燒工程師 8 小時的 ROI 設置,DaoAI 用 AI 把這步 5 分鐘解決

PCB 上的焊盤沾膠 — 紅膠 overflow、元件擠壓、點膠飛濺，留下不到 0.5 mm² 的膠殘渣覆蓋在 solder pad 上 — 是隱形殺手。ICT 階段測得過、板子出廠看起來沒事，現場跑一段時間焊點才在振動或溫度迴圈下開路。

這類缺陷在 AOI 站要被攔下，但傳統規則式 AOI 在這一站做得很辛苦。原因不是檢測演算法不夠先進，而是設定這一步成本爆炸。下面拆開講。

一、真痛點不在演算法，在 ROI 設定

傳統 AOI 抓焊盤沾膠的 SOP：對每一個 solder pad 手動畫一個 ROI（region of interest），設定區域內的 RGB 閾值、面積比例、二值化引數。

問題在規模：一塊中等複雜度的 PCBA，pad 數量幾百到上千。逐一畫框、調引數、跑 trial — 新板上線一次耗掉工程師 8-16 小時。換 panel、改板、新產品，整套重做。

現場情況：大部分中型 EMS 廠的對策是「只對重點 pad 設 ROI、其他放行」 — 漏檢風險直接被植入系統中。

如果有辦法把「設 ROI」這一步自動化，傳統顏色提取演算法本身（RGB 閾值 + 面積比例）在紅膠檢測上其實是穩定可靠的工具。

二、為什麼不直接用純 AI 端到端

那為什麼不一步到位 — 一張板子進去、所有缺陷直接輸出？

技術上做得到，但對工廠有兩個實際問題：

① 工程師失去控制權 — 模型判斷是黑盒。想稍微調嚴一些、或對某個高風險區加重判斷，沒有著力點。

② 結果不可解釋 — audit 時問「這片板為什麼判 NG」，回答「AI 說的」站不住腳。

純 AI 的優勢在「人寫不出規則的場景」 — 焊盤沾膠不在這個範疇：判斷邏輯本身很清楚（pad 區域內出現非金屬色塊 = NG），需要解決的是「pad 區域在哪」這個前置問題。

三、把 AI 用在最痛的地方，檢測本身留給傳統

DaoAI PCBA AOI 新支援的焊盤沾膠模組，工作流分兩個階段：

階段 ①：AI 自動畫檢測框

模型一次看整塊 PCB，自動識別所有 solder pad 的位置，把 ROI 全部畫好。

• 換板上線從 8-16 小時 → 5-10 分鐘
• 不用記座標、不用為新 panel 重設
• 工程師可以快速檢視 / 微調 AI 畫的框，不是從零開始
• 不需要 NG 缺陷樣本：這個 AI 學的是「pad 長什麼樣」（從 PCB layout 就能學），不是「沾膠長什麼樣」 — 跳過了純 AI 端到端最大的資料瓶頸

「PCB 上 pad 形狀變化太多」是規則寫不完的場景，AI 在這裡有真正的優勢。

階段 ②：用顏色提取做檢測

每個 ROI 框內，用 RGB 閾值提取 + 二值化 + 面積比例判斷：

• 工程師在 RGB 三角形上選定紅膠的顏色範圍
• 設定面積比例閾值（例如 ROI 內紅膠畫素 > 10% 即判 NG）
• 調整亮度二值化適應現場光源

對工程師來說：看得懂、調得動、結果可解釋；沿用現有 AOI 的操作經驗，零學習曲線。對 audit、對 SPC 報告，每個 NG 都有清楚的數值依據。

四、三種做法對比 — 焊盤沾膠場景

「自動畫框」是傳統 AOI 真正撞牆的地方（規則寫不完、設定成本爆炸）— 用 AI 解決這個瓶頸，回收工程師工時最多。

對焊盤沾膠純規則式設定成本太高。AI 該負責的是「pad 在哪」，不是「沾膠長什麼樣」 — 後者交給已經成熟的顏色提取演算法，工程師還能繼續用熟悉的方式調引數。