某SMT工厂的工程师第一次接触涂覆自动光学检查机的AI气泡检测功能时，问了一个很实际的问题：这AI模型，要喂多少张图才能用？

答案是：起步500张，成型2000张，优化无止境。

500张：从零到可用

AI检测模型的训练本质上是让算法学会区分“气泡”和“不是气泡”。初始阶段，涂覆自动光学检查机的AI模型需要大约300-500张已标注的图像作为训练基础。这些图像需要覆盖不同尺寸的气泡（0.1mm到1mm以上）、不同位置的缺陷（元件边缘、焊盘中央、过孔附近）以及不同的涂层颜色和透明度。500张看似不少，但实际采集通常在一周内就能完成——产线正常运行时，每天遇到的涂覆缺陷数量足以支撑数据积累。

2000张：跨入稳定期

500张模型可以运行，但遇到从未见过的涂层批次或光照条件变化时，误报率可能偏高。当训练图像达到2000张以上，模型的泛化能力会显著提升——这意味着它能区分“真气泡”和“像气泡但不是气泡”的干扰信号。以明锐涂覆自动光学检查机的实际案例为例，训练集达到1500张时，气泡检出率从88%提升至95.2%，误报率从3.5%降至1.8%。从500张到2000张，是一个从“识别大多数”到“稳定输出”的过程。

持续学习：没有“完全成型”的模型

与传统软件不同，AI模型的优势在于可以持续进化。涂覆自动光学检查机的AI算法支持增量学习——每次检测后，操作员可以确认或纠正检测结果，新数据会定期回传用于模型优化。某客户上线半年后，模型迭代了5个版本，检出率从最初的92%提升至98.3%，误报率从2.5%降至1.1%。模型没有“完全成型”的状态，只有“当前够用”和“持续更好”的区别。

实际训练中的注意事项

图像质量决定模型上限：UV光源稳定性、对焦清晰度、相机曝光参数一致，这些条件比图像数量本身更重要。标注精度同样关键：气泡边缘的精确勾勒直接影响模型学习效果。标注粗放时，即使训练3000张，效果也不如精确标注的1000张。

起步阶段建议优先采集包含多种缺陷形态的图像（不同大小、位置、涂层颜色），而非大量重复同一特征。初期配合少量现场标注，可加快收敛速度。