Die kritische Schwachstelle in der PCBA-Inspektion: Warum AOI-Farbsampling (TOC) Defekte übersieht, da Bauteilform und -struktur ignoriert werden

Kurzfassung: Die inhärente Schwachstelle traditioneller farbbasierter AOI

In der traditionellen Automatischen Optischen Inspektion (AOI) ist der „Farbsampling-Algorithmus (TOC)“ die zentrale Methode zur Bewertung typischer Fehler wie Zinnmangel, Voids, freiliegendes Kupfer, Falschbestückung und fehlende Bauteile. Das Prinzip ist simpel: Entspricht der Anteil der Farbpixel innerhalb der Region of Interest (ROI) den festgelegten Kriterien für „Standardhelligkeit + Standardfarbwert“, erfolgt die Einstufung als OK, andernfalls als NG.

In der realen Fertigungsumgebung stößt dieser Ansatz jedoch auf drei wesentliche Schwachstellen. Der Hauptgrund für das Versagen: Das System analysiert ausschließlich Farben, nicht Form und Struktur.

Drei wesentliche Schwachstellen von Farbsampling-Algorithmen (TOC)

Schwachstelle 1: Extreme Empfindlichkeit gegenüber Beleuchtungsschwankungen 

Der Sampling-Algorithmus basiert primär auf reiner „Farberkennung“. Dieser rein farbbasierte Ansatz scheitert jedoch, sobald:

• sich der Beleuchtungswinkel geringfügig ändert.

• die Helligkeit minimal nachjustiert wird.

• die Reflexion der Lotpaste schwankt.

• die Substratfarbe leicht abweicht.
  
  

  

In Abbildung ① definiert das Farbdreieck den zulässigen Farbbereich. Beim Fehlerszenario „Zinnmangel“ (Abbildung ②) lauten typische Parameter beispielsweise: R: 0–65, G: 0–85, B: 70–180, um Pixelwerte herauszufiltern, die einem normalen Lötbild entsprechen.

Der Farbauszug-Algorithmus kann durch Parameteranpassung zwischen Modi wechseln:

• Helligkeitsmodus: RGB-Farbsättigung fixiert auf 0–180; Bewertung ausschließlich anhand der Helligkeit (Abbildung ①).

• Farbmodus: Helligkeit fixiert auf 0–255; Bewertung anhand des Farbraums (Abbildung ②).

Daher zwingt bereits die geringste Farbabweichung den Prozessingenieur zum ständigen Nachjustieren von:

• Helligkeitsbereich

• RGB-Grenzwerte

• Pixelverhältnis-Schwellenwerte

➡️ TOC bietet keinerlei Generalisierungsfähigkeit – jeder Produktwechsel erfordert ein neu erstelltes Modell

Schwachstelle 2: Signifikante Farbvariationen je nach Fertigungsschritt

Derselbe Fehlertyp, beispielsweise „Zinnmangel“, weist je nach Prozessschritt völlig unterschiedliche Farbcharakteristika auf:

• Zinnmangel vor dem Reflow-Ofen wirkt heller.

• Zinnmangel nach dem Reflow-Ofen ist dunkler und weist Oxidation auf.

• Unterschiedliche Fertigungen nutzen unterschiedliche Materialien (z. B. wasserlösliche vs. No-Clean-Lotpaste).

• Die Farbe lässt sich unmöglich in einem einzigen Farbdreieck abbilden.

Dies führt dazu, dass vordefinierte RGB-Bereiche ungenau sind – die Folge sind wiederkehrende Pseudofehler (Fehlalarme) und Schlupf (übersehene Defekte).

Schwachstelle 3: Einzelpixel-Logik ignoriert strukturelle Merkmale

Der Farbsampling-Algorithmus prüft lediglich, ob ein einzelnes Pixel innerhalb des definierten Helligkeits- und Farbraums liegt. Reale Defekte sind jedoch „struktureller“ Natur. Typische Merkmale von Zinnmangel sind unter anderem:

• Verringerte Fläche.

