Identifiez les fausses alertes AOI éliminables par réglage, celles qui persistent sous le niveau des seuils, et apprenez à faire la différence avant d'engager de nouvelles heures de mise au point.
Pour réduire les faux rejets en AOI, traitez les causes dans cet ordre : confirmez que le golden sample est réellement conforme, remettez l'éclairage et l'optique aux spécifications, nettoyez la bibliothèque de composants, puis réajustez les seuils fenêtre par fenêtre selon l'IPC-A-610. Élargir les limites de manière globale n'est pas une solution. Cela revient à échanger des faux rejets contre des échappements. Et si les faux rejets remontent après chaque changement de série ou nouveau lot de composants, le mur contre lequel vous butez est l'algorithme basé sur des règles lui-même, ce qui constitue un problème d'architecture plutôt qu'un problème de réglage.
Un faux rejet (aussi appelé faux positif, ou overkill) correspond au signalement par l'AOI d'une carte conforme comme défectueuse. Chacun d'eux renvoie une carte vers un opérateur pour une seconde vérification. Une machine qui crie au loup cinquante fois par poste gaspille de la main-d'œuvre. Elle apprend également aux opérateurs à ne plus lui faire confiance, et c'est là que le coût réel apparaît. Cet article examine l'origine des faux rejets, ce qu'ils coûtent, ce qu'il est réaliste de corriger sur une AOI traditionnelle et ce qui change lorsque la logique d'inspection repose sur l'AI plutôt que sur des règles.
Les faux rejets en AOI proviennent de règles d'inspection incapables d'absorber la variabilité normale du procédé. Les sources habituelles sont des seuils réglés plus sévèrement que ce qu'exigent les critères d'acceptation, les dérives d'éclairage, les changements de lots de composants et le gauchissement des cartes. Certains types de composants vont plus loin et mettent en échec total les algorithmes colorimétriques : les boîtiers de même couleur que le laminé, ainsi que les marquages de surface denses sur les inductances miniatures et les oscillateurs à quartz. Ceux-ci méritent une attention particulière, car aucun ajustement de seuils ne permet de les résoudre.
La plupart des discussions sur les faux rejets s'arrêtent aux « seuils trop stricts ». C'est vrai, mais ce n'est que la surface. La liste complète ressemble à ceci :
Établissez un Pareto de vos causes de faux rejets. Si les trois dernières dominent, vous faites face à des limites algorithmiques qu'aucun réglage ne pourra résoudre.
Les faux rejets coûtent cher à trois niveaux : la main-d'œuvre de ré-inspection (un opérateur qui réévalue chaque carte signalée), les arrêts de ligne lorsque les cartes s'accumulent au poste de vérification, et la désensibilisation des opérateurs, qui est le niveau le moins visible et le plus coûteux. Lorsque la plupart des alertes sont fausses, les opérateurs commencent à valider aveuglément, et de vrais défauts passent au travers grâce à une crédibilité que la machine a déjà perdue. DaoAI estime les coûts de ré-inspection et d'arrêt entre environ USD 15,000 à 40,000 par opérateur par an (données rapportées par DaoAI).
Le troisième niveau mérite un examen attentif car il inverse l'objectif même de l'inspection. Une AOI noyée sous l'overkill cesse d'économiser de la main-d'œuvre et commence à générer ses propres échappements, puisque l'étape de vérification humaine sur laquelle elle s'appuie a perdu sa vigilance. Les équipes qualité resserrent alors les seuils pour intercepter ce qui est passé, ce qui génère encore plus de faux rejets et accentue cette perte de vigilance. C'est à cause de cette boucle que la stratégie consistant à « simplement ré-inspecter les alertes » ne reste jamais économique.
Il existe également un coût plus insidieux. Dès lors que les faux rejets dominent, les ingénieurs cessent de faire confiance aux rapports de l'AOI. Les tendances de défauts et les cartes SPC générées à partir de ses données se transforment en bruit, et la machine finit par être ignorée. Un système d'inspection ignoré est une méthode très coûteuse pour ne pas inspecter les cartes.
Sur une AOI traditionnelle, réduisez les faux rejets en fiabilisant le système de mesure avant de modifier les seuils. Revérifiez le golden sample, remettez l'éclairage aux spécifications et mettez à jour la bibliothèque de composants pour les lots actuellement sur la ligne. Réajustez ensuite les limites fenêtre par fenêtre selon les critères de l'IPC-A-610, en commençant par le Pareto des défauts les plus fréquents, et vérifiez la répétabilité afin de vous assurer que la variabilité restante provient du procédé et non de la machine.
