新闻详情

新闻详情

首页 / 资讯中心 / 详情

工业读码器在 SMT 产线追溯中的应用

发布时间:2026/11/4 11:19:51来源:尧图网络
工业读码器在 SMT 产线追溯中的应用
去年在东莞长安一家 SMT 代工厂调试产线追溯系统客户的生产经理跟我吐槽上个月一批 PCB 板出了质量问题想追溯是哪天上的料、哪个班次干的结果翻了半天 MES 系统发现有将近 15% 的板号没扫进去。问题出在贴片前那一站读码器老是漏读。这种事在 SMT 行业太常见了。一块 PCB 板从上线到成品出库要经过上料、贴片、回流焊、AOI、功能测试、包装好几道工序每一步都靠那枚小小的条码串起来。条码扫不上追溯链就断了。一、SMT 产线哪些环节需要扫码很多人以为 SMT 产线就扫一次码其实不是。完整的追溯链路至少有这几个节点。上料环节。操作员换料卷盘的时候要扫物料条码和飞达站位码系统跟 BOM 表自动比对防止上错料。这一步一旦读码不稳错料流到后段返工成本可能是几万块钱起步。见过一个案例把 0402 的电阻上成了 0603一整批 2000 多块板全废了。贴片前。PCB 板进贴片机之前固定读码器扫板边条码记录这块板用了哪些物料批次、什么时间贴的、哪台设备、哪个操作员。这是追溯的核心数据。检测环节。AOI、SPI 这些检测设备读到条码后把检测结果跟板号绑定。哪块板在哪个工位报了什么错一查就清楚。出库前。成品包装的时候再扫一次关联订单号和出货信息这样从原材料到客户手里整条链就通了。二、SMT 场景读码到底难在哪说出来可能有人不信SMT 产线的读码难度比普通仓储物流高好几个量级。第一个难题是条码太小。现在 PCB 板越做越密板边留的条码空间很有限常见的是 2-3mm 宽的 QR 码有些高端板甚至做到 1mm 出头。分辨率不够的读码器凑上去拍都是糊的。第二个难题是速度快。SMT 产线节拍快的能到 0.5-1 秒一片板子在传送带上呼呼地过读码器得在毫秒级完成曝光和解码。慢一点就漏扫漏扫就得人工补扫产线效率直接掉下来。第三个难题是板面反光。PCB 板有绿油、铜箔、焊盘不同材质反光程度不一样。有时候同一套参数绿油板能扫沉金板就过曝沉金板调好了OSP 板又欠曝。现场调试经常要在不同板型之间切换参数这一块最耗时间。三、实际项目中怎么解决针对这几个问题落地时一般这么配。分辨率方面2mm 以下的码直接上 500 万像素以上的工业读码器配微距镜头。别图便宜用 200 万的现场调试时你会发现怎么调都虚。光源方面这个是关键。SMT 板面材质杂要选可调节的多段光源能根据板型切换照明角度和亮度。有条件的上偏振光铜箔反光的问题能解决一大半。之前一个宝安的项目把普通环形光换成偏振同轴光之后漏读率从 8% 降到了 0.3%。触发方面别用读码器自身的感应触发要接光电传感器或者编码器板子到位置了精准触发曝光这样不会因为速度波动导致运动模糊。四、跟 MES 对接别踩坑读码器采到数据只是第一步得实时传到 MES 系统里。常见的对接方式是 TCP/IP 或者串口数据格式提前跟 MES 厂商约定好。这里有个坑有些读码器上传数据时带回车换行符有些不带MES 那边如果没处理好会出现数据错位。建议在调试阶段就做连续 24 小时的压测看数据有没有丢、有没有错位稳定了再验收。还有一点读码器最好带缓存功能。万一 MES 系统临时断网数据先存在本地网络恢复了自动补传不然断网那几分钟的板号就全丢了。五、最后说说选型SMT 产线选读码器别光看参数表三个核心指标盯住就行分辨率看最小条码尺寸帧率看产线速度光源灵活性看板面材质。另外建议采购前做样品测试把实际的 PCB 板寄给供应商在不同速度、不同角度下实测识读率数据比参数表靠谱。SMT 产线的读码难点基本就集中在这三件事上码小、速度快、板面反光。配置阶段把这三项拆清楚再把触发方式和 MES 对接的稳定性验证做到位追溯链断链的概率会低很多。现场如果遇到漏读建议先查光源和触发这两个环节多数问题出在这里而不是设备本身。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/3 7:07:39

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/3 12:09:35

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/3 12:09:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/3 12:09:41

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/4 1:25:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/4 3:51:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