Điểm lỗi chí mạng trong kiểm tra PCBA: Vì sao phương pháp lấy mẫu màu AOI (TOC) bỏ sót lỗi do bỏ qua hình dạng và cấu trúc linh kiện

Tóm tắt: Nhược điểm cố hữu của AOI truyền thống dựa trên màu sắc

Trong kiểm tra quang học tự động (AOI) truyền thống, "Thuật toán lấy mẫu màu (TOC)" là phương pháp cốt lõi thường được sử dụng để đánh giá các lỗi phổ biến như thiếu thiếc, bọt khí hàn (void), lộ đồng, sai linh kiện và thiếu linh kiện. Logic của phương pháp này rất đơn giản: nếu tỷ lệ pixel màu trong Vùng quan tâm (ROI) đáp ứng tiêu chí đã thiết lập về "độ sáng tiêu chuẩn + sắc độ tiêu chuẩn", linh kiện được đánh giá là OK; nếu không, sẽ bị coi là NG.

Tuy nhiên, phương pháp này thường bộc lộ ba điểm nghẽn lớn trong môi trường nhà máy thực tế. Nguyên nhân cốt lõi của hạn chế này là thuật toán chỉ nhìn vào màu sắc mà không xem xét hình dạng và cấu trúc.

Ba điểm nghẽn lớn của Thuật toán lấy mẫu màu (TOC)

Điểm nghẽn 1: Cực kỳ nhạy cảm với sự thay đổi của ánh sáng 

Thuật toán lấy mẫu về bản chất dựa trên "xác định màu sắc". Tuy nhiên, cách tiếp cận chỉ dựa vào màu sắc sẽ thất bại khi:

• Góc chiếu sáng thay đổi nhẹ.

• Độ sáng được điều chỉnh đôi chút.

• Độ phản xạ của kem hàn biến thiên.

• Màu sắc bề mặt bo mạch có sự khác biệt nhỏ.
  
  

  

Trong Hình ①, tam giác sắc độ biểu thị dải màu được chấp nhận. Trong kịch bản “thiếu thiếc” (Hình ②), các thông số cài đặt điển hình có thể là: R: 0–65, G: 0–85, B: 70–180, dùng để lọc các giá trị pixel khớp với ngoại quan mối hàn bình thường.

Thuật toán trích xuất màu có thể chuyển đổi chế độ bằng cách điều chỉnh tham số:

• Chế độ độ sáng (Brightness Mode): Sắc độ RGB cố định ở mức 0–180; việc đánh giá chỉ dựa trên độ sáng (Hình ①).

• Chế độ sắc độ (Chroma Mode): Độ sáng cố định ở mức 0–255; việc đánh giá dựa trên dải sắc độ (Hình ②).

Chính vì vậy, chỉ một sai lệch nhỏ nhất về màu sắc cũng buộc các kỹ sư phải liên tục điều chỉnh:

• Dải độ sáng

• Biên độ RGB

• Ngưỡng tỷ lệ pixel

➡️ TOC không có khả năng khái quát hóa — mỗi lần thay đổi sản phẩm đều phải xây dựng lại mô hình

Điểm nghẽn 2: Màu sắc lỗi biến thiên lớn giữa các công đoạn

Cùng một lỗi, chẳng hạn như "thiếu thiếc", sẽ biểu hiện các đặc tính màu sắc hoàn toàn khác nhau tùy thuộc vào công đoạn quy trình:

• Thiếu thiếc trước lò hàn reflow có màu sáng hơn.

• Thiếu thiếc sau lò hàn reflow tối hơn và xuất hiện hiện tượng oxy hóa.

• Các nhà máy khác nhau sử dụng vật liệu khác nhau (ví dụ: kem hàn tan trong nước so với kem hàn không rửa / no-clean).

• Màu sắc đơn giản là không thể gom gọn trong một tam giác màu duy nhất.

Điều này dẫn đến dải RGB cài đặt sẵn thường không chính xác, gây ra vấn đề lặp đi lặp lại về Báo lỗi giả (phán đoán sai) và Lọt lỗi (bỏ sót lỗi).

Điểm nghẽn 3: Logic pixel đơn lẻ bỏ qua các đặc trưng cấu trúc

Thuật toán lấy mẫu màu xác định xem một pixel đơn lẻ có nằm trong dải độ sáng và sắc độ tiêu chuẩn hay không. Tuy nhiên, các lỗi trong thực tế đều mang tính "cấu trúc". Ví dụ, đặc trưng của lỗi thiếu thiếc bao gồm:

• Diện tích bị thu hẹp.

