AI在SMT物料管理中的五个落地点

为什么从物料管理谈 AI

在 SMT 车间谈人工智能，很容易停留在“工业 4.0”“智能工厂”这样的大词上。真正落到日常工作，物料管理是一个比较好的切入口：料号多、单盘价值差别大、外观相似的料盘很多，还要兼顾湿敏等级、有效期和先进先出。只要有一个环节靠人工抄录或目测，就可能出现错料、缺料、账实不符，问题往往到上料或盘点时才暴露。

AI 在这里能做的事情，概括起来是把“看、数、算、答、派”五类重复判断交给机器，让人把精力放在例外处理上。本文是本系列的入口，按物料流转的顺序介绍五个落地点，并给出一个排先后的思路，后续文章再分别展开其中的技术细节。

识别与计数：先把库存数据做准

落地点一：识别——把来料信息准确读出来

物料进厂后首先要做注册。不同供应商的标签格式差别很大：条码类型不同，位置不同，字段顺序也不同，有的标签上同时印着好几个条码。传统做法是人工逐个扫码，再手工补录数量、批次、日期码等字段，速度慢，也容易漏项或录错位。

视觉识别可以在一张图片里同时定位多个条码和文字区域，解码后按规则拆分出料号、数量、批次等字段，再与物料主数据核对，最后打印一盘一码的内部标签并贴在料盘上。评价这一环节，可以看三个指标：一次识别成功的比例、需要人工复核的比例、贴标位置是否稳定。

落地点二：计数——不拆封清点料盘数量

盘点、退库、换线时都需要知道每盘还剩多少颗。人工数料耗时，按重量估算又受料带和卷盘重量差异影响，误差会随着多次退库不断累积。X 光可以穿透料盘成像，算法在图像中找出每一颗元件并统计数量，整个过程不需要拆开料带，也不影响湿敏料的包装状态。

计数类应用的好处是结果容易验证：抽取若干盘，与人工逐颗清点的结果对比，按封装类型分组统计偏差，就能判断是否适合本厂的物料结构。

规划与问答：选型阶段就能用上

落地点三：规划——投资前把库容和流程算清楚

规划智能料仓时，需要回答一连串问题：要存多少料号、多少盘，几条线共用一个料仓还是分开放，高峰时一小时要出多少盘，是否需要 AGV 送料。过去这些问题主要靠工程师经验和表格估算，信息分散在不同部门，反复修改的成本也高。

规划类 AI 工具的思路是让多个智能体分工：有的负责整理和追问需求，有的负责估算库容和出库能力，有的负责组合设备和集成方案。它不替代工程师评审确认，但能把前期梳理需求、比较方案的时间缩短，让讨论更早进入具体数字。

落地点四：问答——常见选型问题先由 AI 回答

工厂在选型阶段常问的问题比较集中：料仓需要几台，带料架和自动料仓怎么选，X 光点料精度如何，怎样与 MES 对接。大语言模型结合产品资料，可以随时回答这些常见问题，并在用户描述不完整时追问关键参数，例如产线数量、料号规模和包装类型。

问答类应用的关键是边界：回答要基于可靠资料，遇到资料覆盖不到或涉及具体报价、现场条件的问题，应当明确转给工程师，而不是让模型自行推测。

调度：物料什么时候送、由谁送

当料仓出库与 AGV 或 AMR 送料结合后，就会出现调度问题：哪张工单的料先出，按先进先出还是按有效期先出，哪台车去送，送到哪条线的哪个站位。调度通常由规则引擎和优化算法共同完成，AI 方法可以用在需求预测、路径规划和任务分配等环节。

调度效果的衡量指标包括：上料等待时间、车辆利用率、紧急补料次数。这一环节高度依赖前面几个环节的数据，库存数量不准、料盘位置不清，调度算法再好也会派错车、送错料，所以通常放在后面实施。

先做哪一个：五个落地点对照

一般建议先做识别和计数，因为它们直接决定库存数据是否准确，且效果容易量化；规划和问答可以在选型阶段同步使用，投入小、见效快；调度放在数据基础打牢之后。无论从哪里开始，都应先定义好验收口径和人工兜底流程，再谈扩大范围。

在挚锦方案中的位置

在挚锦的物料闭环（注册、存储、出库、生产、点料、退库）中，识别对应 NEO SCAN PLUS 全自动扫码贴标，计数对应 NEO COUNTER X 光点料机。规划阶段可以使用 KAI 智能仓储规划，由多个 AI 智能体协同给出料仓与实施集成方案；选型问题可以先问 AI 选型答疑，需要时转工程师。调度环节由 SMF 物料管理软件衔接，支持 AMR/AGV 集成和 FIFO/FEFO 出库策略。

工作时间 周一至周五 9:00-18:00，其他时间请在线留言，我们回电。