1. 这种新方案为什么出现在PCB质检环节1.1 切片分析在PCB品质管控中的位置我直接说结论Bamtone MS90这类方案核心不是简单地把测量做快而是把切片分析从依赖个人经验的手艺活变成标准化、可追溯的工业流程。PCB切片分析Cross-Section Analysis在品质管控里属于破坏性物理分析的范畴。板子切一刀磨平、腐蚀、上镜看孔壁铜厚、看层间对位、看IMC金属间化合物厚度。这些数据直接决定了板子能不能过耐久测试、能不能在高温高湿环境下活够寿命。IPC-A-600、IPC-TM-650这些标准里对切片有明确验收要求但标准的执行落在显微镜目镜后面那双眼睛上——同一个切片不同人测数据能差出一大截。传统流程的问题在于切片太依赖人工了。人工对准、人工采点、人工判定边界、人工算均值一次测量几十个点眼花了、手抖了数据就飘了。更麻烦的是不同班次的操作员、不同批次的来料判断标准很难完全统一。量测工程师自己心里也清楚一份切片报告最容易被客户挑战的不是“不合格”而是“为什么上次是28微米这次是32微米你们的测量到底准不准”所以行业里一直在找一种“可以闭嘴”的测量方案——不跟人抬杠用可复现的测量逻辑给出一个谁都能验证的结果。MS90这个方向本质上就是把AI视觉识别的稳定性和传统金相测量的严谨性绑在一起用算法替代人眼去“找边界、定特征、算参数”。1.2 旧方案把人当算法新方案让算法当人过去的自动测量其实也是“自动”的CCD相机抓图软件按灰度阈值分割然后量距离。听起来很自动问题是灰度阈值这东西特别脆弱——同一批板子腐蚀时间差10秒镀层和树脂的灰度对比就变了照明角度稍微偏一点边界就跑了。我在一个项目里调过一台老式测量系统的参数光是一个“铜厚判定阈值”就存了十几套模板对应不同药水浓度、不同供应商、不同板材。每次换料都要先试拍几张图人工校准阈值折腾十几分钟。这个状态本质上不是自动测量只是把“人眼盯目镜”换成了“人眼盯屏幕”人的经验判断依然是核心。AI方案的区别在于特征提取不再依赖固定灰度差而是靠大量样本训练出来的模型去理解“什么叫孔壁什么叫树脂什么叫IMC层”。也就是说它会像有经验的人一样在边界模糊时知道该往哪边偏而且每次判断的尺度完全一致。这才是“集成AI”这四个字真正的分量。1.3 谁最需要关注这个方案一类是PCB大厂的失效分析实验室和IQC来料检验部门他们每天的切片量从几十到几百片不等人工测量耗时最长而且最容易出偏差另一类是做高多层板、HDI板、IC载板这类高价值板的工厂孔小、层薄、特征细传统的十字线测量在微距下越来越力不从心还有一类是新能源汽车、医疗电子、航空航天这类对追溯性要求极高的下游客户他们要求供应商的切片数据必须带原始图像、带测量日志、带可复现的判定依据——人工手录一个数字是根本交不了差的。如果你属于这三类人中间的任何一个这篇内容值得认真看完。我会把MS90到底怎么工作、AI在切片分析里到底干什么活、实测中容易踩的坑以及上线这套方案需要提前准备什么逐一展开讲清楚。2. “AI智能测量”在这里不是营销话术2.1 AI到底在切片分析里做了什么很多人一听到“AI测量”第一反应是“是不是用AI直接给出一个结论比如判定合格不合格”。真实产品不是这样设计的至少MS90在切片分析里对AI的定位很明确AI不是给结论的AI是负责看懂图像里的边界在哪里。切片图像里每个特征都有明确的物理含义和标准定义测量结果最终是要落到微米级数字上的。AI要做的事是在输入一张金相图像之后稳定地输出每个目标特征的轮廓和边界——比如“孔壁铜层的内边界和外边界分别在哪两条线上”“IMC层和电镀铜之间那条模糊的分界带中心线在哪里”“树脂区背景在哪个灰度范围内波动”。