相对于人工目视检查来说，AOI具有更高的可重复性和更快的检测速度。八十年代曾有研究表明，当两个人检查相同的板四次时，他们的相互认同率少于28%，认同自己的只有大约44%左右。而尽管如此，在2005年前，绝大部分电子制造厂商依然依赖于人工目视检查。
因为早期引进的进口AOI设备，给电子制造业界的朋友的感觉是：使用繁琐、复杂，价格昂贵；或者说因为AOI设备编程调试繁复，令工程师不能充分发挥AOI设备的性能，导致AOI未能达到预期的检测效果，从而觉得AOI设备只是一种“昂贵的摆设品”。本文将从AOI的工作原理、如何评估AOI系统和如何根据具体情况配置AOI系统等几个方面作探讨。
一、 认识AOI及其工作原理 1、 定义：
自动光学检测仪（AOI-Automated Optical Inspection）是应用于表面贴装（SMT-Surface Mounted Technology）生产流水线上的一种自动光学检查装置，可有效的检测印刷质量、贴装质量以及焊点质量。通过使用AOI作为减少缺陷的工具,在装配工艺过程的早期查找和消除错误,以实现良好的过程控制。早期发现缺陷将避免将不良品送到后工序的装配阶段,AOI将减少修理成本将避免报废不可修理的电路板.
2、主要特点：
1）高速检测系统，不受PCB贴装密度影响；
2）快速便捷的编程系统，图形化界面，所见即所得，运用贴装数据自动进行检测程序编制； 3）针对不同的检测项目，结合光学成像处理技术，分别有不同的检测方法（检测算法）； 4）在被检测元件的贴装位置有偏移的情况下，检测窗口会自动化定位，达到高精度检测； 5）显示实际错误图像，方便进行工人进行最终的目视核对； 6）统计NG数据分析导致不良原因，实时反馈工艺信息。 二、AOI工作原理：
AOI经过十几年的发展，技术水平仍处于高速发展阶段，如何实现最佳的检测效果，一直是各AOI厂商不断攻关的技术话题。目前国内市场上可见的AOI品牌众多，每种AOI各有所长；每个品牌的AOI优势主要体现都取决于其不同的创新核心软件算法，通常采用的软件算法有:模板比较、边缘检查、灰度模型、特征提取、固态建模、矢量分析、图形配对和傅里叶氏分析等，但尽管算法各异，AOI的运作原理基本相同。如图所示：
从上图看到，塔状的照明系统给被检测的元器件予以360度全方位照明，然后利用高清晰的CCD摄像机高速采集被检测元器件的图像并传输到电脑，专用的AOI软件根据已经编制的检测程序进行比较、分析；判断被检测元器件是否符合预订的工艺要求。简单来说AOI检测元器件的过程就是模拟工人目视检查SMT元器件，是将人工目视检测自动化、智能化、程序化。
图像获取就是用CCD摄像机把物体表面的光信号转换成为电信号送入图像采集卡。图像采集卡将图像数字化送入计算机，这个过程很直观，容易理解。那把图像送入计算机之后，AOI是如何检测元件的质量呢？下面以ALeader AOI举例说明：
ALeader AOI是“东莞神州视觉科技有限公司”在2002年开始研发的，2004年便制造出中国第一台可以媲美国外的AOI设备，在国内AOI发展中起到了不可替代的作用，他们完全摒弃一些传统AOI的计算模式，采用自主创新的统计建模技术、光学原理以及图像比对原理：
1、光学原理：
采用环形塔状的三色LED光源照明，由不同的角度射出红（R）、绿（G）、蓝（B）以及三色光组合得到的白色（W）光分别投射到PCB上，对被测元器件予以360度全方位照明。通过光的反射、斜面反射、漫反射分别得到元件本体、焊点、焊盘的不同颜色信息。如下图所示：
焊盘的表面光滑，红色光在其表面产生镜面反射，而大部分蓝色光则反射出，因此焊盘得到的颜色为红色或者黄白色。
蓝色与黄色光都在其表面产生漫反射，根据调色原理，蓝色与黄色调和得到白色光，相当于原件本体接受了白色光照，因此原件本体显示为本身的颜色
