AOI 指標：誤判率、漏檢率與一次通過良率

描述 AOI 表現好壞的三個數字是：誤判率（機台把良品標為不良）、漏檢率（機台放過的真實缺陷），以及一次通過良率（不需重工就通過的電路板比例）。誤判耗費複判時間，漏檢損害品質，一次通過良率則反映 AOI 上游製程的狀況。

這些指標只有在大家使用相同分母時才有意義。本指南提供純文字公式，說明如何在您自己的產線上收集資料，並解釋為什麼靠放寬門檻值壓低某個數字，通常會讓另一個數字升高。

AOI 判定有哪四種結果？

每一次檢測判定都會落在四個格子之一。以下每個指標都由這四格組成。

AOI 只知道自己的判定。作業員的複判結果才能告訴您哪些判定是真、哪些是誤判。漏檢只能在後段被發現，例如 ICT、功能測試、重工或客戶端。

什麼是 AOI 誤判率？怎麼計算？

誤判是指 AOI 標為不良、但複判人員確認可接受的零件、焊點或區域。誤判率通常有三種表示方式，採用不同方式的數字無法直接比較。

• 以零件或焊點計：誤判率 = 誤判數 ÷ 檢測的零件（或焊點）數。常以 ppm 表示：乘以 1,000,000。
• 每片板誤判數：每片板誤判數 = 誤判總數 ÷ 檢測板數。
• 以板計（板級）：誤判板率 = 至少有一個誤判的板數 ÷ 檢測板數 × 100%。

作業員最有感的是以板計的數字，因為它決定了他們多常要停線或把板子拉出來複判。以零件計的比率，則較適合在零件數不同的電路板之間比較機台。請務必說明您用的是哪一種。

什麼是 AOI 漏檢率？

漏檢率衡量 AOI 漏掉了什麼。這是保護客戶的指標，也比較難量測，因為漏檢只能在後段發現。

• 漏檢率 = 後段發現、且 AOI 應該檢出的缺陷數 ÷（AOI 正確判定的缺陷數 + 這些漏檢數）× 100%。
• 檢出率 = 100% − 漏檢率。
• 漏檢 ppm = 漏檢數 ÷ 檢測機會數 × 1,000,000，適用於想依產量正規化的情況。

只計算 AOI 檢測範圍內的缺陷。X-ray 發現的 BGA 隱藏焊點空洞不算 AOI 漏檢，因為光學系統看不到它。請另外建立一份產線上沒有任何檢測涵蓋的缺陷清單。

SMT 的一次通過良率是什麼？

一次通過良率（FPY）是指電路板第一次通過某個製程步驟就正確完成、不需任何重工或維修的百分比。

• FPY = 未經任何重工即通過的板數 ÷ 進入該步驟的板數 × 100%。
• AOI 通過率 = 沒有任何 AOI 報錯的板數 ÷ 檢測板數 × 100%。

兩者並不相同。AOI 通過率會被誤判拉低，所以一台老是「狼來了」的機台，會讓您的製程看起來比實際更差。真正的 FPY 要在複判之後計算，只把確認有缺陷的板子算作不良。當 FPY 下降時，AOI 資料應該能幫您找出上游原因：印刷、置件或迴焊。

如何在自己的產線上量測這些指標？

1. 固定分母。決定要以板、以零件還是以焊點回報，並在每個產品、每台機台上一致採用。
2. 記錄每一次複判結果。每個 AOI 報錯都需要存下作業員的判定：真實缺陷或誤判，加上缺陷類型。沒有這些，誤判率只是猜測。
3. 追溯漏檢。當測試、重工或客訴退貨發現缺陷時，確認它是否出現在 AOI 放行的板子上，以及該缺陷類型是否在 AOI 程式裡。
4. 建立已知缺陷樣本組。保留每種您在意的缺陷類型的確認不良板（或影像），程式變更後重新跑一次，確認原本抓得到的現在沒有漏掉。
5. 依產品與零件類型分開統計。全線平均值會掩蓋那一種造成大部分誤判的封裝。
6. 看趨勢，不要只看一天。以週為單位量測，並標註程式變更、物料變更與供應商變更的日期。

好的 AOI 表現是什麼樣子？

我們不會引用產業基準值，因為合適的數字取決於電路板密度、零件組合與您的缺陷定義。比較有用的是定性的檢驗：

• 作業員確實會看每一個報錯。如果他們已經開始不看就放行，無論數字怎麼說，誤判率都太高了。
• 關鍵缺陷類型的漏檢很少，而且可追溯。每一件都有已知原因，也有對應的程式修改。
• 誤判下降時，要留意漏檢。如果誤判減少但漏掉的缺陷變多，可能只是門檻值放寬了，而不是檢測變好了。
• 新產品能很快達到穩定的誤判率。只要新板種經常導入，每一片新板的調校期就和穩定期一樣重要。

為什麼降低誤判常常會讓漏檢升高？

在規則式 AOI 上，消除誤判的常見做法是放寬該檢測項目的允收門檻值。但這個放寬會套用到所有使用同一參數判定的零件，於是落在新範圍內的真實缺陷也被放行了。誤判率下降，漏檢率卻悄悄上升。

我們的降低 AOI 誤判指南涵蓋了其他根本原因，例如光源、板彎與供應商差異。

回饋學習如何改善這些指標？

DaoAI 的回饋學習改變的是模型，而不是門檻值。作業員在複判畫面把誤判標記為 OK 時，那張影像就成為一筆標註樣本。執行 AI Update 會用它重新訓練模型，讓原本看起來異常的零件被辨識為正常，而分數相近的缺陷仍然落在正常範圍之外。

修正範圍由作業員選擇：單一位置、一個料號、一種封裝或一個類別。手動設定的項目都會保留，更新也可以復原。同樣的機制也能處理供應商之間可接受的差異，例如同一料號的印字字型或本體顏色不同。

在量測方面，DaoAI 的產線整合功能可回報整板與子板的一次通過良率，把每次檢測連同影像與判定結果一起儲存，並以 CSV 格式將結果匯出到您的 MES。連板中各位置的良率，能指出鋼板或迴焊問題出在哪裡。

常見問題

AOI 的誤判是什麼？

誤判是指 AOI 標為不良、但複判人員確認可接受的零件或焊點。它耗費複判時間；如果太頻繁，還會讓作業員習慣忽略報錯。

誤判和漏檢有什麼不同？

誤判是把良品標為不良。漏檢是把不良品當成良品放行，之後才在測試、重工或客戶端被發現。

一次通過良率怎麼計算？

一次通過良率等於未經任何重工就通過某步驟的板數，除以進入該步驟的板數，再乘以 100%。以 AOI 而言，只把確認的缺陷算作不良，不計入誤判。

誤判率應該以板計還是以零件計？

可以的話兩者都回報。以板計反映作業員的工作量；以零件或焊點計（ppm）則能在零件數不同的電路板之間公平比較。

能在不提高漏檢的情況下降低誤判嗎？

可以，前提是修正方式是教系統認識可接受的零件長什麼樣子，而不是放寬門檻值。回饋學習用確認過的誤判重新訓練模型，對真實缺陷的允收範圍則維持不變。

要看到您產品的這些數字，最快的方法就是在您的電路板上量測。把您自己的電路板寄給我們，我們會免費幫您測試，並與工程師一起檢視誤判與檢出結果。