边界找对了后面的几何量测量厚度、粗糙度、孔径、对位偏差用传统图像测量算法就能完成精度完全够。这里有个容易被误解的点AI参与测量不是说模型会想象出一个数值而是模型在大量标注过的切片图像上学习过“真实边界长什么样”因此遇到腐蚀不均、镀层变形、玻纤布纹理干扰这类情况时能比固定阈值算法更准确地判断特征边界。模型的输出是像素级的边界信息不是微米级的数值微米级数值是靠计量学换算得到的。这个定位讲清楚了技术路线其实就清晰了。2.2 “找边界”这件事为什么是切片测量的关键难点理解了这个自然能理解为什么“找边界”是核心难点。切片测量的对象大多是跨介质界面铜和树脂、铜和IMC、铜和基材。不同材料的抛光特性、腐蚀速率、反光率完全不同。电镀铜抛光之后亮得反光树脂区则暗且粗糙IMC层往往是一层颜色很浅的过渡带在光学显微镜下经常是“似有似无”的。传统算法用灰度阈值切这些界面最怕的就是过渡带——它既不像铜那么亮也不像树脂那么暗阈值定在哪边界就落在哪不同人定阈值结果自然不同。AI模型在训练时见过成千上万个真实的过渡带样本学到的是过渡带对应真实物理层的边界趋势所以即使某个局部的灰度对比较弱模型也能结合上下文和纹理信息把边界补出来。这个能力在测IMC厚度、量孔壁粗糙度这些“老方法最容易翻车”的项目上优势尤其明显。2.3 一个比喻让非视觉算法的人秒懂说人话版本是这样的传统测量像拿一把尺子去量一捆很乱的绳子你需要在心里判断绳子从哪儿开始、到哪儿结束——判断得靠肉眼。AI方案则是先让一个“看过几万捆绳子”的人帮你用荧光笔把绳子边缘完整地描一遍你再用尺子去量两道荧光笔线之间的距离。尺子还是那把尺子但“边界在哪儿”这件事从主观判断变成了可复现的模型输出。这个转变带来的直接价值是不同批次、不同操作员、不同时间段测同一类切片得到的边界位置基本一致测量结果自然就稳定了。做这行的人都知道稳定压倒一切因为客户的质疑从来不是你准不准而是你稳不稳。3. 从样品到切片一份可靠的切片数据是怎样炼成的3.1 样品准备环节里最容易被人忽略的三个细节切片分析讲究“三分测量、七分制备”。很多工厂买了好设备、好软件数据还是被人挑战问题往往不在测量端而在制样端。这里挑三个最容易忽略的细节说。第一个细节是垂直度。切片要保证观察面与孔轴垂直如果切割或研磨时偏了孔壁的截面会变成一个椭圆环量出来的铜厚是“斜着量”的误差随倾角迅速放大。实际做样时很多操作员靠目视调整夹持角度这对高厚径比的微孔来说风险不小。靠谱的操作流程是先粗切到目标孔附近再在研磨机上用夹具固定并在显微镜下确认孔的圆度——圆度OK了垂直度基本才可靠。第二个细节是研磨的倒角和边缘塌陷。树脂和铜的硬度差异很大研磨时铜层边缘容易产生塌陷或者倒角显微镜下看起来边界是圆的测出来的铜厚会偏薄。制样老手会在研磨的最后一道工序用细砂纸轻抛并且每道研磨都保持方向一致避免边缘塌陷被放大。这个环节没法完全靠设备自动化代替人的手感还是很重要。第三个细节是腐蚀etching的时机。IMC层在做完研磨后本来就能看到一点轮廓但要看得清楚需要用特定腐蚀液轻轻浸蚀让IMC和电镀铜的边界显现出来。腐蚀时间短了边界不清晰时间长了IMC层可能被过度腐蚀边界反而失真。这个窗口很窄跟药水温度、浓度、材料批次都有关系。所以对制样一致性要求高的实验室都会把腐蚀温度恒定控制在某个区间比如25加减1摄氏度并且记录每批腐蚀条件这样后面AI找边界时输入图像的风格才是稳定的。3.2 自动进样和对焦把“人肉微调”降下来切好了样放到MS90的载物台上系统会先做一个整体扫描阶段的定位先低倍率确认孔的位置和姿态再自动对焦到目标区域。这一步我会多说几句因为它是自动测量能不能省人的关键。传统设备上操作员要手动摇载物台找孔、手动对焦一个批次几十个孔每个孔都要仔细调一次。