光学检测技术：从人工目检到AI的“挑刺”革命

前阵子去一家半导体封测厂参观，看到那些工人拿着放大镜对着芯片看了不知道多少个小时，我第一反应是：这眼睛能受得了吗？结果人家还真就靠这个撑了几十年。你问我光学检测技术为什么重要？说白了，因为人太贵了，而且会累。机器不会，机器只会老老实实地拍照片，关键是怎么从照片里看出毛病来。

当机器凑近看东西的时候，人在干嘛？

咱们先聊聊最传统的目检。我记得有次看人家做手机屏幕点胶检测，老师傅眯着眼睛，手一翻一翻，那动作让人怀疑是不是练过十级眼力。但问题是，人眼有极限啊。一个屏幕上的划痕可能只有几个微米，看久了眼睛都花了，漏检率直线上升。而且现在产线速度越来越快，每秒几十个产品过，人工根本跟不上。这时候光学检测技术就来了——说白了就是用摄像头代替人眼，然后告诉后边的机器人，这个行，那个不行。

不过话说回来，光学检测的早期版本挺“二愣子”的。就一个固定光源、一个黑白相机，拍完照跟模板比一比，像素对不上就报警。这在零件形状简单、环境稳定的场景还行，可一旦遇到表面纹理复杂的、反光的、或者形状不规则的，就傻眼了。

从二维到三维，光学检测的进化之路

所以后来大家开始琢磨怎么让机器“看”得更懂。光拍一张平面图肯定不够，那就想办法拍出深度信息。结构光、激光三角法、飞行时间法……这些名词听着玄乎，其实原理不难。比如激光三角法，就是往产品上打一条激光线，然后从侧面看这条线怎么弯，弯了多少，就能算出高度差。这一下就把检测维度从2D拉到了3D，很多以前二维图上看不出来的凹凸缺陷，现在直接现形。

但这里头也有坑。3D检测的速度一般比2D慢，而且对震动特别敏感。有时候车间里一辆叉车开过去，地面一颤，激光线就抖了——检测结果直接漂移。你说气不气？不过技术这东西，总是一点点磨出来的。现在很多高端的3D传感器已经能做到微米级精度，配上快速扫描，基本能跟产线节拍匹配了。

深度学习来了，但是别高兴太早

这两年AI那么火，光学检测自然也要蹭一蹭。深度学习确实厉害，尤其是那些用卷积神经网络做缺陷分类的，训练好了之后，准确率动不动就99.9%，看着吓人。但我跟你讲，那是人家给的测试集太干净了。实际产线上，光照角度稍有变化，或者出现什么没见过的怪缺陷，模型马上给你表演“现场崩盘”。而且训练数据得人工标注，又要重新生产大量的缺陷样本，这成本，嘿嘿。

不过这些难题也不是说无解。现在大家喜欢用合成数据来训练模型，就是直接在电脑里造各种缺陷，甚至模拟各种光照条件，这样模型见过的“世面”就多了。再加上一些图像增强的骚操作，实际效果其实已经能压过传统算法了。只是部署的时候还得考虑算力，不能为了一个检测算法专门配一台超算，对吧？

产业落地：理想很丰满，现实很骨感

最后说说实际落地吧。我一直觉得，光学检测工程师一半是在搞算法，另一半是在搞“抗震防抖”。产线上的环境远比实验室恶劣：灰尘、油污、震动、温度变化，都会影响光学系统的稳定性。你辛辛苦苦调出来的检测流程，可能因为一个风扇的老化就全乱了。所以很多厂商现在都做“自检”功能，就是机器定时用标准件校准一下，防止跑偏。

另一个现实问题就是成本。一台高端的自动光学检测设备，少则几十万，多则上百万，但小厂有时候连买台好点的显微镜都舍不得。所以现在也有一些轻量化的解决方案，比如用普通的工业相机配上深度学习算法，专门针对某些特定缺陷做检测，价格能压到十万以内。对于很多中小企业来说，这才是真正用得上的东西。

聊到最后，我想说，光学检测技术从来不是什么神秘黑科技，它就是把“看见”变成一个可量化、可重复的过程。至于后面怎么跟机器人配合、怎么跟大数据打通，那又是另一场折腾了。不过没关系，咱们干这行的，就是喜欢在有灰尘的车间里，盯着屏幕上的那些小亮点，然后说出那句“这缺陷，逮住了”。