摘要:传统基于颜色的 AOI 的固有缺陷
在传统的自动光学检测(AOI)中,【颜色采样算法(TOC)】是常用于判断锡量不足、空洞、露铜、错件、少件等常见缺陷的核心方法。其逻辑简单直接:如果感兴趣区域(ROI)内的颜色像素比例符合【标准亮度+标准色度】的设定标准,则判定为 OK;否则为 NG。
然而,这种方法在实际工厂环境中往往呈现三大痛点。其困境的核心原因是:只看颜色,不看形状和结构。
颜色采样算法(TOC)的三大痛点
痛点一:对光线变化极其敏感
采样算法从根本上基于【颜色判定】。然而,当出现以下情况时,仅依赖颜色的方法会失效:
-
光线角度轻微改变。
-
亮度稍有调整。
-
锡膏反射发生变化。
-
基板颜色略有不同。
在图①中,色度三角形代表可接受的颜色范围。在【锡量不足】场景(图②)中,典型设置可能是:R:0–65,G:0–85,B:70–180,用于过滤与正常焊锡外观匹配的像素值。
颜色提取算法可以通过调整参数切换模式:
-
亮度模式: RGB 色度固定在 0–180;仅基于亮度进行判断(图①)。
-
色度模式:亮度固定在 0–255;基于色度范围进行判断(图②)。
正因如此,即使是最轻微的颜色偏差也会迫使工程师不断调整:
-
亮度范围
-
RGB 边界
-
像素比例阈值
➡️ TOC 没有泛化能力——每次产品变更都需要重建模型
痛点二:不同工艺下缺陷颜色差异显著
单一缺陷,如【锡量不足】,在不同工艺下呈现完全不同的颜色特征:
-
回流焊之前的锡量不足颜色较亮。
-
回流焊之后的锡量不足颜色较暗且出现氧化。
-
不同工厂使用不同材料(如水溶性锡膏 vs. 免清洗锡膏)。
-
颜色根本无法用单一三角形概括。
这导致预设的 RGB 范围往往不准确,造成误判(假阳性)和漏检(假阴性)的反复出现。
痛点三:单像素逻辑忽略结构特征
颜色采样算法判断单个像素是否在标准亮度和色度范围内。然而,实际缺陷是【结构性的】。例如,锡量不足的特征包括:
-
面积减少。
-
形状异常。
-
反射不规则。
-
焊锡表面纹理紊乱。
传统 TOC 忽略这些结构特征,仅依赖像素颜色。这使其容易被反射误导,经常将阴影误判为锡量不足,或将明亮的金属表面误判为露铜。
AI 的突破:从【基于颜色】进化到【视觉理解】
AI AOI 的突破在于它不再依赖颜色,而是依赖【视觉特征】和【形状纹理】本身。AI 模型学习:
-
形状。
-
纹理。
-
元件几何形状。
-
凸起和凹陷的分布。
-
正常样本的整体特征。
这意味着即使光线变亮或变暗,AI 仍能识别锡量不足、空洞和少件的结构特征。
-
不依赖色度三角形,不需要亮度限制。
-
光源变化不再迫使工程师重建模型。
AI 从黄金样本自动学习
传统采样算法要求工程师定义:RGB 范围、亮度限制、比例阈值和 ROI 大小。
相比之下,AI AOI 只需要一张【黄金样本】图像,AI 就会自动构建标准模型。
它自动学习:焊锡表面的形状、正常焊点纹理、元件几何形状、光影特征以及基板材料差异。
-
无需设置数十个参数。
-
工艺变更不再需要重新设置。
缺陷判断从【像素】跨越到【结构】
AI 的识别逻辑是:
-
判断焊锡表面的完整性。
-
判断面积异常。
-
判断元件是否偏移。
-
判断是否有异物。
-
判断纹理是否正常。
-
判断缺陷是否符合【错件】或【少件】的真实形态。
这种稳定性使 AI 在检测锡量不足、空洞、立碑(翻转)、偏移、少件、焊锡裂纹和错件方面显著优于采样算法。
本质差异总结
| 特征 | 颜色采样算法(TOC) | AI AOI |
| 判断依据 |
颜色+亮度 |
形状、纹理、结构、明暗、反射 |
| 光线敏感性 |
高 |
低 |
| 工艺变化敏感性 |
高 |
低 |
| 需要工程师调试 |
多 |
操作员可通过反馈学习更新模型 |
| 编程时间 |
3–5 小时 |
约 5 分钟 |
| 假阴性/假阳性 |
高 |
显著降低 |
| 泛化能力 |
差 |
高 |
颜色采样算法在历史上具有重要意义,促进了早期 AOI 的采用。然而,随着 SMT/PCBA 工艺和材料变得越来越复杂,【仅通过颜色判断缺陷】已不再满足当前的质量要求。
AI 本质上在做一件事:将 AOI 从【基于颜色】进化到【基于视觉理解】。
这实现了:
-
不依赖光源一致性。
-
无需大量手动设置。
-
更强的泛化能力。
-
更高的稳定性、准确性和可控性。