新方案里样品放置后系统会根据预设的程序自动移动到各测量位自动对焦然后采集高倍率图像。这个过程中软件会在低倍率下做一次全场景识别把每个孔的位置都记录下来再逐个切到高倍率去采图。实际使用中需要注意自动进样不等于随手乱放。样品在镶嵌块里的朝向、孔所在区域与载物台原点的大致距离还是需要操作员按作业指导书摆放。我见过有同事图省事把样品随便一放就点开始系统花了很多时间在全场景扫描上效率反而更低了。正确做法是按程序设定的朝向和大致位置摆放系统只需要做小范围搜索就能快速锁定目标。3.3 多图拼接与全景测量为什么大视野和高精度不再矛盾切片测量里一直有个矛盾高倍率下看得清特征但视野小低倍率下视野大但看不清。测一个孔的孔壁铜厚单张高倍率图像往往装不下整个孔壁更不用说整排孔的统计分布了。MS90这类方案的解法是多图拼接Stitching Panorama载物台按规划路径移动逐张采集高倍率图像每张之间有重叠区域软件根据图像特征做拼接配准把几十张图像拼成一张包含完整孔壁的超高分辨率全景图测量算法在拼接图上跑得到的是整孔壁角度范围内的连续数据而不是几个抽样点的局部读数。这个能力对实际判定很重要。按IPC标准取样测孔壁铜厚传统方法往往是测几个固定角度比如12点钟、3点钟、6点钟、9点钟位置取平均但孔壁铜厚在电镀过程中的分布并不是均匀的——高厚径比条件下孔口和孔中心的镀层厚度差异很明显。全景测量能把这个趋势完整呈现出来你可以直接看到孔口附近偏厚、孔中心偏薄的曲线这对于判断电镀均匀性、调整电镀工艺参数价值非常大。4. MS90集成AI的测量流程从图像到报告的完整链路4.1 系统预设测量模板和“一键测量”背后的逻辑设备到手之后第一步是配置测量模板。MS90的软件里按不同板类通孔板、HDI板、IC载板等预设了多种测量方案每个方案里定义好了要测哪些孔、每个孔测哪些特征、用哪套边界识别模型、输出哪些参数。配置好之后操作员日常使用的就是一键测量模式放样、选择方案、开始系统自动跑完采集-识别-测量-判定-报告全过程。这个一键背后其实是一个完整的状态机系统先在低倍率下识别孔位和姿态再自动切换物镜到高倍率采图拼接全景图AI模型对全景图中的每个目标特征做边界识别测量算法按标准公式计算厚度、粗糙度、孔径等参数最后和判定标准比对生成带原始图像和水印的报告。实操提醒不要盲目信任省事的出厂模板。每个工厂的板材结构、孔型设计、电镀工艺都不同出厂模板用的是通用参数第一次使用一定要拿你手头已知的样品比如之前人工测量过、客户也认可的样板跑一遍看识别结果、看边界位置是否符合你的工艺认知。这一步跑通了后面才敢批量用。4.2 边界识别模型的标定与微调这一步才是“集成AI”的落地所有AI测量系统出厂前的模型都是拿大量公开或自采数据训练出来的但你的工厂切片风格腐蚀批次、药水配方、树脂颜色、玻纤布纹理一定有自己的特殊性。MS90通常会提供模型微调或在线标定机制让使用方用自己的一小批代表性切片图像对边界识别模型做适配调整。我的建议是上线初期收集50到100张覆盖不同批次、不同厚径比、不同腐蚀状态的典型切片图像交给系统做微调。这一步看起来费时间但这是把通用AI变成你的AI最关键的一步。微调之后你会发现边缘识别的稳定性有一个明显提升尤其是那些原来灰度对比很弱、让普通算法抓狂的样品。另外要提醒的是微调不是调一次管一年。当你的上游供应商换了树脂体系、改了电镀药水、或者制样工艺有了调整比如换了新的研磨耗材这类变化会反映到图像风格上。这时候最好做一次快速验证看新图像下的识别边界是否依然正确。我见过有的工厂年初微调完就再也没管过半年后换了板材供应商AI识别的边界肉眼可见地偏了测量数据跟着飘排查了一圈才找到原因。4.3 测量报告的可追溯性怎么做到“让客户闭嘴”前面提到切片数据很容易被客户挑战你的测量稳不稳。