Những lỗi báo giả AOI nào có thể loại bỏ bằng tinh chỉnh, lỗi nào nằm sâu dưới tầng ngưỡng, và cách phân biệt rõ ràng trước khi bạn tiêu tốn thêm hàng giờ căn chỉnh thông số.
Để giảm tỷ lệ báo lỗi giả (false calls) trên máy AOI, hãy xử lý các nguyên nhân theo trình tự sau: xác nhận mẫu chuẩn (golden sample) thực sự đạt chuẩn, đưa hệ thống quang học và chiếu sáng về đúng thông số kỹ thuật, chuẩn hóa thư viện linh kiện, sau đó tinh chỉnh lại ngưỡng kiểm tra theo từng cửa sổ dựa trên tiêu chuẩn IPC-A-610. Nới lỏng giới hạn đồng loạt không phải là giải pháp; cách đó chỉ đánh đổi báo lỗi giả lấy rủi ro lọt lỗi (escapes). Và nếu tỷ lệ báo lỗi giả lại tăng vọt sau mỗi lần chuyển đổi sản phẩm (changeover) hoặc đổi lô linh kiện mới, rào cản bạn liên tục va phải chính là thuật toán dựa trên quy tắc (rule-based) – một vấn đề về mặt kiến trúc công nghệ chứ không còn là bài toán hiệu chỉnh thông số.
Báo lỗi giả (còn gọi là false positive hoặc overkill) là hiện tượng AOI đánh dấu một bo mạch đạt chuẩn là phế phẩm. Mỗi lần báo lỗi giả đều buộc con người phải can thiệp kiểm tra lại. Một cỗ máy liên tục báo động sai 50 lần mỗi ca làm việc không chỉ gây lãng phí nhân công. Nó còn khiến kỹ thuật viên vận hành mất niềm tin vào máy móc, và đó mới là cái giá đắt nhất. Bài viết này phân tích nguồn gốc của báo lỗi giả, chi phí thực tế mà chúng gây ra, những gì bạn thực sự có thể khắc phục trên máy AOI truyền thống, và sự khác biệt khi logic kiểm tra được vận hành bằng AI thay vì các quy tắc cứng.
Báo lỗi giả trên AOI xuất phát từ các quy tắc kiểm tra không thể thích ứng với những biến động thông thường trong quy trình sản xuất. Các nguyên nhân phổ biến gồm có: thiết lập ngưỡng quá chặt so với tiêu chuẩn nghiệm thu thực tế, sai lệch chiếu sáng, thay đổi lô linh kiện và cong vênh bo mạch. Thậm chí, một số chủng loại linh kiện còn vô hiệu hóa hoàn toàn các thuật toán dựa trên màu sắc: thân linh kiện trùng màu với lớp nền PCB, cùng các vết khắc dày đặc trên bề mặt cuộn cảm chip và bộ dao động thạch anh. Những trường hợp này cần được lưu ý đặc biệt, bởi không một thao tác căn chỉnh ngưỡng nào có thể xử lý triệt để được chúng.
Hầu hết các cuộc thảo luận về báo lỗi giả chỉ dừng lại ở nhận định "ngưỡng đặt quá chặt". Đúng, nhưng đó chỉ là bề nổi. Danh sách đầy đủ gồm có:
Hãy lập biểu đồ Pareto cho các nguyên nhân báo lỗi giả tại nhà xưởng của bạn. Nếu ba nguyên nhân cuối chiếm đa số, bạn đang đối mặt với các vấn đề thuộc về giới hạn thuật toán – nơi mà việc căn chỉnh thông số thủ công hoàn toàn vô tác dụng.