焊点（锡膏）通常形成一个斜面，这样，大部分黄色的光通过斜面反射出去，而蓝色的光则通过反射进入镜头，所以得到的焊点颜色为蓝色
2、图像比对原理：
它是通过CCD摄像机抓取，再经过图像处理（即根据像素分布、亮度和颜色等信息转化成为我们所需要的数字信号）。将这些数字信号通过某种数学计算方法得到一个标准的误差阀值，然后将每个被测试的图像得到的阀值与系统中已修正好的标准阀值进行比较，如果比较结果小于标准阀值则该图像通过检测，否则判别为不合格。
3、 统计建模技术：
上面提到的一个待测图像需要与系统中的标准图像进行比较，那么标准图像就是通过“统计建模”所得到的。通常，ALeader AOI经过学习一系列合格图像的模板，让计算机自动记忆所有OK图像的大致特征，得到图像的外形变化以及未来可能发生的变化方式特征，生成一副多元化的合格图像模型。如下图所示：
收集了所有OK样本的变化规律
三、如何评估和配置AOI系统：
我们知道，目前的AOI分为离线式AOI（Off line）和在线式AOI（In line）两种。笔者在与客户沟通时，经常会与工程师们谈起选择用在线AOI还是离线AOI的话题；其实，具体用在线AOI还是离线AOI的必须要根据自身的实际情况去权衡；如果是小批量、多Model，转线频繁的厂家采用离线式AOI是最佳选择，因为检测速度可以满足条高速贴片线的需要，且易搬动，可以灵活对应对任何工序的检查需要；在线式往往固定于某一工序检查，一般应用于长期固定的品种检测上面，这样免去了程序调试的时间、提高了设备的使用率和稳定性。
另外，把AOI运用在哪个工序进行检测的话题也始终在讨论。AOI在SMT中的应用主要有三个典型的位置，分别是：锡膏印刷或点胶后、贴片后以及回流炉后。应用在不同的工序，所检测的项目和重点也不一样，如何运用AOI来提高品质、降低不良，应该根据自身的工艺水平和难点进行配置，如下图所示：
印刷机后：通常来说，有缺陷的焊接均来源于有缺陷的锡膏印刷。在这个阶段，你可以很容易、很经济地清除掉PCB上的焊接缺陷。大多数2-D的检测系统便能监控锡膏的偏移和歪斜、不足的印刷区域以及溅锡和短路等。
贴片后检测：可以有效防止元件的缺失、极性、移位、立碑、反面等等。
回流焊接之后：位于生产线的末端，检测系统可以检查元件的缺失，偏移和歪斜的情况，焊点的正确性和锡膏不足、焊接短路以及翘脚和所有极性方面的缺陷。
至于应该将AOI应用在哪一工序，应该根据元件和工艺的类型、和对产品可靠性的要求进行。如果使用许多BGA、芯片级封装（CSP）或者倒装芯片元件，就需要将检测系统应用到印刷后和片式贴装后，以发挥其最大的功效。另外，在炉后进行检测可以有效地发现低档消费品的缺陷。而对运用在航空航天、医学及安全产品（汽车气囊）领域的PCB来说，由于对质量要求十分严格，则可能会要求在生产线上的许多地
方都进行检测，尤其是在片式贴装和炉后。当然，也要根据本身的经济状况来放置AOI，以最求最高的性价比，发挥一台设备的最佳性能来实现我们理想的效果。
谈到如何评估AOI是否符合本公司的要求，首先每家电子制造厂家的生产环境不一样、需求的不一致以及工艺质量的差异等等，目前对AOI的评估也没有一个标准通用的方案，可谓是各有千秋。但总体都围绕以下几点来进行AOI的评估。
1.依据AOI检测系统报错的准确率，即真实错误（准确报错）对误报（虚假报错）的比例来评估其好坏是不全面的。因为在试用设备的时候往往采用人为制作NG来“考验”AOI的检测能力，其实AOI对于手动的这种发生极大差异变化的NG类型是毫无疑问的，必须实时测试和工程师亲自操作实现评估目的。
2.引进AOI进行测试并不仅仅是为了替代人工目视检查，它还必须来提高我们的制程能力和改善工艺水平，AOI与SPC的结合，给我们提供了极大的便利性，通过AOI测试后自动生成了一系列的缺陷数据，这些数据又通过SPC分析得到准确的工艺差，根据这些信息我们相应的对前工序采取预防和改善，当然是可以提高产品品质和降低维修成本的。
