数工程师意识到的要大
较高元件投射到相邻接头上的阴影，以及从闪亮引脚或金属表面反射的光线，会扭曲2D AOI所依赖的亮度模式。在密集布局中，这会产生连锁反应。系统要么会错过隐藏在阴影中的真实缺陷，要么更常见的是，由于照明使零件看起来有问题而标记一个完全良好的零件。
无论使用何种相机，表面下和隐藏的缺陷都保持不可见
无论分辨率有多高，都无法帮助自上而下的相机看到零件下方。连接隐藏在组件下方，功能密封在机箱内，细节隐藏在较高的相邻部件后面，完全不在视野范围内。这些缺陷需要从角度进行高度测量，或者采用X射线等不同的检测方法，叠加在光学检测之上。
PCB组装示例，MLCC安装
Cognex的高级应用工程师Dennis Park指出，多层陶瓷电容器（MLCC）检测准确地显示了2D和3D之间的界限。一个具有高分辨率相机和正确照明的2D系统可以轻松捕捉到缺失的MLCC或破裂或明显划伤的MLCC，因为这些缺陷会改变部件的轮廓，足以被检测到。侧向倾斜的元件也会改变其轮廓，通常AI或分类工具仍然可以捕捉到它。
未平放的MLCC是一个不同的问题。一个向上倾斜的，或者只是稍微比它应该的位置高一点的，从正上方看几乎是一样的。2D系统无法测量这种高度差。将2D阈值推得更紧以试图捕捉它往往会适得其反，标记出实际上没问题的一波零件，导致错误拒绝率上升而不是下降。
误拒和漏检的隐性成本
在日常运营中，误拒的成本通常会超出大多数制造商的预算，因为每次标记的电路板都会使操作员从实际生产工作中抽身，手动验证一个实际上从未出现缺陷的部件。据报道，较旧的2D AOI系统的误拒率高达50%，而人工智能辅助的3D系统通常将这一比例降至个位数。
漏检的缺陷则会带来相反的风险。AOI 漏检的缺陷如果到达最终测试阶段 - 甚至更糟糕的是到达客户手中 - 修复成本会随着问题的进一步发展而急剧增加。质量专业人士经常引用 1-10-100 规则：在生产前发现的缺陷可能只需要花费一美元来解决，而在组装过程中发现的相同缺陷则需要花费大约十倍的成本，如果缺陷逃过检测到达客户手中，则可能需要花费一百倍的成本，因为需要考虑返工、生产线停机时间和声誉损失。
PCB组装示例，按类型检测缺陷
下表使用PCB组装来说明模式，因为这是最清晰地看到2D和3D分歧的地方之一。同样的分歧也出现在其他生产环境中，只是附带了不同的缺陷名称。
| 缺陷类型 | 可通过2D AOI检测 | 可通过3D检测检测 |
|---|---|---|
| 缺失或错位的元件 | 是 | 是 |
| 焊盘之间焊料桥接 | 是 | 是 |
| 立碑或极性错误 | 是 | 是 |
| 提升或浮动引线 | 有限，角度依赖 | 是，通过高度测量 |
| 焊盘下焊料量不足 | 无 | 是，通过焊料量测量 |
| 元件共面性或倾斜 | 无 | 是 |
| 板或面板的翘曲 | 无 | 是 |
| 元件主体下方的隐藏接头 | 无 | 否，需要X射线或ICT |
该表显示，2D AOI 可以可靠地检测到平面可见缺陷，如缺失的组件和焊桥，但对于与高度相关的缺陷，如引脚抬起、焊料量不足和平面度，始终无法检测到，而 3D 检测则可以通过直接测量检测到这些缺陷。两种方法都无法看到完全隐藏的接头，这仍然需要 X 射线或在线测试。
并非所有与高度相关的缺陷实际上都是 3D 问题，而这种区别往往会使购买决策复杂化，Cognex 的高级应用工程师 Dennis Park 如是说。细长且深的划痕就是一个很好的例子。它们似乎是3D线扫描仪的明显应用场景，但3D系统通常会错过它们，因为线扫描仪的XY分辨率通常低于同类2D相机的分辨率。额外的深度分辨率并不能弥补追踪细小划痕所需的XY分辨率。
这种特定类型的缺陷实际上更容易通过使用计算成像的2D系统捕捉到，捕捉不同光照角度下的多张图像，并将它们组合成一张复合图像，揭示划痕，而不需要真实高度数据。无论涉及的具体工具如何，Park的观点仍然成立。将检查方法与缺陷的实际几何形状相匹配，而不是与听起来更先进的技术相匹配。
3D检测如何解决2D相机无法看到的问题？
3D检测通过捕捉实际几何数据而不是平面图像来解决可视性差距，使用结构光投影、激光位移或多相机三角测量等技术来构建零件上每个点的高度图。该高度图使系统能够测量，而不是估计，接头或组件是否符合公差。
结构光和激光位移的简单解释
结构光通过将已知图案（通常是网格或一组线条）投射到零件上，并观察该图案在表面上的扭曲情况来工作。扭曲揭示了逐点的高度差异。激光位移采用类似的方法，使用单条激光线，将其扫过表面，并根据反射线的偏移计算高度。两种方法都将光转化为测量值，而不仅仅是图片。
