如何降低 AOI 誤報：根本原因與解決方案

要降低 AOI 誤判（false calls），請依照此順序排除原因：確認標準片（golden sample）確實良好、將光源與光學系統調整回原廠規格、清理零件庫，然後依據 IPC-A-610 逐一檢視檢驗框並重新調諧臨界值。全面放寬檢驗限制並非解決之道，這只是將誤判換成漏檢（escapes）。如果每次換線或換用新零件批次後誤判率又再度攀升，表示你面臨的根本瓶頸在於基於規則的演算法（rule-based algorithm）本身，這是架構問題，而非調諧問題。

誤判（也稱為 false positive 或 overkill）是 AOI 將良品板標記為瑕疵。每一次誤判都需要人員進行二次複檢。一機在一個班次內狼來了五十次，不僅浪費人力，還會使作業員不再信任機台，而這才是代價最昂貴的部分。本文探討誤判的來源、所造成的成本、傳統 AOI 實際能改善的範圍，以及檢驗邏輯改採 AI 而非規則時帶來的轉變。

造成 AOI 誤判的原因是什麼？

AOI 誤判源於檢驗規則無法容納正常的製程變異。常見原因包括臨界值設定得比允收標準更嚴苛、光源漂移、零件批次變異以及板彎板翹。更有幾種零件類型會直接破壞基於顏色的演算法：本體顏色與基板顏色相同的零件，以及晶片電感和石英振盪器上的密集表面標記。這些狀況值得特別注意，因為再怎麼調整臨界值都無法解決。

多數關於誤判的討論都止步於「臨界值設太嚴」。確實如此，但這只是表面原因。完整的成因清單如下：

• 臨界值設太嚴。 編程工程師調諧時偏向保守，因為漏檢會引來客戶投訴，而誤判僅僅是造成複檢站的困擾。將這種防衛心態套用到數百個零件檢驗框後，在生產第一片板子之前，程式就已經偏向 overkill。
• 光學與光源漂移。 燈源老化、鏡頭積塵、班次之間的環境光變化。像素與色彩比對演算法會將這一切視為電路板上的變異。
• 零件批次間變異。 來自第二供應商的料捲抵達，其本體外觀塗裝略有不同或標記字型改變。零件本身完全正常，但特徵比對卻失敗。
• 板彎板翹。 彎曲的板子會使邊緣區域的零件偏離檢驗框，觸發偏移與缺件警報。
• 同色零件。 當零件本體顏色與 PCB 基板顏色相同時，基於 RGB 的檢測可能會徹底失效，因為演算法無法區分零件與基板。DaoAI 的產品手冊記錄了此種失效模式及其解決方案（詳見下文）。
• 黑色電感與石英振盪器的標記干擾。 這兩類零件是出了名的誤判來源。對規則引擎而言，黑底上密集的雷雕白字看起來就像刮痕或受損。
• 髒污干擾定位基準。 灰塵或助焊劑殘留可能干擾定位步驟本身，導致擺放正確的零件被量測為偏移。

對你的誤判原因進行柏拉圖分析（Pareto）。若最後三項佔據主要比例，表示你面臨的是演算法架構層級的問題，單靠調諧根本無法解決。

誤判的實際成本到底有多高？

誤判造成的金錢損失分為三個層次：複檢人力（作業員需重新判定每一片被標記的板子）、待檢板在複檢站堆積造成的停線，以及作業員警覺性麻痺——這是最隱蔽但也最昂貴的層次。當大部分警報都是虛驚一場時，人員便開始機械化蓋章放行，真正的瑕疵便趁著機台已消磨殆盡的公信力趁虛而入。DaoAI 估算，每位作業員每年的複檢與停線成本大約在 15,000 至 40,000 美元之間（DaoAI 報告數據）。

第三個層次值得深入探討，因為它扭曲了檢驗的初衷。深陷於 overkill 的 AOI 不再節省人力，反而開始製造自有的漏檢，因為它所依賴的人工複檢關卡已經麻木。品質團隊隨後收緊臨界值以攔截漏網之魚，這又引發更多誤判，進一步加深麻木感。這種惡性循環正是「我們只要複檢標記板就好」這句話永遠無法維持低成本的原因。