Báo lỗi giả tiêu tốn chi phí trên ba cấp độ: chi phí nhân công tái kiểm tra (kỹ thuật viên phải đánh giá lại từng bo mạch bị cảnh báo), thời gian dừng chuyền do bo mạch dồn ứ tại trạm xác nhận, và sự suy giảm phản xạ kiểm tra của con người – cấp độ âm thầm nhất nhưng tốn kém nhất. Khi phần lớn cảnh báo đều là giả, kỹ thuật viên có xu hướng bấm duyệt thông qua hàng loạt mà không nhìn kỹ, khiến các lỗi thực sự dễ dàng lọt lưới dựa trên sự tín nhiệm mà cỗ máy đã đánh mất từ trước. DaoAI ước tính chi phí tái kiểm tra và dừng chuyền dao động trong khoảng 15.000 đến 40.000 USD cho mỗi nhân công mỗi năm (theo số liệu báo cáo từ DaoAI).
Cấp độ thứ ba cần được xem xét kỹ lưỡng vì nó đảo ngược hoàn toàn mục đích của việc kiểm tra tự động. Một máy AOI chìm ngập trong báo lỗi giả không còn giúp tiết kiệm nhân công, mà chính nó bắt đầu tạo ra các lỗi lọt phế (escapes), bởi khâu kiểm tra xác nhận của con người mà nó phụ thuộc đã bị chai sạn. Đội ngũ quản lý chất lượng sau đó lại siết chặt ngưỡng kiểm tra để bắt các lỗi bị lọt, việc này tạo ra nhiều cảnh báo giả hơn, và càng làm tăng mức độ chủ quan của kỹ thuật viên. Vòng luẩn quẩn này là lý do vì sao phương án "cứ bố trí người kiểm tra lại các cảnh báo" chưa bao giờ là một giải pháp tiết kiệm.
Ngoài ra còn có một loại chi phí vô hình khác. Một khi báo lỗi giả chiếm ưu thế, các kỹ sư sẽ không còn tin tưởng vào bất kỳ dữ liệu nào mà AOI báo cáo. Biểu đồ xu hướng lỗi và các biểu đồ SPC xây dựng từ đầu ra của máy trở thành dữ liệu rác, và cỗ máy cuối cùng bị bỏ xó. Một hệ thống kiểm tra bị ngó lơ là một phương pháp cực kỳ đắt đỏ chỉ để... không kiểm tra bo mạch.
Trên máy AOI truyền thống, hãy giảm báo lỗi giả bằng cách chuẩn hóa hệ thống đo lường trước khi can thiệp vào các ngưỡng thông số. Kiểm tra lại bo mẫu chuẩn (golden sample), đưa hệ thống chiếu sáng về đúng chuẩn kỹ thuật, và cập nhật thư viện linh kiện cho các lô hàng thực tế đang chạy trên chuyền. Sau đó, tinh chỉnh lại giới hạn từng cửa sổ kiểm tra theo tiêu chuẩn IPC-A-610, bắt đầu từ biểu đồ Pareto các lỗi xuất hiện nhiều nhất, đồng thời đánh giá độ lặp lại để đảm bảo biến động còn lại bắt nguồn từ quy trình sản xuất chứ không phải do thiết bị.
Thực hiện đúng trình tự này sẽ mang lại hiệu quả rõ rệt:
Tuy nhiên, không có biện pháp nào ở trên mang tính vĩnh viễn. Mỗi lần chuyển đổi mã hàng, ra mắt sản phẩm mới hoặc thay đổi lô linh kiện đều sẽ kéo vấn đề quay trở lại. Các nhà xưởng có độ biến động sản phẩm cao (high-mix) chịu ảnh hưởng nặng nề nhất, vì gánh nặng hiệu chỉnh thông số lại tái diễn ở mỗi đợt NPI.
AI giảm báo lỗi giả bằng cách đánh giá linh kiện trong không gian đặc trưng (feature space) thay vì không gian điểm ảnh (pixel space). Mô hình thị giác máy tính đã qua huấn luyện sẽ trích xuất hình thái, cấu trúc, kết cấu bề mặt và ngữ cảnh không gian, sau đó chấm điểm các bất thường so với hình dạng thực tế của một bo mạch đạt chuẩn, thay vì so sánh các điểm ảnh thô dựa trên những quy tắc cứng nhắc. Nhờ vậy, phán đoán của hệ thống có khả năng thích ứng cao với độ lệch chiếu sáng, biến thiên thẩm mỹ giữa các lô linh kiện và độ cong vênh của bo mạch – chính là những yếu tố gây ra hầu hết các trường hợp báo lỗi giả trên hệ thống rule-based (theo báo cáo từ DaoAI; cần xác thực trên bo mạch thực tế của bạn).