3.需要考虑产品的易用性、比如说编程速度、检测速度等，笔者知道ALeader全新的升级检测系统配备有自动编程的功能，通过CAD数据自动搜索相应的元件物料号来完成编程投入测试，另外在手工编程时，同一类型的元件自动识别、自动画框，这样便大大提高了我们设定AOI监测点的时间。
4.当然，售后服务的考虑也是必不可少的，主要考虑供应商的服务工程师人数，办事处分布点，和备件维护的周期性，等等。
总而言之，SMT生产使用AOI来对品质进行监测是必然趋势；广大SMT生产厂商已经意识到这点，而主动开始了解及引入适合自己的AOI系统，不断的提升及稳定其品质。
如何选择一台能灵活应对市场变化的AOI和如何用好AOI是我们应该长期摸索和探讨的一个话题，能够实时监控和反馈工艺信息的AOI定会是广大客户的追求所在，相信随着AOI技术的不断创新和改善，SMT实现自动化指日可待。
大家都知道：目前电子行业发展的趋势是元件越来越小、密度越来越高，客户端的品质要求也在不断的提高，人工检测产品的速度和质量已经满足不了工业化的要求，在这样的一个环境下，便相继出现了各式各样的机器检测设备，像ICT(In Circuit Test), FT(Function Test),AOI(Auto Optical Inspection), AXI(Auto X-ray Inspection)等等，这些设备各自有着不同的特点，ICT，FT是基于电信号的，AOI和AXI都是光学的检测设备，不同的是AXI是利用X-ray进行检测的， 而AOI是利用可见光（像LED灯）进行检测。和其他检测设备比较， 本人认为AOI更具有准确、快速、稳定、可靠的特点，正因为具备这些显著的特点才使得AOI目前在SMT生产线上得到的广泛应用。
作为潜心钻研AOI的一员，我想和大家讨论一下以下两个方面的内容： （1） AOI如何检测PCB板的? （2） AOI未来的发展趋势；
第一个问题，AOI是如何检测PCB板，这是AOI的核心问题，也是一个非常综合性的问题，关系到AOI所用的基本原理和其工业实现的方方面面，我今天只和大家探讨以下几个比较重要的问题：
1. AOI的基本工作原理.
从上图看到AOI就是用摄像机等硬件设备获取被检测物体的图像，然后用软件比较、分析、判断被检测物体是否OK。也就是说AOI检测物体的过程是模拟人眼检测物体，是将人工检测物体自动化、智能化。
图像获取就是用CCD摄像机把物体表面的光信号转换成为电信号送入图像采集卡。图像采集卡将图像数字化送入计算机，这个过程很直观，容易理解。那把图像送入计算机之后，AOI是如何检测元件的质量呢？
2. AOI是如何判贴片的质量？
人们判断一个物体的质量是否合格，总是要实现设定一个标准，如果达到标准，则认为该对象是合格，如果不达到标准，则认为对象不合格。同样，AOI判断一个元件是否是OK的，也设定一个规则，满足规则的就OK，不满足规则的就是NG的。
AOI针对不同的元件选用不同的规则，最常用的规则就是标准图像，就是事先给某个贴片指定一个标准图像，如果被检测贴片的图像和标准图像很相似，那么我们认为这个贴片是OK的，如果不相似，则认为是NG的，在图像处理行业，我们称这种规则是图像比对或者说是模板匹配。另外还有一些特定的规则，像指定IC之间不能桥接，这不是通过指定一个标准图像，而是个通过某种算法计算两IC之间是否有连接物的方法判断IC是否有桥接现象。
理论上大家都知道来设定标准图像作为一个规则判断元件的质量，实际上如何制定标准图，如何计算相似度，市面上纷繁复杂的AOI各有不同的做法，我们Aleader-AOI的做法是利用自主开发的统计建模技术，那么统计的是什么？建立的模型又是什么呢？
我们通常是统计一系列OK样板的变化规律，包括OK元件大致像什么，可能有一些什么样的变化，可能变化到什么程度。而建立完的模型就是每一个元件都有一个标准图像和两个辅助图像；
