PCBA 檢測的關鍵失效點:為什麼 AOI 顏色取樣(TOC)因忽略元件形狀和結構而漏檢缺陷

摘要:傳統基於顏色的 AOI 的固有缺陷

在傳統的自動光學檢測(AOI)中, 【顏色取樣演算法(TOC)】 是常用於判斷錫量不足、空洞、露銅、錯件、少件等常見缺陷的核心方法。其邏輯簡單直接:如果感興趣區域(ROI)內的顏色畫素比例符合【標準亮度+標準色度】的設定標準,則判定為 OK;否則為 NG。

然而,這種方法在實際工廠環境中往往呈現三大痛點。其困境的核心原因是: 只看顏色,不看形狀和結構 。

顏色取樣演算法(TOC)的三大痛點

痛點一:對光線變化極其敏感

取樣演算法從根本上基於 【顏色判定】 。然而,當出現以下情況時,僅依賴顏色的方法會失效:

光線角度輕微改變。

亮度稍有調整。

錫膏反射發生變化。

基板顏色略有不同。

在圖①中,色度三角形代表可接受的顏色範圍。在【錫量不足】場景(圖②)中,典型設定可能是: R:0–65,G:0–85,B:70–180 ,用於過濾與正常焊錫外觀匹配的畫素值。

顏色提取演算法可以透過調整參數切換模式:

亮度模式: RGB 色度固定在 0–180;僅基於亮度進行判斷(圖①)。

色度模式: 亮度固定在 0–255;基於色度範圍進行判斷(圖②)。

正因如此,即使是最輕微的顏色偏差也會迫使工程師不斷調整:

亮度範圍

RGB 邊界

畫素比例閾值

➡️ TOC 沒有泛化能力——每次產品變更都需要重建模型

痛點二:不同工藝下缺陷顏色差異顯著

單一缺陷,如【錫量不足】,在不同工藝下呈現完全不同的顏色特徵:

迴流焊 之前 的錫量不足顏色較亮。

迴流焊 之後 的錫量不足顏色較暗且出現氧化。

不同工廠使用不同材料(如水溶性錫膏 vs. 免清洗錫膏)。

顏色根本無法用單一三角形概括。

這導致預設的 RGB 範圍往往不準確,造成 誤判(假陽性)和漏檢(假陰性) 的反覆出現。

痛點三:單畫素邏輯忽略結構特徵

顏色取樣演算法判斷 單個畫素 是否在標準亮度和色度範圍內。然而,實際缺陷是 【結構性的】 。例如,錫量不足的特徵包括:

面積減少。

形狀異常。

反射不規則。

焊錫表面紋理紊亂。

傳統 TOC 忽略這些結構特徵,僅依賴畫素顏色。這使其容易被反射誤導,經常 將陰影誤判為錫量不足 ,或 將明亮的金屬表面誤判為露銅 。

AI 的突破:從【基於顏色】進化到【視覺理解】

AI AOI 的突破在於它不再依賴顏色,而是依賴 【視覺特徵】和【形狀紋理】 本身。AI 模型學習:

形狀。

紋理。

元件幾何形狀。

凸起和凹陷的分佈。

正常樣本的整體特徵。

這意味著即使光線變亮或變暗,AI 仍能識別錫量不足、空洞和少件的結構特徵。

不依賴色度三角形 , 不需要亮度限制 。

光源變化不再迫使工程師重建模型。

AI 從黃金樣本自動學習

傳統取樣演算法要求工程師定義:RGB 範圍、亮度限制、比例閾值和 ROI 大小。

相比之下, AI AOI 只需要一張【黃金樣本】影像 ,AI 就會自動構建標準模型。

它自動學習:焊錫表面的形狀、正常焊點紋理、元件幾何形狀、光影特徵以及基板材料差異。

無需設定數十個參數。

工藝變更不再需要重新設定。

缺陷判斷從【畫素】跨越到【結構】

AI 的識別邏輯是:

判斷 焊錫表面的完整性 。

判斷 面積異常 。

判斷 元件是否偏移 。

判斷是否有 異物 。

判斷 紋理是否正常 。

判斷缺陷是否符合【錯件】或【少件】的 真實形態 。

這種穩定性使 AI 在檢測錫量不足、空洞、立碑(翻轉)、偏移、少件、焊錫裂紋和錯件方面顯著優於取樣演算法。

本質差異總結

顏色取樣演算法在歷史上具有重要意義,促進了早期 AOI 的採用。然而,隨著 SMT/PCBA 工藝和材料變得越來越複雜, 【僅透過顏色判斷缺陷】 已不再滿足當前的質量要求。

AI 本質上在做一件事:將 AOI 從 【基於顏色】 進化到 【基於視覺理解】 。

這實現了:

不依賴光源一致性。

無需大量手動設定。

更強的泛化能力。

更高的穩定性、準確性和可控性。

準備升級您的 AOI 了嗎?

瞭解 DaoAI 的 AI 驅動 AOI 如何降低誤判、大幅縮短編程時間並實現投資回報。

英文原文發表於 DaoAI Robotics 官網 →