Chi tiết cơ chế xử lý tương ứng với các nguyên nhân gốc rễ nêu trên:
| Nguyên nhân gốc rễ | Cách xử lý truyền thống | Cơ chế AI (theo báo cáo của DaoAI) |
|---|---|---|
| Sai lệch quang học/chiếu sáng | Hiệu chuẩn lại, căn chỉnh thông số định kỳ | Suy luận trên không gian đặc trưng; đầu ra mô hình không bị ảnh hưởng bởi biến động RGB thô |
| Biến thiên linh kiện giữa các lô | Cập nhật thư viện cho từng lô | Đặc trưng tự khái quát hóa qua các sai khác ngoại quan, không cần dạy lại theo từng lô |
| Cong vênh bo mạch / dung sai vị trí | Mở rộng cửa sổ, chấp nhận nguy cơ lọt lỗi | Độ chịu lỗi cao với sai lệch vị trí trong quá trình trích xuất đặc trưng |
| Linh kiện trùng màu nền | Thường không thể xử lý bằng quy tắc RGB | Nhúng đặc trưng đa chiều vượt ngoài hệ màu RGB giúp tách biệt linh kiện khỏi lớp nền |
| Ký mã hiệu trên cuộn cảm/bộ dao động | Tạo vùng che (mask) hoặc chấp nhận sống chung với nhiễu | Bộ phân loại đa đặc trưng tách biệt dấu vết ký hiệu khỏi tín hiệu khuyết tật thực tế |
| Nhiễm bẩn gây sai lệch định vị | Đánh giá thủ công bằng mắt | Định vị bằng AI duy trì độ chính xác cao bất chấp tạp chất bám trên bề mặt |
| Ngưỡng kiểm tra quá chặt | Hiệu chỉnh thủ công định kỳ | Ngưỡng được khởi tạo từ bo chuẩn, sau đó tự tinh chỉnh dựa trên dữ liệu phản hồi |
Sự khác biệt mang tính kiến trúc thứ hai nằm ở vòng lặp phản hồi (feedback loop). Trên hệ thống của DaoAI, khi kỹ thuật viên xác nhận một hình ảnh cảnh báo là lỗi giả, phán đoán đó sẽ được đưa ngược trở lại mô hình để cập nhật các tham số. Dữ liệu sản xuất của chính từng dây chuyền trở thành dữ liệu huấn luyện, giúp tỷ lệ báo lỗi giả có xu hướng giảm dần theo thời gian vận hành thay vì tăng dần lên. (Quy trình làm việc với bo mạch chuẩn này được trình bày chi tiết trong bài lập trình AOI không cần tệp CAD). Tỷ lệ báo lỗi giả giảm dần khi kỹ thuật viên cung cấp phản hồi, trong khi độ chính xác phát hiện lỗi đạt định mức từ 98% trở lên; hãy xác nhận hiệu suất trên chính bo mạch của bạn trong buổi chạy thử nghiệm thực tế.
Bản thân tiêu chuẩn nghiệm thu không hề thay đổi. Tiêu chí chấp nhận và loại bỏ vẫn tuân thủ theo tiêu chuẩn IPC-A-610. Điều mà mô hình AI thay đổi là độ tin cậy trong việc phân biệt giữa "khác biệt nhưng chấp nhận được" và "lỗi thực tế". Để tìm hiểu khía cạnh phát hiện lỗi của cùng kiến trúc này, xem thêm bài viết về cách AI phát hiện khuyết tật đa dạng chỉ với một hình ảnh duy nhất.
