焊点空焊：AOI 如何检测可见缺陷

开焊会导致元件引脚或端子与焊盘之间缺失预期的焊接连接。只要该缺陷肉眼可见，AOI 即可在组装板流转至下一工序前将其检出。

难点在于如何将合格焊点外观与缺陷焊点有效区分。实用的检测方法必须兼顾两者，并能应对不同板卡和元件之间的工艺差异。以下介绍传统颜色规则的检测逻辑，以及 DaoAI 预训练 2D 模型如何应对开焊缺陷。

什么是开焊？

开焊是指元件引脚或端子与焊盘之间未形成预期的焊接连接。AOI 通过检测图像中的可见特征来识别此类缺陷。复检时，需确认受影响的端子，并对照组装验收标准检查连接区域。电气导通性则需通过电测进行验证。

同一端子周围可能会出现多种焊接缺陷。明确分类有助于工程师准备一致的训练样本并准确复审检测结果。

基于颜色的 AOI 如何评估焊点？

基于颜色的算法通过检测感兴趣区域（即 ROI）内的指定颜色进行判定。它可以统计匹配像素的数量或计算其在区域内的占比，并与合格阈值进行比对。检测结果高度依赖采集到的图像、框选的区域以及规则设置，因此必须保证光源和相机参数始终稳定一致。

常规的颜色区域检测通常包含以下四个步骤：

1. 在设定的光源和相机参数下采集焊点图像。
2. 在检测区域定位 ROI。
3. 统计选定颜色范围内的像素数。
4. 将像素数或占比与预设阈值进行比对。

固定颜色阈值在哪些场景下容易失效？

当合格焊点与缺陷焊点的测量数值相近时，固定颜色阈值的设定就会变得极其棘手。放宽范围可以减少误报，但会导致缺陷漏检；收紧范围虽能拦截更多缺陷，却会误判合格焊点。核心挑战在于：选定的测量特征是否能在各类板卡和工况下，稳定区分这两类焊点。

以下两类情况尤为值得关注：

• 合格焊点外观发生变化。 光源或相机设置发生漂移，导致采集到的颜色改变。匹配像素数超出合格范围，造成误报。
• 缺陷焊点通过颜色检测。 选定区域的像素依然落在合格阈值内，而连接区域其他部位存在的可见缺陷却被漏检。

DaoAI 预训练 2D 模型如何解决此问题？

DaoAI 的预训练 2D 模型覆盖了绝大多数常见开焊场景，开箱即可直接使用。针对特殊工艺场景，只需在软件中添加相应样本并完成模型微调，即可快速修正分类判定。

查看软件内置模型训练工作流。