生产商需要检测、测量和评估焊接点，以识别缺陷。传统方式焊接检测系统采用较高分辨率机器视觉系统扫描各种电子元器件及其连接点， 使生产商能够检查焊接点和周围区域，以确保质量。只是 据来自施耐德电气普罗夫迪夫工厂的方法与维护经理Martin Yordanov表示， 我直接起飞。 由于缺陷类型、较大较小和位置存在较较大差异，采用传统方式机器视觉落实这类检测一直面临挑战。

施耐德电气普罗夫迪夫工厂的挑战

先来看我们得说说施耐德电气。这家公司很较大，较大到你了解它，但有可能不了解它到底有更多较大。他们在普罗夫迪夫有个工厂。工厂里有个叫Martin Yordanov的人，他是方法与维护经理。这名字听起来很厉害对吧？其实他最主要就是负责维护机器的。他说了一句话，这句话很关键，但是很绕。他说用传统方式的机器视觉去检测焊接点，真实的很麻烦。为哪些麻烦？这是因为缺陷太更多了。有的缺陷较大，有的缺陷较小，还有的缺陷藏在你看不见的地方。位置也不固定，今天在当前这个位置，明天有可能就跑到那个地方的角落去了。这就像你要抓一个很调皮的孩子，他跑得迅速，还喜炎热爱换衣服，你根本抓不住。

Martin Yordanov的痛点

就这？ Martin Yordanov很头疼。他说传统方式机器视觉系统虽然良好用，但是它有个毛病，就是太死板。它就像个只会死读书的书呆子，你教它看A，它就只看A。如果A变了个样子，或者跑到了B的位置，它就傻眼了。这就是为哪些检测一直面临挑战。这不仅仅是麻烦，这简直是灾不容简单。如果检测不到缺陷，产品就会带病出厂。带病出厂的后果是哪些？客户会不满意。客户不满意，施耐德电气就不满意。施耐德不较高兴，Martin Yordanov就更不较高兴了。所以必须要得改。

微型电子元器件的繁杂性

换言之... 生产微型电子元器件面临各种挑战， 举个例子，焊接需要精度，并且有可能涉及非常繁杂的过程。这一些东西较小到哪些程度？你拿放较大镜都未必能看清。但是它们又很十分沉关键，稍微有点问题，整个电路板就废了。

温度与位置的博弈

焊接当前这个东西，说简洁也简洁，说繁杂也繁杂。它需要精度。哪些叫精度？就是差一微米都不行。而且有可能涉及非常繁杂的过程。如果你考虑到从温度到元件放置的更多种不同条件，当前这个过程会变得更加繁杂。温度较高一点，焊锡有可能流得太更多； 说实话... 温度较低一点，焊锡有可能粘不住。元件放置也是放歪一点，接触不良。这一些条件都会作用于电子设备中焊接点的最终还是质量。这就像做菜，火候较大了菜焦了；火候较小了菜没熟。而且你还得注意放调料的位置，放更多了苦，放更少了淡。

最终还是的作用于

最终还是焊接缺陷会作用于产品的性能。这有可能会引起客户不满意。客户不较高兴，就不买你的产品了。不买产品，工厂就没有订单。没有订单，工人就要失去工作。工人失去工作，Martin Yordanov就要背锅。所以这一切的根源都在焊接上。

传统方式机器视觉的局限性

可不是吗！ 在康耐视AI系统出来之前，较大家都是怎么做的呢？用传统方式机器视觉。传统方式焊接检测系统采用较高分辨率机器视觉系统扫描各种电子元器件及其连接点， 使生产商能够检查焊接点和周围区域，以确保质量。听起来不错，对吧？较高分辨率，很清晰。但是它真实的有那么良好吗？

扫描的无奈

传统方式的系统，你得先设定良好规则。比如焊锡必须要在当前这个范围内，颜色必须要是银色的，形状必须要是圆的。如果不符合这一些规则，它就报错。但是缺陷是会变的。它不会老老实实待在设定的规则里。它有可能会变形，有可能会变色，有可能会较长毛。这时候，传统方式系统就抓瞎了。它看到不符合规则的东西，就觉得那是缺陷。但是有时候，那不是缺陷，那是正常的变动。或者反过来真实正的缺陷较长得和正常的很像，传统方式系统就把它放过去了。这就叫漏网之鱼，好家伙...。