此外還有一種隱形損耗。一旦誤判充斥，工程師便不再信任 AOI 報告的任何數據。依據其輸出建立的瑕疵趨勢與 SPC 圖表全都淪為雜訊，機台最終遭到無視。一套被束之高閣的檢驗系統，等於是用極其昂貴的方式在「不檢驗」電路板。

如何在傳統 AOI 上降低誤判？

在傳統 AOI 上，降低誤判的方法是在調整臨界值之前，先修復量測系統。重新確認標準片、將光源恢復至原廠規格，並針對產線上實際使用的批次更新零件庫。接著，依據 IPC-A-610 允收標準，從不良最嚴重的檢驗框開始逐一重新調諧，並進行重複性檢查，確保剩餘的變異源自製程而非機台本身。

依循此順序執行，能有效收復失地：

1. 在修改規則前，先稽核參考基準。 若標準片或學習影像與目前的良品產生偏差（例如工程變更 ECO、供應商更換、新的焊接溫度曲線），所有下游判定都會繼承這項誤差。請務必先針對經過驗證的當前良品板重新學習。
2. 恢復光學系統與光源。 清潔鏡頭、依據裝機驗收數值檢查燈源輸出、重新校正白平衡。這是枯燥的工作，但對許多工廠而言，卻是眼前成效最顯著的一項改善。
3. 維護零件庫整潔。 當批次或供應商變更時更新封裝定義，並淘汰過時項目。指定專人負責零件庫；當零件庫人人可改時，腐化的速度最快。
4. 依據柏拉圖分析，對照標準進行調諧。 將誤判來源排序，優先解決最嚴重的檢驗框。將允收與拒收限制錨定於 IPC-A-610（最新版本為 IPC-A-610J, 2024），而非單純調諧到警報平息為止。這樣能讓你在放寬確實過於嚴苛的檢驗框時，依然能在客戶面前站得住腳。
5. 驗證重複性。 將 AOI 作為量測系統執行 Gage R&R 形式的重複性檢驗。若同一片板子在不同運作中產生不同判定，在解決此不穩定性之前，所有的臨界值調整都只是在瞎猜。
6. 標準化複檢站。 依據 IPC-A-610 為複檢作業員提供相同的允收標準與參考照片，確保每個班次對「誤判」的定義完全一致。否則你試圖改善的指標本身就不可靠。

然而，這些措施並非一勞永逸。每次換線、新產品導入或新零件批次都會讓部分問題死灰復燃。少量多樣（High-mix）的工廠感受最深，因為每次 NPI 都必須償還這筆調諧債務。

AI 如何降低誤判？

AI 降低誤判的方法，是改在「特徵空間」而非「像素空間」中判定零件。訓練完成的視覺模型會擷取形狀、結構、紋理與空間上下文，然後比對真正良品的特徵來評估異常，而非將原始像素與固定規則進行比對。這使判定邏輯能容忍光源漂移、外觀批次變異以及板彎板翹——這正是大部分傳統規則誤判背後的根本變異來源（DaoAI 報告數據；請於實際板件驗證）。

將各項機制對應至上述根本原因：

第二個架構性差異在於反饋閉環。在 DaoAI 的系統中，當作業員將標記影像判定為誤判時，該判定會反饋至模型中並更新參數。每條產線自身的生產過程都會轉化為其訓練資料，使誤判率隨著使用逐漸下降，而非隨時間向上漂移。（此機制背後的標準板工作流程請參閱無 CAD 檔案的 AOI 編程。）誤判率隨著作業員提供反饋而降低，同時檢測準確率達 98% 以上；實際成效請於展示時在你的實際板件上進行確認。

允收標準本身並未改變。允收與拒收準則依然嚴格對應 IPC-A-610。模型所改變的，是系統區分「外觀不同但合格」與「真正瑕疵」的可靠度。關於相同架構在檢測端的應用，請參閱 單張影像 AI 檢測如何應對多樣化瑕疵。

