一、先把“检测目标”说清楚：设备能力必须围着良率指标设计
我见过很多在线X-ray项目一上来就纠结分辨率、焦点尺寸、线对数，结果上线后反而发现节拍跟不上、误报率居高不下。我的经验是，做在线检测，第一步不是选设备，而是用“良率+风险”两个维度，把检测目标说清楚。比如SMT领域，你要优先抓的往往是空焊、虚焊、连锡、气泡、桥接和偏移，这些缺陷各自的“可见性”完全不同：空焊和气泡看的是灰度分布;连锡和桥接看的是拓扑形态;偏移更多是几何关系。这些差异决定了你在配置在线X-ray时，是更偏重高对比度成像，还是更偏重高速多角度投影。只有先按工艺关键点列一张“缺陷优先级清单”：缺陷类型、发生机理、典型图像特征、严重度、对良率的影响，再反推设备所需分辨率、最小检测尺寸、所需视角数量以及节拍要求，后续算法策略、治具设计、上位机规则才有抓手。反之，单纯追求“图像越清晰越好”，很容易导致曝光时间过长、带宽溢出，实际产线只能降采样、降帧率，等于把钱花在了看起来很高端的参数上，却没花在真正能提升良率的地方。
核心建议1：以缺陷风险矩阵反推设备与算法需求
我通常会带着工艺和品质团队一起做一个“缺陷风险矩阵”：横轴是发生概率，纵轴是失效后果，在矩阵上标出各类缺陷，选出高风险缺陷作为必须在线检测的对象。对这些高风险缺陷，要具体拆解：最小尺寸是多少、典型灰度对比度范围是多少、需要几何测量还是纹理分析、是否涉及封装内多层结构等。然后对照设备参数表逐项匹配，比如高风险虚焊，如果焊点直径只有200微米，X-ray分辨率实际要保证在至少5倍像素覆盖，即单像素在40微米以内，否则即便图看着还行，算法的抓取边界也会很不稳定。同时，还要把线体节拍带进去算：比如单板节拍8秒，你预留给X-ray的时间最多3秒，就意味着视角数量和重构算法复杂度都有硬约束。这样配置出来的系统，是围绕真实缺陷场景优化的，而不是简单堆叠硬件指标。这个步骤听起来“慢”，但一旦做好，后面很多关于误判、节拍不足的问题都会少很多，整体ROI也更清晰。
二、图像质量优先于硬件参数：用可量化的成像指标做验收
在线X-ray要做到高效缺陷识别，图像质量是根，很多人习惯盯着设备手册上的“5微米焦点”、“110kV高电压”，但真正上线后起决定作用的是：在你实际产品、实际厚度、实际节拍下，成像的信噪比、对比度和细节保真度够不够。我一般会设计一套专门的“在线成像验证板”，在同一块载板上包含不同厚度、不同焊盘尺寸、不同封装类型，用这块板在设备上跑一遍，把关键区域的对比度、空间分辨率、伪影情况都测出来，并形成基准档案。后续任何参数调整(电压、电流、曝光时间、滤波器、运动速度等)，都必须对比这套指标，看是否在图像质量和节拍之间达到了最优折中。尤其要避免为了赶节拍盲目降曝光，结果虚焊和细小气泡在图像上“发灰”，算法被迫调阈值，误报率和漏报率同步上升，最终人机都不满意。
核心建议2：建立标准化X-ray图像质量评价流程
我建议在项目初期就把图像质量评价流程标准化，而不是凭感觉说“这张图看起来还行”。可以选用几个简单好用的指标：比如焊点区域与基材区域的灰度对比度、典型细线路的可分辨线对数、噪点密度，以及投影变形程度。具体做法是：先定义若干标准ROI区域，比如BGA焊球、细间距引脚、厚铜走线等;然后通过工具(哪怕是开源图像分析软件)批量统计这些ROI的灰度直方图、边缘清晰度，形成基线数据。上线后，任何计划性的设备维护或参数修改，都要求拍同一块验证板，再跑一次统计，与基线比对，如果偏差超过预设阈值，就必须查原因。这套机制听起来有点“啰嗦”，但它能避免图像质量在慢慢下滑而大家没察觉，等到良率异常才追溯。实战里，这种可量化的图像质量控制，往往比单纯升级硬件更便宜、更有效。
三、算法不是黑箱：规则+学习结合，才压得住误判和漏判
很多工厂一听到X-ray算法就想到“AI自动识别”，但如果完全当黑箱使用，往往上线半年后发现误判率居高不下，工程师的时间都耗在复判上。我的经验是，在线X-ray的算法要分层设计：底层用稳定的物理规则和几何规则解决80%的确定性问题，比如通过轮廓、面积、灰度均匀性来判断焊点是否存在、是否大面积空洞;中层引入基于特征的统计模型或轻量机器学习，用来优化阈值和边界情况;顶层再考虑深度学习模型，去应对复杂纹理、小样本罕见缺陷等。重点是，要让算法输出对工程师友好：不仅是“OK/NG”，还要包含缺陷类型、置信度、判定依据(比如“灰度均匀性异常”或“轮廓破碎”)，这样工艺工程师才能参与优化，而不是完全依赖供应商远程调参。只有把规则库和模型训练结合起来，形成闭环，误判率和漏判率才能在实战中持续往下压。
