在线路板的清洁度检测中，仅仅知道“有多少颗粒”是远远不够的。不同材质的颗粒，对应着完全不同的污染来源和改善方向。金属颗粒通常来自回流焊、波峰焊、冲压等工艺，它们的出现往往意味着焊接参数失控或设备磨损；非金属颗粒多与焊接工艺、涂覆工艺相关；而纤维类污染物几乎都是人为或环境引入的，来自洁净室管理、擦拭布、工作服等。
传统的清洁度分析设备往往只能统计颗粒数量与尺寸，无法准确区分这三类污染物。操作人员需要依赖经验，在显微镜下通过观察颗粒的色泽、反光特性、形貌等特征进行人工判断，不仅效率低下，而且准确度因人而异。
西恩士工业的线路板清洁度分析系统，在全球范围内率先实现了基于AI的金属、非金属、纤维三重自动分类。其核心技术是“双偏光成像+深度学习”的组合方案：系统在明场和偏光两种模式下分别采集颗粒图像，金属颗粒在偏光下会呈现明显的各向异性，而非金属颗粒和纤维则表现出不同的偏光特性。AI模型同时学习颗粒的明场形貌特征与偏光响应特征，从而自动输出分类结果。
对于线路板制造商而言，三重分类能力意味着：当检测结果显示金属颗粒超标时，可以立即排查焊接和冲压工序；当纤维超标时，则重点检查洁净室管理和操作人员行为规范。从“发现问题”到“找到源头”，西恩士帮助客户将清洁度检测从质量判定工具升级为工艺改善工具。西恩士——让清洁度检测更简单。