Vad gör automatiserad optisk inspektion (AOI)?

Automatiserad optisk inspektion (AOI) är en maskinbaserad bildanalysteknik som används i tillverknings- och elektronikproduktion för att automatiskt identifiera ytdefekter, felaktiga komponentplaceringar, lödningsfel och dimensionsavvikelser. Systemet använder kameror, strukturerat ljus och bildbehandlingsalgoritmer – allt oftare kompletterat med maskininlärning – för att jämföra varje inspekterat objekt mot en referensmodell. Resultatet levereras i realtid, vilket möjliggör omedelbar kvalitetsstyrning längs produktionslinjen utan manuellt visuellt kontrollarbete. AOI är en central komponent i moderna kvalitetsledningssystem och används brett inom PCB-tillverkning, halvledartillverkning och medicinteknisk produktion.

Vad AOI-system faktiskt utför

Ett AOI-system utför i grunden tre sammanlänkade uppgifter: bildinsamling, bildanalys och felavrapportering. Kameror – vanligtvis högupplösta linjeskannrar eller areakameror – fångar bilder från flera vinklar. Belysningsmoduler med LED eller strukturerat ljus framhäver ytdetaljer som annars är svåra att urskilja. Bildbehandlingsprogramvaran jämför sedan varje bild pixelvis mot en godkänd referensmodell, en CAD-ritning eller ett statistiskt inlärt mönster.

Typiska fel som AOI detekterar inkluderar:

• Saknade, förflyttade eller felriktade komponenter på kretskort (PCB)
• Lödbryggor, kalla lödfogar och otillräcklig lödmängd
• Ytrepor, bucklor, korrosion och färgavvikelser
• Dimensionsavvikelser utanför toleransgränser
• Felaktig märkning, streckkod eller texttryckning

Moderna AOI-plattformar integrerar djupinlärning (convolutional neural networks, CNN) för att minska andelen falsklarm – ett historiskt problem med regelbaserade system. Träningen sker mot märkta bilddata från tidigare produktionskörningar.

Typer av AOI-system

AOI-system kategoriseras vanligtvis efter plats i produktionsflödet och inspektionsdjup:

3D AOI med strukturerat ljus eller lasertriangulering ger kvantitativa mätvärden – exempelvis lödpastans volym i kubikmillimeter – och kompletterar 2D-systemens kvalitativa bedömning. I högprecisionsmiljöer, t.ex. medicinteknisk produktion som regleras under EU MDR 2017/745, kombineras ofta 2D- och 3D-metoder.

Utvärderingskriterier för AOI-lösningar

Val av AOI-system bör utgå från mätbara prestandaparametrar snarare än leverantörsmarknadsföring. Centrala kriterier:

• Detektionsfrekvens (DR) och falsklarmfrekvens (FAR): DR bör överstiga 99 % för kritiska defektklasser; FAR under 5 % är ett vanligt branschmål för att hålla operatörsbördan hanterbar.
• Genomströmningshastighet: Mäts i enheter per timme och måste matchas mot linjehastigheten. Inline-system kräver vanligtvis cykeltider under 15 sekunder per bräda.
• Programmeringstid och recept-hantering: Hur lång tid tar det att konfigurera ett nytt produktrecept? System med CAD-import (Gerber, ODB++) och automatisk regelgenerering reducerar ledtiden.
• Datautmatning och SPC-integration: Exportformaten bör stödja Statistical Process Control (SPC) och vara kompatibla med MES-system (Manufacturing Execution System) via standardprotokoll som SECS/GEM eller OPC-UA.
• Spårbarhet och loggning: I reglerade branscher – inklusive verksamheter som berörs av NIS2-direktivet och MSB:s föreskrifter – krävs revisionsloggar med tidsstämpel för varje inspekterat objekt.
• Upplösning och fältdjup: Anges i mikrometer per pixel; kritiska lödappar kräver ofta ≤ 10 µm optisk upplösning.

En strukturerad utvärdering bör inkludera ett Golden Board-test – verifiering med kända defektbärare – och ett utökat produktionsprov (minst 500 enheter) för att mäta verklig DR och FAR under produktionsförhållanden.

Opsio och AOI-relaterade drifts- och datamiljöer

AOI-system genererar stora mängder bilddata och mätloggar som kräver robust molninfrastruktur för lagring, analys och långsiktig spårbarhet. Opsio – med huvudkontor i Karlstad och ett leveranscenter i Bangalore – stödjer tillverkningsföretag i att arkitektera dessa datapipelines på AWS, Microsoft Azure och Google Cloud.

Vanliga uppdrag i anslutning till AOI-infrastruktur inkluderar:

• Design av skalbar bildlagring med S3 eller Azure Blob Storage med automatisk livscykelhantering
• MLOps-pipelines för omträning av inspektionsmodeller med nya defektdata, orkestrerade i Kubernetes (Opsio har certifierade CKA/CKAD-ingenjörer)
• Infrastruktur som kod med Terraform för reproducerbara produktionsmiljöer
• 24/7 NOC-övervakning med 99,9 % SLA för driftkritiska inspektionsdatasystem
• Säkerhetskontroller i linje med NIS2 och MSB:s vägledning för verksamheter i samhällsviktig tillverkning

Opsio är AWS Advanced Tier Services Partner med AWS Migration Competency, samt partner till Microsoft och Google Cloud, vilket ger bredd för att möta de plattformskrav som specifika AOI-leverantörer och MES-system ställer.