对于统计建模，大家可能有下面两个问题：
（1） 既然是为了图像比对，人眼看起来元件都差不多，注册一个OK元件的图像就可以了，为什么还要学习多个OK元件呢？通过我们反复试验发现，摄像机是放大了元件的差异，也就
是说虽然人眼看OK元件都差不多，但是OK元件图像实际上都大大小小的存在一定的差异，并且不同的元件的差异性不同，有的元件差异性比较小，有的元件的差异性很大，对于那些差异小的元件注册一个标准就可以了，但是差异性比较大的元件，如果只注册一个标准就很容易造成误判，用统计建模的方法，在学习的时候，差异小的统计学习之后两个辅助图像的差异性比较小，差异大的元件统计学习之后两个辅助图像的差异也比较大，这样对不同的元件采用不同的差异标准进行判断，更加合理；
（2既然OK元件图像之间有一定的差异，注册多个标准就可以达到检测的效果了，统计建模和这种多个标准的方法有什么区别呢？同样我们通过实践发现：多个标准进行比较的时候就要依次和多个标准进行相似度的计算，看被检测图像是否和某个标准图像的相似度可以达到判断OK的要求。而统计建模后只保存了标准图像和两个辅助图像，进行图像比对的时候被检测图像也只用和其标准图像一个进行相似度计算，大大减少了计算次数，提升了检测速度。
了解了AOI是如何判断贴片缺陷的理论，我们还要考虑AOI的速度是如何达到工业应用的要求的？
3. AOI检测的速度
前面我们介绍AOI工作原理的时候，AOI主要有获取图像，处理图像两个不同的步骤；对于获取图像来说，因为相机的FOV(Field Of Vision)有限，因此就必须通过XY平台来移动相机或者PCB才能拍摄到整个PCB板上的元件；也就是说AOI必须协调软硬件同时工作，要考虑摄像机什么时候开始拍照，什么时候要移动，移动到什么地方，什么时候开始图像处理等等各方面的问题；
为了节约运动的时间，ALEADER—AOI采用了下面两个方法： a. 必须采用最少的拍摄次数将所有零件拍摄―――镜头的自动分配 b. 运动路径必须最短―――路径自动优化
用最少的镜头和最短路径来减少机械运动的次数和时间。
除了减少获取图像的运行时间外，ALEADER-AOI在其他方面也做了大量的优化： a. 使用多核处理器和多线程;
b. 使用CPU的多媒体指令，普通的CPU指令是单指令单数据，而这些多媒体指令可以实现单指令多数据，在同样的时间内可以处理多个数据，大大增强了CPU的图像处理能力，减少了AOI图像处理的时间。
这些软硬件方面的优化以及前面提到的统计建模技术，大大提高了ALEADER-AOI的检测速度；
有的朋友可能会提出这样一个问题，最小路径是一个很正常的想法，为什么ALEADER-AOI仍要特殊考虑呢？
因为相机按CCD排列方式的不同分两种，面阵相机和线阵相机，线阵相机就像我们常见的扫描仪，特点就是速度快，使用线阵相机的AOI一般是扫描完整个PCB板，然后再做检测，显然不用考虑路径优化的问题。但是因为线扫描的关系,它的打光主要采用顶光源, FOV范围内的元件在不同方向和角度接受的光照条件不一致，那么对于那些带有高元件的PCB板，高元件的阴影就会影响低元件的图像，并且如果PCB放在AOI的方向不一致，元件的亮度也会有一定的差异，因此使用线阵相机图像质量不够稳定。
而面扫描相机采用的光源是环形光源，就像常说的无影灯，摄像机FOV内光照一致，保证了图像的质量，但是面阵相机的速度没有线阵相机快，使用路径优化就是为了弥补面阵相机速度方面的不足。并且随着软硬件技术的进步，以及前面我们所提到的优化方案，使用面阵相机在保证图像质量和检测质量的基础上，也能达到工业应用的要求。
4. 编程的难易程度
使用AOI制作程序，需要标出那些元件是需要检测，如果手工画出这些元件肯定是非常麻烦的，最快的方法就是使用CAD的数据，利用PCB设计时候的数据自动画出检测的位置和检测的类型；如果没有CAD数据，要手工增加监测点，怎么能快速的，准确的制作出检测程序是一个非常值得考虑的问题。