人工智能在3D机器视觉中的应用如何？
人工智能为3D传感器捕获的原始测量数据添加了模式识别功能，因此系统可以区分真正的缺陷和正常的制造变化，而不仅仅是依赖于固定的阈值。这就是为什么人工智能缺陷检测与3D数据相结合已成为工业质量控制中增长最快的组合之一，特别是对于需要可扩展检测而无需大量视觉工程师手动调整参数的中型制造商。
对于正在评估转型的制造商来说，这通常是一个很好的时机，可以考虑将3D视觉系统与生产线上的现有2D视觉系统一起使用，因为许多生产环境最终会同时运行这两种技术，而不是用一种取代另一种。
BOS创新如何用3D视觉解决机器人箱拣问题？
BOS Innovations最初尝试使用2D视觉相机和激光引导器来解决随机机器人箱拣应用，但该设置无法提供项目所需的准确性和鲁棒性。团队改用康耐视的3D线扫描相机，增加的高度数据使机器人能够精确瞄准以前让2D设置感到困惑的具有反射性镜面的锆棒。
"我们尝试使用2D机器视觉和激光来解决箱拣应用，但我们没有看到我们引以为豪的鲁棒性水平。我们在中途调整了方向，选择了康耐视的[3D激光轮廓仪]，因为它在精度和速度方面表现优异，”BOS Innovations视觉系统高级项目负责人Alex Klarenbeek说道。
客户对3D视觉的精度期望是否过高？
Park表示，客户经常期望3D视觉系统能够达到与校准测量工具（如卡尺）相同的精度，而这种不匹配的期望正是许多3D检测项目遇到麻烦的地方。3D视觉系统是一种视觉系统，而不是经过认证的计量仪器，因此，真实值与提取的3D扫描数据之间存在微小差距是正常的，而不是系统故障的迹象。
在Park看来，3D视觉系统真正擅长的是可重复性。测量结果在每次扫描后都保持稳定和一致，这意味着一旦确定了真实值与测量值之间的差距，通常可以通过校准偏移量来纠正。对于任何指定3D系统的用户，他的实际建议是根据所部署相机的确切X、Y和Z分辨率建立一个现实的误差范围，而不是假设3D视觉像实验室级别的卡尺一样工作。
3D检测对您的生产线来说值得投资吗？
当您目前的误拒率或漏检率降低生产效率时，当您的组件涉及高度敏感的公差，例如隐藏在零件下方而不是从上方可见的连接，或者当您的零件具有反射或镜面表面时，3D检测值得投资，因为这些表面会混淆标准2D成像。与2D AOI相比，3D AOI的前期成本更高，需要更多的设置专业知识，但对于合适的缺陷类型，它可以通过减少返工和减少下游漏检来迅速收回成本。
决策并不总是非此即彼。许多生产线保留2D AOI用于快速、低成本地筛选可见缺陷，然后在最可能发生基于高度的缺陷的特定站点添加3D检测，例如检查焊点位于部件主体下方而不是边缘的组件。
错误拒绝问题的规模已有充分的文献记载。通过IEEE发布的同行评审方法论，应用于八个汽车电子制造项目中，在系统地解决根本原因而非逐行修补后，10个月内将错误拒绝率降低了56%。对于任何试图建立内部商业案例的制造商来说，这是一个有用的基准，因为它表明回报不仅仅在于发现更多的真实缺陷。而是不再浪费劳动力和生产线时间去追逐虚假的缺陷。
当被问及客户在检查方法上应该改变什么时，Park的回答很简单。���选择技术之前，先定义缺陷标准。如果客户能够明确、精确地定义缺陷——无论是非线性表面缺陷，如划痕或污渍，还是高度和体积的差异——就可以将检测方法与实际问题相匹配，而不是过度购买或规格不足。可以通过外观区分的表面缺陷，如颜色、质地或反射率的变化，通常可以通过高分辨率2D相机和适当的照明来检测。通过高度或体积区分的缺陷需要进行3D检测。从一开始就正确进行分类可以防止投资浪费和缺陷不断出现。
制造商接下来应该怎么做？
评估升级的制造商应首先确定哪些缺陷实际上逃过了他们当前的工艺，而不是假设更高的相机分辨率会解决问题。基于高度的缺陷需要基于高度的测量。这一事实应该比像素数或帧率更能推动购买决策。
IPC-A-610等标准已经定义了大多数制造商检查的验收标准，将这些标准与GigE Vision兼容的3D硬件结合，可以轻松地将新的检查站集成到现有的工业4.0或工业物联网数据架构中，而无需进行全面的生产线重新设计。
准备亲自体验差异的团队可以获取演示，了解3D机器视觉解决方案如何针对他们自己的零件几何形状运行，这通常是了解缺陷类型是否未被检测到的最快方法。
从业者洞察基于对Cognex高级应用工程师Dennis Park的采访。