• Abweichende Form.

• Irreguläre Reflexion.

• Gestörte Oberflächentextur des Lots.

Klassisches TOC ignoriert diese Strukturmerkmale und verlässt sich rein auf die Pixelfarbe. Dadurch ist das Verfahren extrem anfällig für Reflexionen und stuft häufig Schatten als Zinnmangel oder glänzende Metalloberflächen als freiliegendes Kupfer ein.

Der AI-Durchbruch: Evolution von „Farbbasiert“ zu „Visuellem Verständnis“

Der Durchbruch von AI AOI besteht darin, nicht mehr auf Farben angewiesen zu sein, sondern visuelle Merkmale und Formtexturen direkt zu erfassen. AI-Modelle lernen:

• Formen.

• Texturen.

• Bauteilgeometrien.

• Die Verteilung von Erhebungen und Vertiefungen.

• Die ganzheitlichen Merkmale fehlerfreier Referenzmuster.

Dadurch erkennt AI die Strukturmerkmale von Zinnmangel, Voids und Bauteilfehlern selbst bei schwankender Beleuchtung zuverlässig.

• Es besteht keine Abhängigkeit von Farbdreiecken und keine Notwendigkeit für Helligkeitsgrenzen.

• Änderungen der Lichtverhältnisse erfordern kein Neueinrichten des Prüfmodells mehr.

Automatisches AI-Lernen über Golden Samples

Klassische Sampling-Algorithmen verlangen vom Bediener die manuelle Festlegung von RGB-Bereichen, Helligkeitsgrenzen, Verhältnis-Schwellenwerten und ROI-Größen.

Im Gegensatz dazu benötigt AI AOI lediglich ein einziges „Golden Sample“-Bild – das System generiert das Referenzmodell vollautomatisch.

Es lernt selbstständig: die Form der Lötoberfläche, die normale Textur der Lötstelle, die Bauteilgeometrie, Licht- und Schatteneigenschaften sowie Substratmaterial-Unterschiede.

• Das Konfigurieren dutzender Parameter entfällt vollständig.

• Prozessanpassungen erfordern keine Neuprogrammierung.

Fehlerbewertung: Der Schritt vom „Pixel“ zur „Struktur“ 

Die AI-Erkennungslogik basiert auf der gezielten Analyse von:

• der Integrität der Lötoberfläche,

• Flächenanomalien,

• Bauteilversatz,

• Fremdkörpern,

• Plausibilität der Textur,

• der tatsächlichen Morphologie von Falschbestückungen oder fehlenden Bauteilen.

Diese Robustheit macht AI dem Sampling-Algorithmus bei der Erkennung von Zinnmangel, Voids, Tombstoning (Grabsteineffekt), Bauteilversatz, fehlenden Bauteilen, Lötrissen und Falschbestückung deutlich überlegen.

Zusammenfassung der wesentlichen Unterschiede 

Der Farbsampling-Algorithmus war historisch bedeutsam und ebnete den Weg für die frühe AOI-Einführung. Angesichts zunehmend komplexer SMT- und PCBA-Prozesse genügt eine „reine Fehlerbeurteilung nach Farbe“ den heutigen Qualitätsanforderungen jedoch nicht mehr.

AI vollzieht im Kern einen entscheidenden Schritt: Die Transformation der AOI von einer „farbbasierten Erkennung“ zu einem „echten visuellen Verständnis“.

Die Resultate:

• Keine Abhängigkeit von konstanter Beleuchtung.

• Kein aufwendiges manuelles Einlernen von Parametern.

• Deutlich höhere Generalisierungsfähigkeit.

• Höhere Stabilität, Präzision und Prozesssicherheit.

Bereit für das Upgrade Ihrer AOI?

Erfahren Sie, wie die AI-gestützte AOI von DaoAI Pseudofehler eliminiert, die Programmierzeit drastisch verkürzt und sich schnell amortisiert.