ALEADER—AOI的做法是建立元件库，根据元件库的元件，自动生成检测框。如果认为元件库的图像和现在的图像的差异超出了一定的范围，还可以重新注册标准，或者调整元件框的大小和位置；这样的做法对于长期使用的元件比较合适，对于一些新的元件，另外如果没有元件库，有多个一样的元件，例如对于IC这样特殊的元件，我们采用的自动定位自动画框的方法，就是先注册一个标准，然后软件自动识别应该检测的其他位置，这样就可以在没有设计数据情况下快速画框。具体的例子看我们下面的这两幅图像，第一个框是人工自动画上去的，注册为标准，后面这些框就是自动生成的 ，非常快速的就完成了这些元件的自动画框问题；
（图示：）
三 在了解了AOI的一些基本功能和算法之后，我想展望一下AOI技术的发展趋势，
（1）分类检测
我们知道AOI在SMT流水线中放置的位置不同，检测的重点就不同，并且不同的元件，要检测的缺陷类型也不同，譬如说焊点主要检测的就是有无锡膏，是否多锡、少锡等，元件本体就要检测是否缺件、偏移、错件等情况，带有丝印的还要做OCV，IC要检测是否有桥接等等，另外有一些三极管就要有极性检测；这样不同的检测类型，就要选择不同的检测方法，不同的方法针对某种或者某几种缺陷类型才能提高检测效果，减少误判。
（2）Bad Mark的检测，拼板与多MARK检测，和BarCode等功能
AOI要适应印刷机的变化，像Bad Mark就可以不检测，机器检测到一块PCB板就不印刷了，AOI也应该检测到Bad Mark就报出Bad Mark；另外某些印刷机可能是多板同时印刷的，像阴阳板这样的情况现在也比较常见, 那么检测的时候AOI的程序就需要是两个或者多个PCB的检测程序同时运行，才能达到要求；另外一个就是一些板子用条形码来标记板子，那么就需要AOI加入barcode功能来识别这些条形码。这些功能都是为了适应SMT行业变化和要求，给AOI带来的一些发展。
（3） AOI与SPC的进一步结合
SPC（Statistical Process Control）即统计过程控制。SPC主要是应用统计技术对生产过程进行实时监控，科学的区分出生产过程中产品质量的随机波动与异常波动，从而对生产过程的异常趋势及时提出报警，以便生产管理人员及时发现异常, 采取对策,把质量隐患消灭在萌芽状态，达到防患于未然，减少或避免坏品的产生，以达到提高产品品质,节约成本的目的，所以SPC数据也是衡量产品质量的一个重要数据。
SPC是控制产品质量的一种技术，AOI是检测产品的质量的的一种工具，如何根据AOI/SPC数据建立一个实时工艺控制(RPC, real-time process control)系统,达到AOI/SPC结合的闭环控制和SMT的全自动生产工艺是一个非常吸引人的一个问题。
但是，现在一般的AOI/SPC功能仅仅考虑了NG元件的类型和数量等的数据分析；要想达到上面所描述的一个理想状态，就需要AOI/SPC进一步的接合，需要考虑SPC还需要统计什么数据，怎样分析这些数据，以及这些数据如何调整SMT流程等一系列复杂的问题。同时，还需要考虑包括远程控制等其他方面的问题；
（4）真正的彩色图像处理技术
现在的AOI虽然用的是3CCD的相机，抓取的彩色的图像，大部分的算法只提取了颜色中的部分信息，例如灰度，来进行图像的识别，或者将RGB颜色空间的三个通道分别处理后再合成，或者将RGB空间转化成为HSI空间或者其他颜色空间后再转换回RGB颜色空间，这些方法对彩色图像处理的效果都不是很明显，因为RGB颜色空间三通道之间的相关性很高，遗憾的到目前为止，人类对大脑的颜色处理机制仍未完全理
解，还处于一个试验和探索阶段，目前已成为图像处理技术一个难题。因此，如何充分利用RGB三颜色通道的信息，是彩色图像处理的关键，也是AOI技术的一个飞跃。