• Hình dạng bất thường.

• Độ phản xạ không đồng đều.

• Kết cấu bề mặt mối hàn bị đứt gãy.

TOC truyền thống bỏ qua các đặc trưng cấu trúc này và chỉ dựa hoàn toàn vào màu sắc pixel. Điều này khiến thuật toán dễ bị đánh lừa bởi hiện tượng phản xạ quang học, thường đánh giá nhầm vùng bóng tối là thiếu thiếc hoặc nhầm bề mặt kim loại sáng là lộ đồng.

Đột phá AI: Bước tiến hóa từ "Dựa trên màu sắc" sang "Hiểu thị giác"

Bước đột phá của AI AOI là không còn phụ thuộc vào màu sắc, mà dựa vào chính các "đặc trưng thị giác" và "kết cấu hình dạng". Mô hình AI học:

• Hình dạng.

• Kết cấu bề mặt (texture).

• Hình học linh kiện.

• Sự phân bố của các vùng lồi và lõm.

• Các đặc trưng tổng thể của mẫu đạt chuẩn.

Điều này có nghĩa là AI vẫn có thể nhận diện chính xác các đặc trưng cấu trúc của lỗi thiếu thiếc, bọt khí hàn và thiếu linh kiện ngay cả khi cường độ ánh sáng tăng lên hoặc giảm đi.

• Không phụ thuộc vào tam giác sắc độ và không yêu cầu giới hạn độ sáng.

• Sự thay đổi nguồn sáng không còn buộc kỹ sư phải tạo lại mô hình kiểm tra.

AI tự động học từ Golden Sample

Các thuật toán lấy mẫu truyền thống yêu cầu kỹ sư phải thiết lập: dải RGB, giới hạn độ sáng, ngưỡng tỷ lệ và kích thước ROI.

Ngược lại, AI AOI chỉ cần một hình ảnh "Golden Sample" duy nhất là AI đã tự động xây dựng mô hình tiêu chuẩn.

Hệ thống tự động học: hình dạng bề mặt mối hàn, kết cấu mối hàn bình thường, hình học linh kiện, đặc tính tương phản sáng tối và sự khác biệt về vật liệu nền bo mạch.

• Loại bỏ hoàn toàn thao tác thiết lập hàng chục thông số phức tạp.

• Quy trình sản xuất thay đổi không còn đòi hỏi phải cài đặt lại từ đầu.

Đánh giá lỗi chuyển từ cấp độ "Pixel" sang "Cấu trúc" 

Logic nhận diện của AI tập trung vào việc:

• Đánh giá tính toàn vẹn của bề mặt mối hàn.

• Đánh giá sự bất thường về diện tích.

• Đánh giá xem linh kiện có bị lệch hay không.

• Đánh giá xem có dị vật hay không.

• Đánh giá xem kết cấu bề mặt có bình thường hay không.

• Đánh giá xem lỗi có khớp với hình thái thực tế của lỗi "sai linh kiện" hoặc "thiếu linh kiện" hay không.

Độ ổn định vượt trội này giúp AI tối ưu hơn hẳn thuật toán lấy mẫu màu trong việc phát hiện thiếu thiếc, bọt khí hàn, dựng bia (tombstone/lật linh kiện), lệch vị trí, thiếu linh kiện, nứt mối hàn và sai linh kiện.

Tổng hợp khác biệt cốt lõi 

Thuật toán lấy mẫu màu từng đóng vai trò lịch sử quan trọng, tạo tiền đề cho việc ứng dụng AOI giai đoạn đầu. Tuy nhiên, khi quy trình và vật liệu SMT/PCBA ngày càng phức tạp, việc "chỉ đánh giá lỗi bằng màu sắc" không còn đáp ứng được các tiêu chuẩn chất lượng hiện hành.

AI về bản chất đang thực hiện một bước chuyển dịch: đưa AOI từ việc "dựa trên màu sắc" tiến hóa thành "dựa trên khả năng hiểu thị giác".

Giải pháp này mang lại:

• Không phụ thuộc vào tính đồng nhất của nguồn sáng.

• Không cần cài đặt thủ công phức tạp.

• Khả năng khái quát hóa mạnh mẽ hơn.

• Độ ổn định, độ chính xác và khả năng kiểm soát cao hơn.

Sẵn sàng nâng cấp hệ thống AOI của bạn?

Tìm hiểu cách hệ thống AOI ứng dụng AI của DaoAI cắt giảm tỷ lệ báo giả, rút ngắn thời gian lập trình và tối ưu hóa chi phí đầu tư.