AOI避坑：看懂误报漏检背后的逻辑
AOI避坑不能停留在“多拍几张图”或“调低阈值”。真正决定检测效果的，是光学成像、缺陷定义、样本分布、程序维护和生产闭环共同作用的结果。本文从底层原理拆解常见问题，说明为什么演示效果很好，上线后仍会出现误报、漏检和效率下降。
总述：AOI问题往往不在识别率数字
AOI把真实物体转化为图像，再通过颜色、灰度、轮廓、高度或学习模型作出判断。任何环节的信息不足，都会传递到最终结果。因此，供应商给出的单一识别率没有脱离测试条件的意义，必须同时说明板型、缺陷样本、重复次数和判定标准。
有效的AOI避坑思路，是把误报和漏检视为一组权衡。阈值设置过严，真实缺陷更容易被捕捉，但正常波动也会报警；阈值过宽，产线更顺畅，却可能放过边界缺陷。目标不是追求某一项为零，而是在风险和效率之间建立可验证的平衡。
分点一：忽视光学条件会从源头失真
PCB颜色、焊点反光、器件表面纹理和安装高度都会改变成像结果。只增加相机像素，不能自动解决高反光、阴影和遮挡。镜头分辨率、景深、光源角度及曝光参数必须与最小缺陷尺寸相匹配，否则后续算法只能分析不完整的信息。
验机时不要只使用平整、干净的标准板。应加入不同批次PCB、替代料、氧化焊盘、深浅字符和正常工艺波动，并连续重复测试。若同一块正常板多次运行产生不同判定，应先检查成像稳定性，而不是立即修改缺陷阈值。
分点二：缺陷标准模糊会造成程序失控
很多项目把“焊点不好看”直接写进验收要求，却没有定义少锡比例、偏移边界、允许露铜范围或极性标记标准。编程人员只能凭经验调整，操作员也难以统一复判，最终形成不同班次、不同人员采用不同尺度的情况。
正确做法是先依据产品规范和可接受标准建立缺陷字典，区分致命、主要和次要缺陷，并保存合格上限、缺陷下限及边界样本。程序参数应对应明确的质量规则，而不是为了降低报警数量不断放宽。
分点三：只看演示样本容易高估算法
AI或模板算法都可能对熟悉样本表现良好，但对新供应商物料、板色变化和罕见缺陷适应不足。如果测试集与调试集来自同一批板，数据会显得非常理想，却无法反映真实泛化能力。这是AOI采购和验收中最隐蔽的偏差之一。
应将样本分成调试集和盲测集，由生产或质量团队保管盲测板，并加入外观相似但性质不同的缺陷。例如，同样是亮度变化，可能来自正常反光，也可能来自少锡。只有在未知样本上保持稳定，算法能力才具有实际意义。
总结：建立可持续的检测闭环
AOI上线不是项目终点。换料、钢网调整、回流曲线变化和相机老化都会改变图像分布，程序必须按风险定期复核。每次修改应记录原因、参数、样本和前后结果，避免不同工程师反复覆盖设置。
完整的AOI避坑清单包括：明确能力边界、验证真实样本、统一缺陷标准、统计误报与漏检、保留版本记录，并将维修结果回流到程序。设备只有与工艺改善连接起来，才能从报警工具升级为质量控制系统。
常见问题
- AOI误报很多应该直接放宽参数吗？
- 不建议。先按元件、缺陷类型和物料批次分类，检查光源、定位和替代料差异；确认正常波动边界后，再针对单项规则调整。
- AOI漏检通常是什么原因？
- 常见原因包括缺陷不可见、图像对比度不足、阈值过宽、样本覆盖不足及程序版本错误。应先确认光学上是否能够观察，再判断算法问题。
- AOI程序多久需要复核一次？
- 没有统一周期。高风险产品可按月复核，普通产品可结合换料、工艺变更、客户投诉或漏检事件触发复核。