Appliquée dans cet ordre, cette méthode permet de regagner un terrain précieux :
Cependant, rien de tout cela n'est définitif. Chaque changement de série, nouveau produit ou nouveau lot de composants réintroduit une partie du problème. Les ateliers en high-mix le ressentent le plus durement, car la dette de réglage doit être payée à chaque NPI.
L'AI réduit les faux rejets en évaluant les composants dans l'espace des caractéristiques plutôt que dans l'espace des pixels. Un modèle de vision entraîné extrait la forme, la structure, la texture et le contexte spatial, puis évalue les anomalies par rapport à l'aspect réel d'une carte conforme, au lieu de comparer des pixels bruts à des règles fixes. Cela rend le jugement tolérant aux dérives d'éclairage, aux variations esthétiques de lots et au gauchissement des cartes, qui sont précisément les variations à l'origine de la plupart des faux rejets basés sur des règles (données rapportées par DaoAI ; à valider sur vos propres cartes).
Mécanisme par mécanisme, mis en correspondance avec les causes fondamentales ci-dessus :
| Cause fondamentale | Atténuation traditionnelle | Mécanisme AI (rapporté par DaoAI) |
|---|---|---|
| Dérive optique/éclairage | Recalibrer, réajuster régulièrement | Inférence dans l'espace des caractéristiques ; la sortie du modèle ne suit pas les variations RGB brutes |
| Variation de lot à lot de composants | Mettre à jour la bibliothèque par lot | Généralisation des caractéristiques face aux variations cosmétiques, sans réapprentissage par lot |
| Gauchissement de la carte / tolérance de position | Élargir les fenêtres, en acceptant le risque d'échappement | Grande tolérance aux variations de position lors de l'extraction des caractéristiques |
| Composants de même couleur que le support | Souvent insoluble avec des règles RGB | Les plongements de caractéristiques multidimensionnels au-delà du RGB séparent le composant du laminé |
| Marquages d'inductances/oscillateurs | Masquer les zones ou tolérer le bruit | Un discriminateur multi-caractéristiques sépare la signature du marquage des signaux de défaut |
| Alignement perturbé par contamination | Revue manuelle | La localisation par AI reste précise malgré la contamination de surface |
| Seuils trop stricts | Réajustement manuel périodique | Seuils générés à partir de la carte de référence (golden board), puis affinés par retour d'expérience |
La seconde différence structurelle réside dans la boucle de rétroaction. Sur le système DaoAI, lorsqu'un opérateur qualifie une image signalée de faux rejet, cette décision est réinjectée dans le modèle et les paramètres sont mis à jour. La production propre à chaque ligne devient son jeu de données d'entraînement, de sorte que le taux de faux rejets diminue à l'usage au lieu de dériver à la hausse. (Le flux de travail basé sur la golden board qui sous-tend ce principe est détaillé dans programmation AOI sans fichiers CAD.) Les faux rejets diminuent au fur et à mesure des retours des opérateurs, tandis que la précision de détection est évaluée à 98% ou plus ; confirmez ces performances sur vos propres cartes lors d'une démonstration.
Le standard d'acceptation en lui-même ne change pas. Les critères d'acceptation et de rejet restent calqués sur l'IPC-A-610. Ce que le modèle transforme, c'est la fiabilité avec laquelle le système fait la distinction entre « différent mais acceptable » et « défectueux ». Pour le volet détection de cette même architecture, consultez l'article expliquant comment la détection AI à partir d'une seule image gère la diversité des défauts.
Le réglage ne suffit plus lorsque le traitement des faux rejets s'est transformé en une tâche d'ingénierie permanente au lieu d'une étape de mise en service. Les signaux d'alerte : chaque changement de série exige un réajustement des seuils, les faux rejets rebondissent après chaque changement de lot de composants ou de fournisseur, la ré-inspection est devenue un poste dédié permanent plutôt qu'une exception, et des échappements apparaissent alors que l'overkill reste élevé. À ce stade, la limite réside dans l'architecture basée sur des règles, et poursuivre les réglages ne vous fera gagner que quelques semaines.
Voici une grille de décision concrète. Le réglage reste le bon outil si votre mix produit est stable, si les NPI sont rares, si la bibliothèque a un responsable dédié et si les faux rejets ont réellement chuté après la séquence de maintenance décrite plus haut. Les lignes stables à fort volume avec des programmes rigoureux exploitent très bien une AOI traditionnelle. C'est une solution tout à fait pertinente, et le comparatif complet l'aborde en détail.
