PCBA 检测中的致命失效点：为什么 AOI 颜色取样(TOC)因忽视元件形状与结构而导致漏检

摘要：传统基于颜色的 AOI 的固有缺陷

在传统自动光学检测（AOI）中，“颜色采样算法（TOC）”是用于判定少锡、空洞、露铜、错件、缺件等常见缺陷的核心方法。其逻辑非常直接：若 ROI 内的颜色像素比例符合设定的“标准亮度 + 标准色度”阈值，则判定为 OK；反之判定为 NG。

然而，该方法在实际工厂环境中往往暴露出三大痛点。其核心瓶颈在于：仅看颜色，而不看形状与结构。

颜色采样算法（TOC）的三大痛点

痛点 1：对光照变化极度敏感 

采样算法从根本上基于“颜色判定”。然而，仅靠颜色的方法在以下情况下会直接失效：

• 光照角度发生微小变化。

• 亮度稍作微调。

• 锡膏反光发生改变。

• 基板颜色存在细微差异。
  
  

  

在图 ① 中，色度三角形代表可接受的颜色范围。在“少锡”场景下（图 ②），典型设置可能为：R: 0–65, G: 0–85, B: 70–180，用于过滤符合正常焊点外观的像素值。

颜色提取算法可通过调整参数切换模式：

• 亮度模式：RGB 色度固定为 0–180；仅根据亮度进行判定（图 ①）。

• 色度模式：亮度固定为 0–255；根据色度范围进行判定（图 ②）。

正因如此，即使极轻微的颜色偏差，也会迫使工程师反复调整：

• 亮度范围

• RGB 边界

• 像素比例阈值

➡️ TOC 缺乏泛化能力——每次产品切换都必须重新建库

痛点 2：缺陷颜色在不同工艺间差异巨大

同一种缺陷（如“少锡”）在不同工艺阶段会呈现出截然不同的颜色特征：

• 回流焊炉前的少锡偏亮。

• 回流焊炉后的少锡偏暗且有氧化现象。

• 不同工厂使用不同物料（例如水洗助焊剂与免洗锡膏）。

• 颜色根本无法用单一色度三角形简单概括。

这导致预设的 RGB 范围经常失真，从而导致误判（假点）与漏判（漏检）反复出现。

痛点 3：单像素逻辑忽略了结构特征

颜色采样算法仅判断单个像素是否在标准亮度和色度范围内。然而，真实的缺陷具有“结构性”。例如，少锡的特征包括：

• 面积变小。

• 形状异常。

• 不规则反光。

• 焊点表面纹理破坏。

传统 TOC 忽略了这些结构特征，完全依赖像素颜色。这使其极易受到反光干扰，常常将阴影误判为少锡，或将高亮金属表面误判为露铜。

AI 的突破：从“基于颜色”到“视觉理解”的跨越

AI AOI 的突破在于其不再依赖颜色，而是依赖“视觉特征”与“形状纹理”本身。AI 模型学习：

• 形状。

• 纹理。

• 元件几何形态。

• 凸起与凹陷的分布。

• 正常样本的整体特征。

这意味着即使光照变亮或变暗，AI 依然能够识别少锡、空洞和缺件的结构特征。

• 不依赖色度三角形，也不需要设定亮度限制。

• 光源变化不再迫使工程师重新建库调试。

AI 从标准样板（Golden Sample）自主学习

传统采样算法需要工程师设定：RGB 范围、亮度极限、比例阈值以及 ROI 尺寸。

相比之下，AI AOI 仅需一张“Golden Sample”图像，AI 即可自动构建标准模型。

它能自动学习：焊点表面形态、正常焊点纹理、元件几何特征、光影特征以及基板材质差异。

• 无需手动设置数十个参数。

• 工艺微调不再需要推倒重设。

缺陷判定跨越：从“像素”到“结构” 

AI 的识别逻辑在于：

• 判定焊点表面的完整性。

• 判定面积异常。

• 判定元件是否存在偏移。

• 判定是否存在异物。

• 判定纹理是否正常。

• 判定缺陷是否符合“错件”或“缺件”的真实形态学特征。

这种稳定性使 AI 在检测少锡、空洞、立碑（翻件）、偏移、缺件、焊点开裂和错件方面，性能显著优于采样算法。

本质差异汇总 

颜色采样算法在历史上具有重要意义，推动了 AOI 的早期普及。然而，随着 SMT/PCBA 工艺与物料日趋复杂，“仅凭颜色判定缺陷”已无法满足当下的品质管控要求。

AI 从本质上做了一件事：推动 AOI 从“基于颜色”进化为“基于视觉理解”。

这实现了：

• 摆脱对光源一致性的极端依赖。

• 无需繁杂的手工参数配置。

• 更强大的泛化适应能力。

• 更高的稳定性、准确性与可控性。

准备好升级您的 AOI 系统了吗？

了解 DaoAI 的 AI AOI 如何降低误判率、大幅缩短编程时间并实现快速投资回报。