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,「顏色採樣演算法(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)內的顏色像素比例符合「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。
顏色採樣演算法(TOC)的三大痛點
痛點一:對光線變化極其敏感
採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像素值。
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
-
像素比例閾值
➡️ TOC 沒有泛化能力——每次產品變更都需要重建模型
痛點二:不同製程下缺陷顏色差異顯著
單一缺陷,如「錫量不足」,在不同製程下呈現完全不同的顏色特徵:
-
回焊爐之前的錫量不足顏色較亮。
-
回焊爐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:單像素邏輯忽略結構特徵
顏色採樣演算法判斷單個像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,僅依賴像素顏色。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
傳統採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 就會自動建構標準模型。
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。
-
製程變更不再需要重新設定。
缺陷判斷從「像素」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採樣演算法。
本質差異總結
| 特徵 | 顏色採樣演算法(TOC) | AI AOI |
| 判斷依據 |
顏色+亮度 |
形狀、紋理、結構、明暗、反射 |
| 光線敏感性 |
高 |
低 |
| 製程變化敏感性 |
高 |
低 |
| 需要工程師調試 |
多 |
操作員可透過回饋學習更新模型 |
| 編程時間 |
3–5 小時 |
約 5 分鐘 |
| 假陰性/假陽性 |
高 |
顯著降低 |
| 泛化能力 |
差 |
高 |
顏色採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 製程和材料變得越來越複雜,「僅透過顏色判斷缺陷」已不再滿足當前的品質要求。
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。