（5）拓展应用：
目前，市面上所见的AOI基本只应用于SMT\\SMD。但ALEADER AOI因为其独特的计算方法可以运用在其他的外观检测上面，比如，键盘的字符检测、铆钉检测、针脚检测等等，ALEADER AOI在应用领域上又迎来了一个崭新的春天。让AOI不再局限于SMT应用我认为是未来几年的必然发展方向和流行趋势。
以上是我认为AOI在SMT行业应用上的几点肤浅认识，如有不足处，敬请斧正，也欢迎大家能和我一起探讨AOI的发展。
对于PCB装配，AOI的优点
视觉检查的特征和板上的电子元件是直接了当的。元件与其下面PCB的形状、尺寸、颜色和表面特征是轮廓分明的，元件可以在板的表面上可预见的位置找到。由于这个简单性，PCB装配的自动检查在25年前成为计算机化的图象分析技术的首例工业应用。
功能强度的AOI技术证明是对传统测试方法的经济、可靠的补充。AOI正成功地作为测量印刷机或元件贴装机性能的过程监测工具。实际的优点包括：
检查和纠正PCB缺陷，在过程监测期间进行的成本远远低于在最终测试和检查之后进行的成
本，通常达到十几倍。
过程表现的趋势 - 贴装位移或不正确的料盘安装 - 可以在整个过程的较早时候发现和纠
正。没有早期检查，重复的太多有相同缺陷的板将在功能测试和最后检查期间被拒绝。
当AOI用于在元件贴放之后、回流之前的元件贴装检查时，较早地发现丢失、歪斜、无放的
元件或极性错误的元件，减少成本高的回流后返修。
回流焊接后的AOI比用于焊点缺陷，如锡桥、破裂焊点、干焊点和其它缺陷，检查的X射线
检查成本低。可是，锡点检查无可争辩地是基于运算法则(Algorithm-based)的AOI系统的最困难的任务，因为可接受外表的变量范围广。
传统AOI系统的局限
基本上，所有AOI方法可描述为，通过一列摄像机或传感器获得一块板的照明图象并数字化，然后分析和与前面定义的“好”图象进行比较。照明来自于一个范围的光源，如白光、发光二极管(LED)和激光。
今天，有许多完善的图象分析技术，包括：模板比较(template-matching)(或自动对比auto-correlation)、边缘检查(edge-detection)、特征提取(feature extraction)、灰度模型(gray modeling)、
傅里叶分析(Fourier analysis)、形状、光学特征识别(OCR, optical character recognition)、还有许多。每个技术都有优势和局限。
模板比较(Template-matching)
模板比较决定一个所希望的物体图像平均地看上去象什么，如片状电容或QFP，并用该信息来产生一个刚性的基于像素的模板。这是横越板的图像，在预计物体位置的附近，找出相同的东西。当有关区域的所有点评估之后和找出模板与图像之间有最小差别的位置之后，停止搜寻。为每个要检查的物体产生这种模板，通过在适当的位置使用适当的模板建立对整个板的检查程序，来查找所有要求的元件。
因为元件很少刚好匹配模板，模板是用一定数量的容许误差来确认匹配的，只要当元件图像相当接近模板。如果模板太僵硬，可能产生对元件的“误报”。如果模板松散到接受大范围的可能变量，也会导致误报。
运算法则(Algorithm)
经常，几种流行的图像分析技术结合在一个“处方”内，形成一个运算法则，特别适合于特殊的元件类型。在有许多元件的复杂板上，这可能造成众多的不同运算法则，要求工程师在需要改变或调整时作大量的重新编程。例如，当一个供应商修改一个标准元件时，对该元件的运算法则处方可能需要调整，消耗珍贵的编程时间。还有，相同元件类型的外形可能变化很大，一个不同一个。随着时间的过去，新的变化出现，用户必须调整或“扭转”运算法则来接纳所有可能的变化。
