Дефект пайки или микротрещина в электронном компоненте могут обернуться списанием партии и претензиями заказчика. По мере уменьшения размеров компонентов ручной осмотр все хуже справляется с контролем. Предприятия превращают проверку качества в непрерывный процесс, объединяя камеры, роботов и искусственный интеллект.
Автоматическая оптическая инспекция (AOI) давно применяется при сборке печатных плат. Но обычные системы нередко принимают допустимые отклонения за брак, вынуждая оператора повторно проверять исправное изделие. Нейросети помогают отличать дефекты от теней и отражений, а данные проверок - находить причины повторяющихся ошибок.
Российский рынок движется в том же направлении. По данным Центра развития промышленной робототехники Университета Иннополис, объем отечественного рынка промышленных роботов в 2025 г. достиг 7,86 млрд руб., увеличившись на 14%. Для производителей электроники важнее способность оборудования находить отклонения до возникновения дорогостоящего брака.
В 2025 году ЦКБ «Дейтон» (группа «Элемент») представило семейство роботизированных инспекторов для микросхем и кремниевых пластин. По информации Центра развития базовых отраслей промышленности, нейросети обучались на более чем 6000 изображений, а камеры способны обнаруживать дефекты размером в несколько микрон. Одни установки проверяют элементы на палетах, другие сканируют пластины, третьи сортируют изделия непосредственно на конвейере. На момент публикации разработка проходила опытную эксплуатацию на российских предприятиях - говорить о массовом внедрении пока рано.
Зарубежные производители решают сходные задачи на разных этапах технологической цепочки. На заводе Siemens в Эрлангене система Vision AI анализирует изображения паяных соединений после оптической проверки и сокращает потребность в повторном ручном осмотре. При этом Siemens отдельно указывает на снижение времени развертывания решения на 80% и эксплуатационных затрат на соответствующую ИТ-инфраструктуру на 50%. Эти цифры не следует трактовать как такое же сокращение общего производственного брака.
Британская FermionX, выпускающая электронные сборки для заказчиков из разных отраслей, заменила двухмерный контроль системой Zenith Alpha HS+ южнокорейской Koh Young. Трехмерные измерения и ИИ-классификация помогли отделить дефекты от допустимых отклонений. Согласно опубликованному поставщиком кейсу, количество ложных срабатываний снизилось более чем на 40%; одновременно сократилось время подготовки программ для новых изделий.
Японская Omron в 2025 г. представила инструменты ИИ для оптической инспекции печатных плат, заявив о возможности сократить время программирования контроля до 90%. Малайзийская ViTrox тогда же выпустила линейку V510Ai, включая роботизированную систему машинного зрения для проверки защитных покрытий и финальной сборки. Американская KLA предложила комплекс Lumina для контроля подложек интегральных схем: он сочетает высокочувствительное сканирование и ИИ-классификацию дефектов. Это заявленные возможности оборудования, а не подтвержденный экономический эффект на заводах.
По мнению Ильнура Ильдаровича Хасанова, кандидата технических наук, доцента кафедры информационных технологий Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве Российской Федерации, главный эффект интеллектуального контроля связан с сокращением затрат на позднее обнаружение дефекта. Если система замечает проблему сразу после пайки, предприятие может исправить отдельное соединение, а не разбирать готовое устройство или списывать партию. Поэтому оценивать ИИ нужно не только по точности распознавания, но и по снижению затрат на повторные операции.
Экономику можно оценить на условном примере. Предприятие выпускает 500 тыс. электронных плат в год, у 2% изделий возникают проблемы, требующие доработки. Если автоматизированный контроль позволит в половине таких случаев обнаруживать дефект раньше и экономить в среднем 1600 руб. на каждом изделии, валовой эффект составит 8 млн руб. ежегодно. При первоначальных инвестициях 6 млн руб. и расходах на сопровождение 1,5 млн руб. в год расчетный срок окупаемости - около 11 месяцев. Это расчетный сценарий: результат зависит от частоты и стоимости брака, точности алгоритма.
Нейросеть может пропустить редкий дефект или ошибочно забраковать исправное изделие. Нужны размеченные снимки, стабильное освещение и перенастройка при изменении технологии. Без связи с системой управления производством и номером партии обнаруженные аномалии останутся набором изображений.
По мнению Алексея Николаевича Чернякова, кандидата философских наук, доцента кафедры информационных технологий Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве Российской Федерации, автоматизация меняет и роль специалиста по качеству. Вместо сплошного просмотра изображений он должен проверять спорные случаи, анализировать причины отклонений и контролировать надежность решений алгоритма. Полностью исключать человека из процесса преждевременно: ответственность за выпуск продукции остается у предприятия.
Следующий этап - замкнутый контур управления качеством. Камера обнаруживает повторяющийся дефект, программная система сопоставляет его с параметрами линии, а роботизированное оборудование корректирует операцию или направляет изделие на доработку. Конкурентное преимущество получат не те предприятия, которые просто установят больше камер, а те, которые смогут превратить данные инспекции в снижение себестоимости и устойчивый рост выхода годной продукции.