01客户概况与项目背景
客户为国内头部 EMS 电子代工厂，东莞工厂 32 条 SMT 贴片线长期承担高端智能手机主板的生产任务。传统 AOI 设备在引入新型料件后误判率持续攀升，每条线后段需要 5~6 名目检员。Tool Bank 提供的深度学习 AOI 升级方案成功将误判率压至千分之一以内，实现全部产线的无人化终检。
随着智能手机主板元器件密度不断提高，01005 级阻容、0.3mm Pitch QFN 等微小组件使传统规则型 AOI 难以兼顾漏判与误判。客户迫切需要一个能让工艺工程师自主训练并上线模型的平台，而不是每次新料件都依赖算法厂商驻场开发。
02业务挑战
料件型号多、迭代快
手机主板包含 2000+ 个元器件，每月都有料件替代切换，传统规则式 AOI 每批料都需重新调参。
误判导致的人力复判成本
原 AOI 系统 1.8% 的误判率意味着每条线每天需要人工复判超过 1000 块板，复判员疲劳时又引入新的风险。
不同板型共用设备
同一条贴片机生产线在 24 小时内可能切换 5 种以上板型，要求检测方案具备快速换型与多模型管理能力。
03解决方案
少样本迁移学习 + 可视化模型管理 + Tool Bank 批量推理
客户使用 Tool Bank 插件市场的深度学习插件，采集少量样本后通过迁移学习生成专用模型。所有模型以插件版本发布，Tool Bank 工程根据载具扫码结果自动加载匹配的模型执行批量推理。
关键实施步骤
图像采集与扫码
AOI 设备触发 12 面阵相机扫描，同时读取板型二维码，Tool Bank 根据扫码路由到对应模型。
ROI 切片
利用坐标映射插件自动从整板大图切片出 2000+ 个元件 ROI 小图，批量送入推理队列。
批量并行推理
GPU 插件并行执行分类 + 检测双模型，2.4 秒内完成 2000+ ROI 的判定。
NG 标记与追溯
异常元件坐标写入工厂缺陷系统，NG 板自动流入返修站并显示彩色标记图。
04Tool Bank 运行截图
整板缺陷热力图：直观定位问题区域
每块主板的检测结果以缺陷热力图形式叠加在 PCB 图上，支持一键放大查看疑似元件。
模型版本管理：一次训练，一键发布
工艺工程师在 Tool Bank 中像切换插件版本一样切换模型版本，支持灰度发布与一键回滚。
05客户声音
“最惊喜的是我们自己的工艺工程师都能用 Tool Bank 训练和上线模型，不再被供应商排期锁死。新料件切换当天就能上线新版模型，这在以前是无法想象的。”