Việc tinh chỉnh thông số không còn mang lại hiệu quả khi nhiệm vụ xử lý báo lỗi giả đã trở thành công việc kỹ thuật thường nhật thay vì chỉ là bước nghiệm thu ban đầu. Các dấu hiệu nhận biết: mỗi lần đổi mã hàng đều phải căn chỉnh lại ngưỡng, báo lỗi giả tăng trở lại sau mỗi đợt đổi lô linh kiện hoặc nhà cung cấp, khâu tái kiểm tra biến thành một trạm làm việc cố định có người túc trực thay vì chỉ là ngoại lệ, và lỗi lọt phế xuất hiện trong khi tỷ lệ overkill vẫn ở mức cao. Khi đó, giới hạn nằm ở chính kiến trúc dựa trên quy tắc, và việc tiếp tục tinh chỉnh chỉ giúp bạn cầm cự thêm vài tuần.
Một góc nhìn thực tế để đưa ra quyết định: Tinh chỉnh thủ công vẫn là công cụ phù hợp nếu cơ cấu sản phẩm của bạn ổn định, quy trình NPI hiếm khi diễn ra, thư viện linh kiện có người chuyên trách quản lý, và tỷ lệ báo lỗi giả thực sự giảm xuống sau quy trình bảo trì ở trên. Các dây chuyền sản xuất sản lượng lớn ổn định (high-volume) với chương trình kiểm tra được kiểm soát chặt chẽ vẫn vận hành tốt trên AOI truyền thống. Đó là sự phù hợp thực tế, và bài so sánh chi tiết hơn sẽ phân tích rõ khía cạnh này.
Kiến trúc công nghệ trở thành rào cản nếu gánh nặng báo lỗi giả tỷ lệ thuận với độ đa dạng của dải sản phẩm. Mỗi lần NPI lại làm phát sinh chu kỳ nợ hiệu chỉnh mới. Linh kiện từ nhà cung cấp phụ làm sai lệch thuật toán so khớp mẫu. Biểu đồ Pareto của bạn bị chiếm lĩnh bởi linh kiện trùng màu nền, cuộn cảm và bộ dao động thạch anh có ký hiệu in phức tạp, hoặc do sai lệch nguồn sáng – những nguyên nhân nằm sâu bên dưới tầng cấu hình ngưỡng mà việc chỉnh tay không thể giải quyết. Một phép thử đơn giản: nếu bạn đang phải trả lương cho kỹ sư hàng tháng chỉ để giải quyết đi giải quyết lại cùng một bài toán giảm báo lỗi giả, thì giải pháp đó chỉ mang tính chắp vá tạm thời. Một kiến trúc có khả năng tự học từ phản hồi thực tế sẽ giải quyết dứt điểm vấn đề này một lần duy nhất.
Không có một con số tiêu chuẩn cố định nào đáng tin cậy, bởi mỗi nhà máy đo lường trên một cơ sở khác nhau: tính theo linh kiện (PPM), tính theo bo mạch, hoặc tính theo tỷ lệ phần trăm trên tổng số lần cảnh báo. Độ đa dạng sản phẩm, độ phức tạp của bo mạch và định hướng thiết lập ngưỡng có thể làm thay đổi con số này theo nhiều bậc độ lớn. Nguyên tắc hữu ích nhất là chọn một phương pháp tính nhất quán, thiết lập mức chuẩn (baseline) cho từng chuyền, và theo dõi xu hướng. Xu hướng báo lỗi giả tăng dần trên một quy trình sản xuất ổn định đồng nghĩa với việc chương trình kiểm tra đang bị sai lệch, không phải do sản phẩm.
Báo lỗi giả là khi hệ thống đánh dấu một bo mạch tốt thành bo mạch lỗi. Lọt lỗi là khi máy bỏ qua một lỗi thực tế. Trên các hệ thống dựa trên quy tắc, hai yếu tố này luôn đánh đổi lẫn nhau: siết chặt ngưỡng thì báo lỗi giả tăng, nới lỏng ngưỡng thì lọt lỗi tăng. Tỷ lệ báo lỗi giả cao cũng gián tiếp gây ra lọt lỗi do làm giảm phản xạ chú ý của kỹ thuật viên ở trạm tái kiểm tra.
