El punto crítico de falla en la inspección de PCBA: por qué el muestreo de color (TOC) en AOI omite defectos al ignorar la forma y estructura del componente

Resumen: El defecto inherente de la AOI tradicional basada en color

En la inspección óptica automatizada (AOI) tradicional, el "algoritmo de muestreo de color (TOC)" es el método central utilizado frecuentemente para evaluar defectos comunes como soldadura insuficiente, huecos (voids), cobre expuesto, componentes incorrectos y componentes faltantes. Su lógica es directa: si la proporción de píxeles de color dentro de la región de interés (ROI) cumple con los criterios definidos de "brillo estándar + crominancia estándar", se clasifica como OK; de lo contrario, se clasifica como NG.

Sin embargo, este método suele presentar tres puntos críticos principales en el entorno real de planta. La razón fundamental de sus limitaciones es que solo analiza el color, no la forma ni la estructura.

Tres puntos críticos de los algoritmos de muestreo de color (TOC)

Punto crítico 1: Sensibilidad extrema a las variaciones de iluminación 

El algoritmo de muestreo se basa fundamentalmente en la "determinación del color". Sin embargo, el enfoque exclusivo en el color falla cuando:

• El ángulo de la luz cambia ligeramente.

• El brillo se ajusta ligeramente.

• La reflectividad de la pasta de soldadura varía.

• El color del sustrato es ligeramente distinto.
  
  

  

En la Figura ①, el triángulo de cromaticidad representa el rango de color aceptable. En el escenario de "soldadura insuficiente" (Figura ②), los ajustes típicos podrían ser: R: 0–65, G: 0–85, B: 70–180, utilizados para filtrar valores de píxel que coincidan con la apariencia normal de la soldadura.

El algoritmo de extracción de color puede alternar entre modos ajustando parámetros:

• Modo Brillo: croma RGB fijada en 0–180; evaluación basada únicamente en el brillo (Figura ①).

• Modo Croma: brillo fijado en 0–255; evaluación basada en el rango de croma (Figura ②).

Debido a esto, incluso la menor desviación de color obliga a los ingenieros a ajustar continuamente:

• El rango de brillo

• Los límites RGB

• Los umbrales de relación de píxeles

➡️ El algoritmo TOC carece de capacidad de generalización: cada cambio de producto requiere reconstruir el modelo

Punto crítico 2: El color de los defectos varía significativamente entre procesos

Un mismo defecto, como la "soldadura insuficiente", presenta características de color totalmente diferentes según el proceso:

• La soldadura insuficiente antes del horno de reflujo es más brillante.

• La soldadura insuficiente después del horno de reflujo es más oscura y muestra oxidación.

• Diferentes plantas utilizan diferentes materiales (por ejemplo, pasta de soldadura soluble en agua frente a pasta no-clean).

• El color simplemente no puede resumirse en un único triángulo.

Esto provoca que el rango RGB predeterminado sea frecuentemente inexacto, lo que resulta en el problema recurrente de falsos positivos (falsos rechazos) y falsos negativos (defectos no detectados).

Punto crítico 3: La lógica de píxel único ignora las características estructurales

El algoritmo de muestreo de color determina si un píxel individual se encuentra dentro del rango estándar de brillo y crominancia. Sin embargo, los defectos reales son "estructurales". Por ejemplo, las características de una soldadura insuficiente incluyen:

• Área reducida.

• Forma anómala.

• Reflexión irregular.

• Textura alterada de la superficie de soldadura.

El método TOC tradicional ignora estas características estructurales y se basa exclusivamente en el color del píxel. Esto lo hace vulnerable a errores causados por reflejos, clasificando con frecuencia sombras como soldadura insuficiente o clasificando superficies metálicas brillantes como cobre expuesto.

El avance de la AI: evolución de "basada en color" a "comprensión visual"

El avance de la AOI con AI radica en que ya no depende del color, sino de las "características visuales" y la "textura de las formas" en sí mismas. Los modelos de AI aprenden:

• Forma.

• Textura.

• Geometría del componente.

• Distribución de salientes y depresiones.

• Características generales de muestras normales.

Esto significa que la AI puede reconocer las características estructurales de soldadura insuficiente, huecos y componentes faltantes incluso si la iluminación aumenta o disminuye.

• No depende del triángulo de cromaticidad y no requiere límites de brillo.

• Los cambios en la fuente de luz ya no obligan a los ingenieros a reconstruir el modelo.

Aprendizaje automático de la AI a partir de Golden Samples

Los algoritmos de muestreo tradicionales requieren que los ingenieros definan: rango RGB, límites de brillo, umbrales de proporcionalidad y tamaño de la ROI.

Por el contrario, la AOI con AI solo requiere una imagen de una "Golden Sample" y la AI genera automáticamente el modelo estándar.

Aprende automáticamente: la forma de la superficie de soldadura, la textura normal de la unión de soldadura, la geometría del componente, las características de luces y sombras, y las variaciones del material del sustrato.

• Esto elimina la necesidad de configurar decenas de parámetros.

• Los cambios en el proceso ya no requieren reconfigurar los parámetros.

La evaluación de defectos pasa del "píxel" a la "estructura" 

La lógica de reconocimiento de la AI evalúa:

• La integridad de la superficie de soldadura.

• Anomalías de área.

• Si el componente está desalineado.

• Si existe material extraño.

• Si la textura es normal.

• Si el defecto coincide con la morfología real de un "componente incorrecto" o "componente faltante".

Esta estabilidad hace que la AI sea notablemente superior al algoritmo de muestreo para detectar soldadura insuficiente, huecos (voids), efecto tombstoning (levantamiento), desalineación, componentes faltantes, grietas de soldadura y componentes erróneos.

Resumen de diferencias fundamentales 

El algoritmo de muestreo de color fue históricamente importante para la adopción inicial de la AOI. Sin embargo, a medida que los procesos y materiales de SMT/PCBA se vuelven más complejos, "evaluar defectos únicamente por el color" ya no satisface los requisitos de calidad actuales.

La AI logra esencialmente una transformación clave: hace evolucionar la AOI de un sistema "basado en color" a uno "basado en comprensión visual".

Esto permite:

• Eliminar la dependencia de la consistencia de la fuente de luz.

• Prescindir de ajustes manuales extensos.

• Mayor capacidad de generalización.

• Mayor estabilidad, precisión y control.

¿Listo para actualizar su AOI?

Descubra cómo la AOI impulsada por AI de DaoAI reduce los falsos rechazos, minimiza drásticamente el tiempo de programación y maximiza el retorno de inversión.