PCBA 檢測的關鍵失效點：為何 AOI 顏色取樣(TOC)因忽略元件形狀與結構而造成漏檢

摘要：傳統色彩基礎 AOI 的固有缺陷

在傳統自動光學檢測（AOI）中，「色彩取樣演算法 (TOC)」是用於判定少錫、空洞、露銅、錯件及缺件等常見缺陷的核心方法。其邏輯十分直觀：若感興趣區域 (ROI) 內的色彩像素比例符合設定的「標準亮度 + 標準色度」標準，即判定為 OK；否則為 NG。

然而，此方法在實際工廠環境中常面臨三大痛點。其難以克服的核心原因在於它僅辨識色彩，而忽略了形狀與結構。

色彩取樣演算法 (TOC) 的三大痛點

痛點 1：對光源變化極度敏感 

取樣演算法本質上是基於「色彩判定」。然而，這種僅依賴色彩的方法在以下情況下極易失效：

• 光源角度略有變動。

• 亮度略微調整。

• 錫膏反光發生變化。

• 基板顏色略有差異。
  
  

  

在圖 ① 中，色度三角形代表可接受的色彩範圍。在「少錫」場景中（圖 ②），典型設定可能是：R: 0–65, G: 0–85, B: 70–180，用於篩選符合正常焊錫外觀的像素值。

色彩擷取演算法可藉由調整參數來切換模式：

• 亮度模式：RGB 色度固定為 0–180；僅依據亮度判定（圖 ①）。

• 色度模式：亮度固定為 0–255；依據色度範圍判定（圖 ②）。

因此，即使是最微小的色彩偏差，也會迫使工程師不斷調整：

• 亮度範圍

• RGB 邊界

• 像素比例門檻值

➡️ TOC 不具備泛化能力——每次產品換線都必須重新建模

痛點 2：不同製程間的缺陷色彩差異顯著

同一種缺陷（例如「少錫」），會依製程階段呈現截然不同的色彩特徵：

• 回焊爐前的少錫外觀較亮。

• 回焊爐後的少錫較暗且帶有氧化色。

• 不同工廠使用不同物料（例如水洗型錫膏與免洗錫膏）。

• 色彩根本無法僅用單一色度三角形概括。

這導致預設的 RGB 範圍往往失準，引發持續不斷的誤判與漏檢問題。

痛點 3：單像素邏輯忽略結構特徵

色彩取樣演算法僅判定單一像素是否在標準亮度與色度範圍內。然而，實際缺陷屬於「結構性」問題。例如，少錫的特徵包括：

• 面積縮減。

• 形狀異常。

• 不規則反光。

• 焊錫表面紋理破壞。

傳統 TOC 忽略這些結構特徵，純粹依賴像素色彩。這使其極易受反光干擾，經常將陰影誤判為少錫，或將金屬反光面誤判為露銅。

AI 的突破：從「基於色彩」到「視覺理解」的演進

AI AOI 的突破在於不再依賴色彩，而是依據「視覺特徵」與「形狀紋理」本身。AI 模型學習：

• 形狀。

• 紋理。

• 元件幾何外形。

• 凹凸起伏分佈。

• 正常樣品的整體特徵。

這意味著即使光源變亮或變暗，AI 仍能精準識別少錫、空洞及缺件的結構特徵。

• 它不依賴色度三角形，亦無須設定亮度限制。

• 光源變化不再迫使工程師重新建模。

AI 自動學習 Golden Sample

傳統取樣演算法要求工程師手動定義：RGB 範圍、亮度限制、比例門檻值以及 ROI 尺寸。

相較之下，AI AOI 僅需一張「Golden Sample」影像，AI 即會自動建立標準模型。

它會自動學習：焊錫表面形狀、正常焊點紋理、元件幾何外形、光影特徵以及基板材質差異。

• 徹底免除設定數十項參數的需求。

• 製程變更時無須全部重設。

缺陷判定從「像素級」跨越至「結構級」 

AI 的識別邏輯為：

• 判定焊錫表面完整性。

• 判定面積異常。

• 判定元件是否偏移。

• 判定是否存在異物。

• 判定紋理是否正常。

• 判定缺陷是否符合「錯件」或「缺件」的真實形態。

這種穩定性使 AI 在檢測少錫、空洞、立碑（翻件）、偏移、缺件、錫裂及錯件方面，顯著優於取樣演算法。

本質差異總結 

色彩取樣演算法在歷史上具有重要意義，推動了早期 AOI 的普及。然而，隨著 SMT/PCBA 製程與物料日益複雜，「僅憑色彩判定缺陷」已無法滿足當前的品質要求。

AI 本質上實現了一大躍進：將 AOI 從「基於色彩」推進至「基於視覺理解」。

進而達成：

• 不依賴光源一致性。

• 無需繁複的手動設定。

• 更強的泛化能力。

• 更高的穩定性、精準度與可控性。

準備好升級您的 AOI 了嗎？

了解 DaoAI 的 AI AOI 如何降低誤判率、大幅縮短程式製作時間，並快速回收投資成本。