例如，一个0805片电容，可以分类为具有一定尺寸和矩形形状，两条亮边中间包围较黑色的区域。然而，这个外部简单的元件外形当在一个单一的生产运行中光学检查时可以变化很大，如图一所示。
传统的、基于运算法则的AOI方法经常太过严格，以致于不能接纳合理的变化，如对比度、尺寸、形状和阴影。甚至不重要的元件也可能难以可靠地查找和检查，因此造成有元件而系统不能发现的“错误拒绝”。还有，因为可接受与不可接受图像的差别相当细小，运算法则不能区分，引起“错误接收”，真正缺陷不能发现。
为了解决一些这种问题，用户不得不在图像分析领域要有适当的见识。还有，传统的AOI要求不断的和广泛的再编程。用户需要经常调整其AOI方法，以接纳合理的变化。所有这些可花上一到两天作细小的扭转，甚至几周，当对一个新板设计与优化一个检查程序时。
有自调性的、基于知识的AOI
几个AOI供应商已经打破图像处理的传统方法，而正使用有自调性的软件技术。一个方法*是设计将用户从运算法则的复杂性分开。通过显示一系列要确认物体的例子，该方法使用一个令人惊讶的直截了当的数学技术，叫做统计外形建模技术(SAM, statistical appearance modeling)，来自动计算出怎样识别合
理的图像变化。不象基于运算法则的方法，统计外形建模技术(SAM)使用自调性、基于知识的软件来计算出变量。这戏剧性地减少编程时间和实际上消除每天的调整。事实上，这个方法通常返回误报率比现有的AOI方法好10~20倍。
SAM是怎样工作的
在显示了一个特殊物体的一系列已知好的样板之后，SAM软件建立一个该物体的灵活的数学模型。当它检查更多样板的时候，软件不断地调整其估量，该物体应该象什么？由于自然尺寸、形状、颜色和表面图案的变化，其外形可怎样地合理变化？不象现有的处方方法，它需要基于用户认为他们了解元件变化的运算法则，SAM是一个经验方法，不要求使用者的内在理解或检查系统的决定。使用者在目标物体周围画一个方块，然后给AOI系统显示一系列的样板。通过观察，SAM软件立即建立在一个可接受的物体中寻找什么的详细模型。
一个SAM模型是在训练周期期间建立的，在这里存储和分析一个所希望的元件类型的样板，确认最重要的变化模式。这允许该AOI系统找出元件变化和未来可能变化方式的特征。然后按照预计元件的图像来评估该SAM模型。如果元件的外形在模型内变化方式所定义的极限之内，软件肯定元件的存在，并且比较其位置的公差。随着新的样板和图像加入到SAM模型，该模型观察变化并调整结合所有的在好图像中看到的视觉差别。这也增加系统区分可接受与不可接受图像的能力，使得误报率随着系统的学习越多而改善。
不象使用刚性模板的处方方法，SAM允许AOI机器自己决定一个元件的哪个方面可能变化，变化多少，没有使用者的直接输入。
在现实环境中，SAM系统必须看大约20块PCB，才可看到它将要遇到的大部分变化。在这个培训阶段，使用者的反馈是需要的。软件将标记看上去要失效的边界线元件，要求使用者确认，以便SAM模型可以相应调整。
精度、可重复性和灵活性
许多传统的AOI系统主要依靠识别元件边缘来达到准确和可重复的测量。一旦边缘找到，利用这些边缘的对称模型通常产生元件在板表面上的坐标。可是，用视觉技术很难找到边缘。因为元件边缘不是完全直线的，将一条直线去配合这种边缘的企图都是有问题的。还有，边缘倾向于是黑色背景上的黑色区域，准确的确认会产生像素噪音变量。
像素不能足够小，以避免一些像素分割的影响，像素分割就是一个物体的细节坐落在两个像素之间。使用基于边缘的处方方法，一个好的视觉系统产生一个标准偏差大约为十分之一像素的可重复性。可是，SAM技术提供标准偏差相当于20分之一像素的可重复性。元件位置上的总变量小于一个像素的十分之三，因此当匹配到一个元件时，改进精度和可重复性。