核心建议3：先固化可解释规则，再用AI校正边界
具体落地时，我通常会先和现场一起梳理一个“可解释规则库”：比如BGA空洞占焊盘面积超过20%判NG，焊球直径小于名义值的70%判可疑，连锡定义为相邻焊点之间连通区域宽度大于某个像素阈值等等，把这些规则固化到算法第一层。这样做的好处是，一方面可以快速覆盖大多数明显缺陷，另一方面任何错判都能在规则层查原因;在此基础上，再针对高频边界样本(比如18%空洞到底算不算NG)引入AI模型，让它学习“类似样本”的判定趋势，对规则输出做微调。这个模式下，AI不再是单点决策者，而是一个“偏差修正器”。好处是，当工艺、材料或设备有变化时，你可以先调规则、再补样本，而不是把所有压力都堆给模型训练团队，大大缩短了改进周期，也更符合工厂日常维护能力。
四、数据闭环才是效率来源：从“报警”走向“工艺优化”
在线X-ray要真正产生价值，不能停留在“发现缺陷就报警”，更大的价值在于通过缺陷数据反推工艺问题。现实中，很多线体X-ray报警很多，但这些报警没有结构化存下来，也没有和炉温曲线、锡膏批次、贴片机程序做关联分析，结果就是每天忙着“灭火”，却很难从根上减少缺陷。我比较推崇的方法是，把X-ray的检测结果和图像按产品、批次、机台、时间等维度统一归档，至少做到：每一种缺陷类型的发生率趋势可视化;同一缺陷在不同机台、不同班次的差异可视化;重大异常批次可以追溯到当时的设备状态、参数和材料信息。这样，工艺工程师才能从“一个个孤立的NG板”，看出“参数漂移”“设备老化”“材料批次异常”等模式，进而调整炉温、钢网设计、贴片工艺等等。只有把X-ray从“终端检测”变成“过程诊断”的眼睛，才配得上在线系统这笔投资。
核心建议4：建设轻量级缺陷数据库和可视化看板
很多人一听“缺陷数据库”就想到要上很重的MES或大数据平台，其实早期完全没必要搞那么复杂。我的做法通常是先用一套轻量级的缺陷数据库，加一块浏览器看板就够了：每一块NG板记录产品型号、条码、检测时间、机台号、程序版本、缺陷类型、坐标、置信度，以及一两张关键部位的截图。工具上可以选择用现成的工业软件，也可以用一套简单的Web系统配合数据库来做，只要查询速度足够快、筛选条件够用即可。关键是让工艺和品质团队能在几分钟内筛出“最近一周某机台BGA空洞超标的板子”，或者“同一物料批次的缺陷分布”，而不是每次都去翻日志、看截图。这个看板一旦跑顺，工程师就会自然地把X-ray结果当成工艺调整的依据，而不是单纯的“质检关卡”。这是在线检测真正放大价值的关键步骤。
五、落地方法和工具建议：从小范围试点到标准化部署
很多企业在上在线X-ray时最怕“砸大钱、见效慢”，我的建议是用“小范围试点+可复制方案”的方式推进。选一条典型线体、一类高风险产品做试点，按前面说的步骤，先定义缺陷风险矩阵和图像质量基线，再搭一个小规模的算法和数据闭环。试点阶段不要追求功能“大而全”，而是先把一两类“痛到流血”的缺陷(比如返修率极高的BGA虚焊)抓牢，做到检测准确率、节拍和误报率都达标，再总结成可复制的技术方案和操作规范。工具方面，如果团队内部有一定开发能力，可以考虑用常见的机器视觉和图像分析框架来搭建算法和数据平台;如果不具备这种能力，那么在选型供应商时，要重点看对方能否开放接口、支持自定义规则和接入你现有的MES或SPC系统，而不是只看检测精度的宣传数字。只有把试点的成功路径固化下来，后续多线体推广才不会变成一次又一次的“从零开始的项目”。
核心建议5：用“试点线体”打磨标准，再推广到全厂
落地时我一般会分三步走：第一步，选一条缺陷问题典型、团队积极性高的产线，作为“试点线体”，在这条线上把缺陷矩阵、图像质量控制、算法规则库和缺陷数据库一套跑通，宁可节奏慢一点，也要保证机制完整;第二步，总结这条线上的成功经验，沉淀成标准文档，包括检测策略模板、设备参数推荐、算法配置规范及数据字段定义，让后续新线体只需要“套模板+少量调整”;第三步，在推广过程中，刻意收集不同工艺、不同产品类型带来的“例外情况”，再迭代标准，而不是让每条线体各搞各的。这样做的好处是，把在线X-ray从一个个孤立的“项目”，变成企业级的“能力”，后面你想引入更高级的AI算法、跨线体的良率分析系统，都会顺畅得多。说白了，就是先把一个点做到极致，再把这个点变成一根标准“螺丝”，工厂想装多少就装多少。