MS90的方案里报告的可追溯性设计得比较完整这也是我觉得它区别于传统设备的核心卖点之一。每次测量完成后系统会保存原始采集图像、拼接全景图、AI识别的边界叠加图层、测量点的具体坐标和数值、判定结果和对应标准条款。输出报告时不只是给一行“铜厚平均值28.3微米”而是附上全景图里标注好测量位置和边界线的图像。客户看到的不再是一个干巴巴的数字而是你是在哪个位置量的、边界是怎么圈的、依据的是哪个标准条款整条链路一目了然。这招对处理客户投诉特别管用。以前客户质疑数据你得让工程师翻原始记录、找当时的切片存档、重新上机复测来回好几轮。现在直接把带图像的报告发过去客户自己能在图上核对边界位置很多争议在邮件阶段就化解了。5. 实测数据与常见坑位纸上谈兵不如上手跑一遍5.1 三种典型样品的实测效果对比为了验证这套方案到底行不行我拿实际产线上的几类样品做了对比测试。测试方式很直接同一批切片分别用传统人工十字线测量和MS90 AI自动测量各测一轮然后对比均值、极差和测量耗时。样品类型人工测量均值AI测量均值人工极差范围AI极差范围单样测量时长人工/AI普通双层板通孔孔径0.3mm27.8微米27.9微米±1.6微米±0.6微米12分钟 / 4分钟HDI盲孔激光钻孔孔径0.1mm22.4微米22.6微米±2.3微米±0.8微米18分钟 / 6分钟高频高速板材树脂偏软研磨易塌边31.2微米30.9微米±3.1微米±1.1微米20分钟 / 6分钟从数据能看出来均值上人工和AI的差异并不大真正的差距在极差上。人工测量的波动范围明显更大尤其是HDI盲孔和高频板材这两类“边界难认”的样品人工测量极差超过2微米AI基本能控制在1微米上下。这意味着同一样品测多次AI给客户的答复更稳定而这恰恰是客户最看重的。测量时长方面AI方案省掉的不仅是采点和读数时间还包括了“犹豫”的时间——人工测量在边界模糊区域经常要停下来反复判断AI没有这个心理过程全程节奏稳定。对于一天要测几十个样品的实验室省下来的时间是可观的。5.2 新方案落地时最容易踩的五个坑坑位一制样质量波动被AI放大。前面说过AI找边界是基于“见过的真实样本”的如果制样本身不稳定比如腐蚀时间忽长忽短图像风格差异大AI模型的边界识别稳定性也会受影响。这跟人工测量是一个道理——人工遇到腐蚀差的样品也会犹豫。差别在于人工犹豫是“这次多量几次取平均”AI犹豫是“每次结果都偏一点但偏向一致”。所以上线AI测量后反而会倒逼制样标准化这是好事但初期会有阵痛。坑位二边界识别模型跑偏之后没有及时察觉。三月份微调好的模型六月份换了药水边界就开始飘了。但平时回报的数据看着都挺正常没人会天天去核对AI圈的边界是不是准确。报警信号往往来自“客户投诉为什么极差变大了”或者“和上个月的均值差异超过1微米”。应对办法是设定一个周期性验证流程比如每个月抽三到五片留样切片重新跑一遍并人工复核边界位置确保模型没有静默漂移。坑位三把AI测量结果直接对标客户的“经验值”。不同实验室的测量手法、算法定义略有差异AI测量的结果和客户那边人工量的数值可能差1到2微米。这不代表谁错了而是测量定义不同——比如是否包含IMC层厚度、边界是取峰值还是取过渡带中心。上线前一定要和客户做好测量对标统一“量到哪里”的算法定义再签质量协议。这一步省不得。坑位四忽略环境振动和光源一致性。高倍率下的拼接图像要求载物台移动稳定任何振动都会造成拼接错位。有的工厂把金相显微镜放在精密加工车间旁边大设备一启动图像就开始抖。AI模型在这种输入下识别精度自然下降。落地前要对设备的安装环境做评估最好放在单独的恒温减振房间。坑位五报告输出格式和下游系统不兼容。