PCBA 检测的关键失效点:为什么 AOI 颜色采样(TOC)因忽略元件形状和结构而漏检缺陷

摘要:传统基于颜色的 AOI 的固有缺陷

在传统的自动光学检测(AOI)中, 【颜色采样算法(TOC)】 是常用于判断锡量不足、空洞、露铜、错件、少件等常见缺陷的核心方法。其逻辑简单直接:如果感兴趣区域(ROI)内的颜色像素比例符合【标准亮度+标准色度】的设定标准,则判定为 OK;否则为 NG。

然而,这种方法在实际工厂环境中往往呈现三大痛点。其困境的核心原因是: 只看颜色,不看形状和结构 。

颜色采样算法(TOC)的三大痛点

痛点一:对光线变化极其敏感

采样算法从根本上基于 【颜色判定】 。然而,当出现以下情况时,仅依赖颜色的方法会失效:

光线角度轻微改变。

亮度稍有调整。

锡膏反射发生变化。

基板颜色略有不同。

在图①中,色度三角形代表可接受的颜色范围。在【锡量不足】场景(图②)中,典型设置可能是: R:0–65,G:0–85,B:70–180 ,用于过滤与正常焊锡外观匹配的像素值。

颜色提取算法可以通过调整参数切换模式:

亮度模式: RGB 色度固定在 0–180;仅基于亮度进行判断(图①)。

色度模式: 亮度固定在 0–255;基于色度范围进行判断(图②)。

正因如此,即使是最轻微的颜色偏差也会迫使工程师不断调整:

亮度范围

RGB 边界

像素比例阈值

➡️ TOC 没有泛化能力——每次产品变更都需要重建模型

痛点二:不同工艺下缺陷颜色差异显著

单一缺陷,如【锡量不足】,在不同工艺下呈现完全不同的颜色特征:

回流焊 之前 的锡量不足颜色较亮。

回流焊 之后 的锡量不足颜色较暗且出现氧化。

不同工厂使用不同材料(如水溶性锡膏 vs. 免清洗锡膏)。

颜色根本无法用单一三角形概括。

这导致预设的 RGB 范围往往不准确,造成 误判(假阳性)和漏检(假阴性) 的反复出现。

痛点三:单像素逻辑忽略结构特征

颜色采样算法判断 单个像素 是否在标准亮度和色度范围内。然而,实际缺陷是 【结构性的】 。例如,锡量不足的特征包括:

面积减少。

形状异常。

反射不规则。

焊锡表面纹理紊乱。

传统 TOC 忽略这些结构特征,仅依赖像素颜色。这使其容易被反射误导,经常 将阴影误判为锡量不足 ,或 将明亮的金属表面误判为露铜 。

AI 的突破:从【基于颜色】进化到【视觉理解】

AI AOI 的突破在于它不再依赖颜色,而是依赖 【视觉特征】和【形状纹理】 本身。AI 模型学习:

形状。

纹理。

元件几何形状。

凸起和凹陷的分布。

正常样本的整体特征。

这意味着即使光线变亮或变暗,AI 仍能识别锡量不足、空洞和少件的结构特征。

不依赖色度三角形 , 不需要亮度限制 。

光源变化不再迫使工程师重建模型。

AI 从黄金样本自动学习

传统采样算法要求工程师定义:RGB 范围、亮度限制、比例阈值和 ROI 大小。

相比之下, AI AOI 只需要一张【黄金样本】图像 ,AI 就会自动构建标准模型。

它自动学习:焊锡表面的形状、正常焊点纹理、元件几何形状、光影特征以及基板材料差异。

无需设置数十个参数。

工艺变更不再需要重新设置。

缺陷判断从【像素】跨越到【结构】

AI 的识别逻辑是:

判断 焊锡表面的完整性 。

判断 面积异常 。

判断 元件是否偏移 。

判断是否有 异物 。

判断 纹理是否正常 。

判断缺陷是否符合【错件】或【少件】的 真实形态 。

这种稳定性使 AI 在检测锡量不足、空洞、立碑(翻转)、偏移、少件、焊锡裂纹和错件方面显著优于采样算法。

本质差异总结

颜色采样算法在历史上具有重要意义,促进了早期 AOI 的采用。然而,随着 SMT/PCBA 工艺和材料变得越来越复杂, 【仅通过颜色判断缺陷】 已不再满足当前的质量要求。

AI 本质上在做一件事:将 AOI 从 【基于颜色】 进化到 【基于视觉理解】 。

这实现了:

不依赖光源一致性。

无需大量手动设置。

更强的泛化能力。

更高的稳定性、准确性和可控性。

准备升级您的 AOI 了吗?

了解 DaoAI 的 AI 驱动 AOI 如何降低误判、大幅缩短编程时间并实现投资回报。

英文原文发表于 DaoAI Robotics 官网 →