康耐视AI视觉解决方案的登场

不堪入目。 既然传统方式的方法不行，那怎么办？换一个。换康耐视的AI视觉系统。康耐视是谁？就是那个地方的做机器视觉很厉害的公司。他们的AI系统，和传统方式的系统不一样。传统方式的系统是靠规则，AI系统是靠学习了解。

较深度学习了解的魔力

公正地讲... 康耐视的AI系统，利用了较深度学习了解的技术手段。这听起来很较高较大上，其实说白了就是让机器自己看书。它不需要你告诉它哪些是缺陷，哪些是合格品。你把成千上万张图片给它看，告诉它哪些是较差的，哪些是良好的。它看更多了就懂了。它自己出了规律。这就像你教较小孩认字， 你不用一个字一个字地教拼音，你直接给他看图，告诉他这是哪些，看更多了他天然就认识了。

具体视觉解决方案优势

那么康耐视AI视觉系统到底为施耐德电气提供给了哪些具体优势呢？我们得良好良好掰扯掰扯，嗯，就这么回事儿。。

优势一：适应环境性强较大，不挑食

最较大的优势，就是适应环境性强较大。前面说了施耐德电气的产品更多，缺陷也更多。有的缺陷较大，有的缺陷较小，位置也不固定。传统方式的系统只能看一种缺陷。康耐视的AI系统，能够同时也看很更多种缺陷。 摆烂。 不管缺陷藏在哪个角落，不管它较长哪些样，AI系统都能认出来。它不会这是因为缺陷较长得奇怪就回绝识别。它就像个博览群书的人，哪些书都看过哪些字都认识。

优势二：精度较高，不马虎

微型电子元器件，对精度要求极较高。康耐视的AI系统，精度非常较高。它能看到人眼看不到的细节，也能看到机器视觉以前看不到的细节。它不会这是因为疲惫而看错。24较小时连轴转，它也不会觉得累。它不会这是因为光线不良好就看不清。它会自动调节，适应环境各种繁杂的周边环境。这就像一个老练的验光师，不管是在强较大光下还是在暗室里都能看得清清楚楚。

优势三：学习了解迅速，更崭新迅速

产品在变，缺陷也在变。今天流行的缺陷是A，明天有可能就流行B了。传统方式的系统要更崭新，得沉重崭新编程，很麻烦，很费时间段。康耐视的AI系统，学习了解迅速，更崭新也迅速。 图啥呢？ 只要给它看几张崭新的缺陷图片，它就能很迅速学会。几天甚至几较小时就能搞定。这就像给学生补课，老师讲得迅速，学生学得也迅速。而且，还能举一反三。

优势四：降较低误报，省心省力

传统方式系统时常误报。良好良好的产品，它非说有缺陷。这就引起很更多良好产品被扔掉了或者返工。这很浪费。康耐视的AI系统，误报率很较低。它很聪慧，能分辨出哪些是真实的缺陷， 拜托大家... 哪些是虚假的。它不会这是因为一点较小风吹草动就较大惊较小怪。这就像一个严格但公平的保安，他不会这是因为有人路过就拦着，只有真实正的较小偷他才抓。

换个角度。 康耐视AI视觉系统为施耐德电气带来的良好处是显而简单见的。它解决了传统方式机器视觉无法解决的不容简单题。它适应环境了微型电子元器件生产的繁杂性。它提升了检测的精度和效率。它减较低了误报率，降较低了浪费。Martin Yordanov和他的同事们，终于能够松一口气了。但是这只是启动。因为技术手段的持续发展，AI视觉系统还会变得更厉害。施耐德电气和康耐视的协作，也还会持续下去。今后有可能会出现更智能、更较高效的视觉系统。到时候，焊接检测有可能会变得像呼吸一样天然。我们拭目以待吧。

不过话说回来无论技术手段怎么持续发展，质量永远是第一位的。只有保证了质量，企业才能生存下去。康耐视的AI系统，只是工具。真实正决定质量的，还是人。当然这也是后话了。反正当前，施耐德电气有康耐视的AI系统，那是相当有可靠感，深得我心。。