L'architecture devient la contrainte majeure si la charge des faux rejets augmente avec la diversité de votre mix. Chaque NPI réactive la dette de réglage. Les composants de seconde source mettent en échec la reconnaissance de formes. Votre Pareto est dominé par des composants de même couleur que le PCB, des inductances et oscillateurs marqués, ou des dérives d'éclairage — autant de causes situées sous le niveau des seuils, là où les réglages n'ont aucun effet. Un test simple : si vous mobilisez vos ingénieurs chaque mois pour racheter la même réduction de faux rejets, votre solution est louée, pas acquise. Une architecture qui apprend du retour d'expérience l'acquiert définitivement.
Il n'existe aucune valeur de référence universelle fiable, car les ateliers effectuent leurs mesures sur des bases différentes : par composant (PPM), par carte, ou en pourcentage du total des alertes. Le mix, la complexité des cartes et la politique de réglage des seuils font varier ce chiffre de plusieurs ordres de grandeur. La méthode rigoureuse consiste à choisir une base unique, établir une référence pour chaque ligne et suivre la tendance. Une tendance à la hausse des faux rejets sur un procédé stable signifie que c'est le programme qui dérive, et non le produit.
Un faux rejet signale une carte conforme comme défectueuse. Un échappement laisse passer un défaut réel. Sur les systèmes basés sur des règles, les deux évoluent en sens inverse : resserrez les seuils et les faux rejets augmentent ; assouplissez-les et les échappements progressent. Des taux élevés de faux rejets provoquent également des échappements de manière indirecte, en désensibilisant les opérateurs chargés de la ré-inspection.
Un élargissement global des seuils le fera inévitablement. Cela revient à acheter le calme au prix d'échappements. N'assouplissez que les fenêtres manifestement trop sévères par rapport aux critères de l'IPC-A-610, et uniquement après avoir résolu les problèmes de référence, d'éclairage et de bibliothèque. Si une fenêtre ne peut être stabilisée sans enfreindre le standard, la limite que vous avez atteinte est celle de la capacité de l'algorithme à absorber les variations, et non celle de vos compétences de réglage.
Bien moins que ce que la plupart des ingénieurs imaginent. Le système DaoAI démarre à partir d'une seule golden board. Le modèle est livré pré-entraîné sur plus de 1 million d'images de production réelles et s'adapte à votre carte à partir de cet unique échantillon, puis continue de s'améliorer grâce aux retours des opérateurs en production normale (données rapportées par DaoAI). Aucun projet lourd de collecte de données ne s'interpose entre l'installation et la première inspection.
Aucun système ne peut honnêtement promettre le zéro absolu, car l'inspection est toujours un compromis entre sensibilité et bruit de fond. L'objectif réaliste est d'obtenir une charge de faux rejets suffisamment faible pour que la ré-inspection devienne une exception et non un poste à part entière, tout en maintenant les échappements à zéro. Évaluez les affirmations de tout fournisseur, y compris les nôtres, sur la base des données de tendance obtenues sur vos propres cartes.
Si votre Pareto de faux rejets est dominé par la colonne de gauche de ce tableau, y consacrer davantage d'heures de réglage ne changera rien. La gamme P Series de DaoAI applique une inspection dans l'espace des caractéristiques combinée à un apprentissage par retour opérateur, sur l'ensemble des configurations hors ligne (P1/P2) et en ligne (P3/P3D).
Découvrez comment l'AOI identifie les soudures ouvertes visibles, où les seuils de couleur fixes montrent leurs limites et comment un modèle 2D pré-entraîné traite les cas courants et particuliers.
17 septembre 2026
Les calculateurs de ROI des constructeurs imposent leurs propres hypothèses. Voici le modèle complet : huit postes de coûts, les formules de calcul des économies sur les faux rejets et les échappements, et deux scénarios chiffrés, dont un non rentable.
25 août 2026
Les chiffres de précision des fournisseurs ne signifient rien tant que vous ne les reproduisez pas sur vos propres cartes. Six cartes à apporter, cinq points à mesurer et les critères d'un résultat validé.
11 août 2026
Éclairages sur l’inspection par AI, actualités produits et analyses du secteur. Une fois par mois, sans superflu.
Nous utilisons vos coordonnées pour répondre à votre demande. Consulter notre Politique de confidentialité.