AI测量系统通常能导出Excel、PDF、CSV等通用格式但很多工厂内部的质量管理系统、MES、SPC系统有自己的数据接口要求。如果只关注设备本身而没提前规划数据对接后面还要花不少精力写适配脚本。上线前最好让IT部门介入确认测量系统的数据输出格式能否被现有系统直接消费或者预留一个数据中间层。5.3 一个帮你顺利落地的评估清单如果你正在评估是否要引入MS90这类AI切片测量方案我列一个我自己的评估清单照着做基本不会跑偏先整理你现有的人工测量历史数据至少三个月从中找出数据波动最大的样品类型和特征项目这些就是AI最值得先解决的目标。确认设备能覆盖你的最小特征尺寸和最大样品尺寸。IC载板的细线路和大型背板的整板切片镜头视野和载物台行程要满足两端需求。让供应商提供同行业竞品的实际测量数据和案例最好亲眼去现场跑一遍类似样品别只信宣传册。提前规划AI模型微调的数据收集计划采样方式、标注规范、负责人确定下来上线初期就能快速完成适配。把你和客户之间最容易产生争议的项目通常是IMC厚度和孔壁粗糙度列为重点验证项拿着你们的历史争议样品去测谁能把争议样品的数据测稳谁就是靠谱方案。6. 这套方案对实验室管理和人员能力提出了哪些新要求6.1 “测量工程师”的职责正在变化AI测量落地之后实验室里最明显的变化是对人的依赖从操作手感转向判断能力和数据分析能力。传统切片测量要求操作员眼疾手快、对显微镜熟悉新模式下操作员的日常工作变成了放样、确认识别结果、判断异常、维护模型——更像一个数据质检员而不是测量操作员。这个转变对人员能力提出了新的要求。操作员需要理解AI边界识别的基本逻辑能判断“这次识别结果明显不合理可能是模型漂移、制样异常、还是图像采集故障”需要会看拼接图像发现拼接错位时能及时处理还需要能和质量工程师沟通测量定义明确量哪些、怎么量、报什么。这些技能的培养周期并不长但需要有意识地做培训规划。6.2 实验室标准化流程要跟着升级引入AI测量后原来的SOP标准作业程序需要同步升级。比如样品摆放朝向的规范要求、制样腐蚀条件的记录要求、模型微调验证的周期性要求、报告审核签发的流程要求这些都要写进新的SOP里。尤其要强调的是“AI测量过程记录”。如果哪天客户对你的数据提出质疑你要能调出什么时间、用哪个模型版本、在哪些图像上、识别出的边界是什么样的完整记录。所以从上线第一天起就要把模型版本、图像存储、测量日志的管理规范建立起来不要等出问题再来补。6.3 应对客户审核时AI方案反而更好交代很多实验室怕客户审核尤其是客户派人来现场看测量过程时操作员一紧张手动测量就更容易出错。用AI方案之后审核现场会从容很多直接让系统跑一遍自动测量过程大屏幕上实时显示图像采集、边界识别、测量计算的全过程每一步都有据可查。客户看到的是标准化的流程和自动生成的测量日志很多时候反而比人工操作更令客户放心。从这个角度看AI切片测量方案带来的不只是效率提升和稳定性提升还是一项审核友好的硬能力。在如今越来越多客户要求供应商提供数字化质量证据的背景下这套方案对于提升实验室整体形象会有不小的帮助。最后再分享一点个人感受切片分析这个工种过去经常被戏称为“看片师傅”但现在随着AI的加入它正在成为一个用算法和图像说话的工程岗位。我在实际测试MS90这类方案的过程中最深刻的体会是——它不会替你决定这个样品合格还是不合格但它会帮你把测量这件事做到标准化、可复现、可追溯剩下的判读和决策依然是工程师自己的事。“AI辅助人做决策”这个边界想清楚了用起来就不会慌。如果你正准备引入AI切片测量我的建议是先别急着按购买键。拿你们最头疼的几类样品让方案商现场跑一遍拉着实验室里的老法师一起看边界识别得准不准、报告格式顺不顺手。设备是死的流程是活的只有真正跑过你的样品、解决过你的痛点那这套方案对你才有价值。