深度学习做X光点料：精度从哪里来、哪些料难数

为什么 X 光点料要训练模型

X 光点料的任务听起来简单：在一张料盘的 X 光图像里，数出有多少颗元件。早期的图像处理方法多依靠固定规则，例如设定灰度阈值，把暗点分割出来再逐个计数。这种方法针对单一物料可以调得很好，但 SMT 工厂的物料种类太多：电阻、电容、二极管、三极管、各类 IC，封装尺寸相差很大；料带有纸带和塑料带，卷盘直径和材质各不相同；满盘和只剩外圈几层的料盘，图像也完全不一样。每换一种料就要重新调整规则，现场很难长期维护。

深度学习的做法是不手写规则，而是让模型看大量已经标注好的 X 光图像，自己学会“什么样的图案是一颗元件”。训练好的模型面对没见过的料盘，只要元件外观落在训练数据覆盖的范围内，通常能给出稳定的结果。所以讨论深度学习点料的精度，实际上是在讨论三件事：训练数据覆盖得够不够，标注做得准不准，验证方法是否严谨。

需要说明的是，模型并不能弥补成像本身的问题。如果图像模糊、对比度不够，或者料盘摆放偏斜导致部分区域被遮挡，再好的模型也只能在有限的信息上做判断。因此设备的成像质量、料盘定位方式和模型能力要一起看，不能只问算法。

精度来源之一：数据覆盖

模型只能可靠地识别它见过类似样子的东西。训练数据要尽量覆盖工厂实际会遇到的各种变化：

• 封装类型：从微小的片式元件到较大的 IC、连接器，每一类都需要足够的样本。
• 料带与卷盘：纸带、塑料带，不同直径和材质的卷盘，会改变图像的背景和对比度。
• 剩余数量：满盘、半盘、只剩外圈几层，元件在图像中的分布差别很大。
• 成像条件：不同的射线参数和曝光设置下，同一种元件的明暗程度也会变化。

数据不足的地方，往往就是模型容易出错的地方。一个模型在常见阻容料上表现很好，并不代表它在某种少见封装上同样可靠。

精度来源之二：标注与验证

标注

训练用的图像需要人工标注，告诉模型每一颗元件在哪里。标注本身也会出错：漏标、重复标注、对被遮挡元件的判断前后不一致。因此标注规则要事先写清楚，例如部分被遮挡的元件算不算、图像边缘被截断的元件怎么处理，并安排第二人复核。标注不一致，模型就会把这种不一致一起学进去。

验证

评估模型时，必须使用训练时没有用过的料盘图像，并以人工逐颗清点的结果作为参照。更重要的是按封装类型分组统计：总体准确率可能被大量容易数的阻容料拉高，而难数封装的偏差被平均掉。分组看结果，才能知道模型在哪类物料上可以直接使用，在哪类物料上需要补充样本或保留人工复核。

哪些料比较难数

结合 X 光成像的原理，下面几类情况在行业里普遍被认为难度较高：

这些难点没有一劳永逸的解法，更多依靠持续积累数据和分组验证。工厂评估点料设备时，可以有意识地把本厂的难数物料拿出来专门测试，而不是只看常见物料的结果。

工厂如何验收和持续使用

1. 列出本厂常用封装，按用量和单价确定重点物料。
2. 每类重点物料抽取若干盘，先人工逐颗清点，再用设备计数，记录差异。
3. 按封装分组统计偏差，确定哪些物料可以直接采用计数结果，哪些需要复核。
4. 引入新封装或新供应商时，先做小批量比对，再纳入日常使用。
5. 保存计数存疑的料盘图像和复核结果，作为后续分析和改进的依据。

验收不是一次性的工作。物料结构会随产品变化，定期复查分组结果，才能让点料数据长期可信。

另外，计数结果的用途也会影响验收标准。用于退库后更新账面数量时，关注的是长期累积偏差；用于判断一盘料够不够下一张工单时，关注的是剩余数量接近需求量时的判断是否可靠。验收前先想清楚结果给谁用、用来做什么决定，再确定抽样重点。

在挚锦方案中的位置

NEO COUNTER X-ray 点料机 采用 X 光穿透成像结合 AI 算法计数，准确率 99.9%，不拆封清点。X400 为半自动机型，5 秒/盘，NeoX 点料软件可离线独立运行、数据本地存储；X800 为全自动机型，600 盘/小时，模块化上料、点料、下料。关于点料精度和适用物料的具体问题，可以先在 AI 选型答疑 咨询，需要时转工程师。

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。