何時代表調諧已不再足夠？

當處理誤判已經變成工程團隊的常態性負擔，而非裝機調校任務時，就代表單靠調諧已不再足夠。徵兆包括：每次換線都需要重新調諧臨界值、每次更換零件批次或供應商後誤判率立即反彈、複檢站已經變成常設人力崗位而非例外處理，以及在 overkill 居高不下的同時卻開始出現漏檢。到了這個階段，瓶頸在於基於規則的架構本身，繼續調諧頂多只能爭取幾週的喘息時間。

評估決策的實用標準：如果你的產品組合穩定、極少進行 NPI、零件庫有專人維護，且在執行上述維護步驟後誤判率確實下降，那麼調諧依然是合適的工具。生產紀律嚴格的大批量穩定產線，依然能將傳統 AOI 發揮得很好。這是務實的選擇，更完整的評估比較對此有深入探討。

反之，若誤判負擔隨產品多樣性成比例放大，架構就是你的瓶頸所在。每次 NPI 都在重啟調諧債務；第二來源零件導致圖形比對失效；柏拉圖分析主要由同色零件、具標記的電感與振盪器或光源漂移所佔據，而這些成因深植於臨界值調諧無法觸及的底層架構。一個簡單的檢驗方法：如果你每個月都必須付費讓工程師重複換取相同的誤判降幅，這種解決方案只是「租來的」，而非真正「擁有」。具備反饋學習能力的架構，才能一次徹底解決。

常見問題

AOI 的正常誤判率是多少？

沒有任何單一基準值得盲目採信，因為各工廠計算基準不同：有的以單一零件計算（PPM），有的以板為單位，或以佔總警報數的比例計算。產品組合、板件複雜度與臨界值設定哲學都會讓這個數字產生數量級的差異。實用的做法是選定一種計算基準，為每條產線建立基準線並觀察其趨勢。在穩定的製程中，若誤判率趨勢上升，代表是檢驗程式正在漂移，而非產品本身有問題。

誤判（false call）與漏檢（escape）有何不同？

誤判是將良品板標記為瑕疵；漏檢是放行了真正的瑕疵。在基於規則的系統中，兩者呈現消長權衡：收緊臨界值，誤判增加；放寬臨界值，漏檢增加。此外，高誤判率也會因為讓負責複檢的作業員產生麻木感，間接導致漏檢發生。

放寬臨界值以降低誤判會導致真實瑕疵流出嗎？

全面性放寬確實會如此，這等於是用漏檢換取耳根清淨。只有在對照 IPC-A-610 證明檢驗框確實過嚴，且在基準、光源與零件庫問題都排除之後，才能放寬特定檢驗框。若某個檢驗框在不違反標準的前提下始終無法消除警報，表示你遇到了演算法容納變異的能力極限，而非調諧技術不佳。

AI AOI 需要多少資料才能開始降低誤判？

比大多數工程師預期的要少得多。DaoAI 的系統僅需單片標準板即可開始運作。模型出廠前已預先經過超過一百萬張實際生產影像的訓練，能從單一樣本快速適應你的板件，隨後在正常生產中透過作業員的反饋持續自我進化（DaoAI 報告數據）。在設備裝機與首次上線檢驗之間，完全不需要耗時進行資料收集專案。

誤判率有可能降到零嗎？

沒有任何系統能誠實保證零誤判，因為檢驗永遠在靈敏度與雜訊之間尋求平衡。實際可達成的目標，是將誤判負擔壓低到讓複檢成為罕見的例外，而非專設的工站，同時將漏檢維持在零。評估任何設備商的宣稱（包括我們在內）時，請以你在自己板件上驗證的趨勢數據為準。

針對你產線上最棘手的零件檢驗這些機制

若你的誤判柏拉圖分析主要由該表格左側欄位的因素所佔據，投入更多調諧工時也無法改變現狀。DaoAI 的 P 系列將特徵空間檢驗與作業員反饋學習技術，全面應用於離線式（P1/P2）與在線式（P3/P3D）檢驗配置。