烧工程师 8 小时的 ROI 设置，DaoAI 用 AI 把这步 5 分钟解决

PCB 上的焊盘沾胶 — 红胶 overflow、元件挤压、点胶飞溅，留下不到 0.5 mm² 的胶残渣覆盖在 solder pad 上 — 是隐形杀手。ICT 阶段测得过、板子出厂看起来没事，现场跑一段时间焊点才在振动或温度循环下开路。

这类缺陷在 AOI 站要被拦下，但传统规则式 AOI 在这一站做得很辛苦。原因不是检测算法不够先进，而是设置这一步成本爆炸。下面拆开讲。

一、真痛点不在算法，在 ROI 设置

传统 AOI 抓焊盘沾胶的 SOP：对每一个 solder pad 手动画一个 ROI（region of interest），设置区域内的 RGB 阈值、面积比例、二值化参数。

问题在规模：一块中等复杂度的 PCBA，pad 数量几百到上千。逐一画框、调参数、跑 trial — 新板上线一次耗掉工程师 8-16 小时。换 panel、改板、新产品，整套重做。

现场情况：大部分中型 EMS 厂的对策是「只对重点 pad 设 ROI、其他放行」 — 漏检风险直接被植入系统中。

如果有办法把「设 ROI」这一步自动化，传统颜色提取算法本身（RGB 阈值 + 面积比例）在红胶检测上其实是稳定可靠的工具。

二、为什么不直接用纯 AI 端到端

那为什么不一步到位 — 一张板子进去、所有缺陷直接输出？

技术上做得到，但对工厂有两个实际问题：

① 工程师失去控制权 — 模型判断是黑盒。想稍微调严一些、或对某个高风险区加重判断，没有着力点。

② 结果不可解释 — audit 时问「这片板为什么判 NG」，回答「AI 说的」站不住脚。

纯 AI 的优势在「人写不出规则的场景」 — 焊盘沾胶不在这个范畴：判断逻辑本身很清楚（pad 区域内出现非金属色块 = NG），需要解决的是「pad 区域在哪」这个前置问题。

三、把 AI 用在最痛的地方，检测本身留给传统

DaoAI PCBA AOI 新支持的焊盘沾胶模块，工作流分两个阶段：

阶段 ①：AI 自动画检测框

模型一次看整块 PCB，自动识别所有 solder pad 的位置，把 ROI 全部画好。

• 换板上线从 8-16 小时 → 5-10 分钟
• 不用记坐标、不用为新 panel 重设
• 工程师可以快速查看 / 微调 AI 画的框，不是从零开始
• 不需要 NG 缺陷样本：这个 AI 学的是「pad 长什么样」（从 PCB layout 就能学），不是「沾胶长什么样」 — 跳过了纯 AI 端到端最大的数据瓶颈

「PCB 上 pad 形状变化太多」是规则写不完的场景，AI 在这里有真正的优势。

阶段 ②：用颜色提取做检测

每个 ROI 框内，用 RGB 阈值提取 + 二值化 + 面积比例判断：

• 工程师在 RGB 三角形上选定红胶的颜色范围
• 设置面积比例阈值（例如 ROI 内红胶像素 > 10% 即判 NG）
• 调整亮度二值化适应现场光源

对工程师来说：看得懂、调得动、结果可解释；沿用现有 AOI 的操作经验，零学习曲线。对 audit、对 SPC 报告，每个 NG 都有清楚的数值依据。

四、三种做法对比 — 焊盘沾胶场景

「自动画框」是传统 AOI 真正撞墙的地方（规则写不完、设置成本爆炸）— 用 AI 解决这个瓶颈，回收工程师工时最多。

对焊盘沾胶纯规则式设置成本太高。AI 该负责的是「pad 在哪」，不是「沾胶长什么样」 — 后者交给已经成熟的颜色提取算法，工程师还能继续用熟悉的方式调参数。