Nới lỏng đồng loạt chắc chắn sẽ gây lọt lỗi. Đó là hành động đánh đổi sự yên tĩnh tạm thời bằng việc lọt phế phẩm. Chỉ nới lỏng những cửa sổ kiểm tra đã được chứng minh là quá chặt so với tiêu chuẩn IPC-A-610, và chỉ thực hiện sau khi các vấn đề về ảnh chuẩn, hệ thống chiếu sáng và thư viện linh kiện đã được khắc phục hoàn toàn. Nếu một cửa sổ kiểm tra không thể giảm báo lỗi giả mà không vi phạm tiêu chuẩn nghiệm thu, thì giới hạn bạn gặp phải chính là khả năng thích ứng của thuật toán trước các biến động, chứ không phải kỹ năng tinh chỉnh của bạn.
Ít hơn nhiều so với dự tính của hầu hết các kỹ sư. Hệ thống của DaoAI khởi tạo chỉ từ một bo mạch mẫu chuẩn (golden board) duy nhất. Mô hình được cài đặt sẵn với dữ liệu tiền huấn luyện trên hơn 1 triệu hình ảnh sản xuất thực tế và sẽ tự thích ứng với bo mạch của bạn từ mẫu duy nhất đó, sau đó tiếp tục tự hoàn thiện thông qua phản hồi của kỹ thuật viên trong quá trình sản xuất thông thường (theo báo cáo của DaoAI). Hoàn toàn không có dự án thu thập dữ liệu phức tạp nào cản trở giữa giai đoạn lắp đặt và lần kiểm tra đầu tiên.
Không có hệ thống nào có thể cam kết mức 0 một cách trung thực, bởi việc kiểm tra luôn là bài toán cân bằng giữa độ nhạy và độ nhiễu. Mục tiêu thực tế là đưa gánh nặng báo lỗi giả xuống mức đủ thấp để khâu tái kiểm tra chỉ là một ngoại lệ hiếm hoi thay vì một trạm làm việc cố định, trong khi tỷ lệ lọt lỗi luôn giữ ở mức bằng 0. Hãy đánh giá tuyên bố của bất kỳ nhà cung cấp nào, kể cả chúng tôi, dựa trên dữ liệu xu hướng thực tế trên chính bo mạch của bạn.
Nếu biểu đồ Pareto báo lỗi giả của bạn bị áp đảo bởi các nguyên nhân ở cột bên trái của bảng trên, việc đầu tư thêm giờ công để tinh chỉnh thông số sẽ không giải quyết được vấn đề. Dòng sản phẩm P Series của DaoAI ứng dụng cơ chế kiểm tra trong không gian đặc trưng cùng khả năng học từ phản hồi của kỹ thuật viên, triển khai linh hoạt trên các cấu hình offline (P1/P2) và inline (P3/P3D).
Xem cách AOI nhận diện các mối hàn hở quan sát được, những điểm hạn chế của phương pháp ngưỡng màu cố định, và cách model 2D tiền huấn luyện xử lý các trường hợp phổ biến lẫn đặc biệt.
17 tháng 9, 2026
Các bảng tính ROI từ nhà cung cấp thường tự đưa ra giả định thay bạn. Dưới đây là toàn bộ mô hình: tám hạng mục chi phí, công thức tính mức tiết kiệm từ false-call và escape, cùng hai kịch bản phân tích cụ thể, gồm cả trường hợp không mang lại hiệu quả kinh tế.
25 tháng 8, 2026
Thông số độ chính xác từ nhà cung cấp là vô nghĩa cho đến khi bạn tự tái hiện lại trên chính bo mạch của mình. 6 loại bo mạch cần mang theo, 5 hạng mục cần đo lường, và tiêu chuẩn của một kết quả đạt yêu cầu.
11 tháng 8, 2026
Chuyên đề kiểm tra bằng AI, tin sản phẩm và phân tích ngành. Mỗi tháng một lần, không tin thừa.
Chúng tôi sử dụng thông tin của bạn để phản hồi yêu cầu liên hệ. Xem Chính sách quyền riêng tư của chúng tôi.