当检查一个特定元件类型时，SAM的模型是内在灵活的。在吻合一个外形大不相同的合法元件时(如刚性的传统方法)，它会在X和Y轴上移动，企图通过位置(唯一的可变参数)调节达到最佳吻合。通过将一个适当的SAM模型吻合元件 - 其变量受控制，只允许实际上可发生的哪些外形 - 外形调节到最佳位置，而不要妥协X和Y的位置。
例如，某些可允许的元件颜色变量是由于遮蔽或过度曝光临近较大元件所引起的，实际上用传统运算法则是不可能接纳的。因为SAM计算出所允许的图像变更，所以使用者不需要依靠那些要求大量编程的运算法则，或者供应商供应的对不同元件的运算法则库。
SAM方法有效地识别元件和板上的标记和文字变量。传统的基于OCR的技术很难应付印刷质量或外形的变化，但是SAM方法把这种变化识别为只是合理变化的另一种形式而已。
立体视觉光学
传统的AOI系统不能完全接纳PCB外形由于局部弯曲产生的自然三维(3-D)变化，
甚至物理上夹紧一块板都不能保证绝对平面性。现有的AOI方法通常使用远心(telecentric)透镜来从光学上去掉视差与透视的效果。因为高度上的透视效果去掉了，在图像边缘上的物体看上去好象与中间的物体在同一平面上。虽然这消除了光学视差错误，但是应该跟随板表面弧形的点与点之间的测量成为跨过平面弦的直线距离。这造成重要的测量误差和自动去掉有关板表面形状的有价值信息。
通过将SAM技术与两排摄像机的立体视觉安排相结合，这个完整的AOI系统可测量和接纳物体与表面高度，结果在数学上使PCB变平。这些有角度的摄像机提供物体的两个透视，然后计算PCB的高度地图或三维(3-D)表面拓扑图形。在板上任何元件的精确X和Y的位置也通过计入其在板表面的高度来计算。
一些AOI机器使用一个标准板传送带来在摄像机下面移动PCB，通过简单高频荧光管来照明。随着板在传送带上按刻度移动，在摄像机排列之下通过， 通过将图像的立体象对排列构成一幅照相镶嵌图(photo-mosaic image)。然后这个照相镶嵌图合成地变平和实时地分析。
SAM自调性建模技术与立体视觉成像技术的这种结合已经显示出优越于现有AOI技术的精度和可重复性。这个新的AOI技术已经证明是理想地使用于精密和可靠的贴装后与回流前的元件确认和PCB检查。
结论
现有的AOI基于运算法则的系统对于处理发生在今天的PCB与固态元件中的外形变化程度是有困难的。它们依靠软件的运算法则，需要不断的调整，并且要求专业的工程人员来保持其成功地运行。
可是，SAM建模技术与立体视觉机器技术的结合提供内置的灵活性，来准确地确认和识别在PCB上元件外形的合理变化。这改善了整个系统的性能，减少误报，减少用户编程介入，和实际上消除行进中软件工程支持的需要。
对于PCB装配，AOI的优点
视觉检查的特征和板上的电子元件是直接了当的。元件与其下面PCB的形状、尺寸、颜色和表面特征是轮廓分明的，元件可以在板的表面上可预见的位置找到。由于这个简单性，PCB装配的自动检查在25年前成为计算机化的图象分析技术的首例工业应用。
功能强度的AOI技术证明是对传统测试方法的经济、可靠的补充。AOI正成功地作为测量印刷机或元件贴装机性能的过程监测工具。实际的优点包括：
检查和纠正PCB缺陷，在过程监测期间进行的成本远远低于在最终测试和检查之后进行的成
本，通常达到十几倍。
过程表现的趋势 - 贴装位移或不正确的料盘安装 - 可以在整个过程的较早时候发现和纠
正。没有早期检查，重复的太多有相同缺陷的板将在功能测试和最后检查期间被拒绝。
当AOI用于在元件贴放之后、回流之前的元件贴装检查时，较早地发现丢失、歪斜、无放的
元件或极性错误的元件，减少成本高的回流后返修。
回流焊接后的AOI比用于焊点缺陷，如锡桥、破裂焊点、干焊点和其它缺陷，检查的X射线
检查成本低。可是，锡点检查无可争辩地是基于运算法则(Algorithm-based)的AOI系统的最困难的任务，因为可接受外表的变量范围广。
传统AOI系统的局限
基本上，所有AOI方法可描述为，通过一列摄像机或传感器获得一块板的照明图象并数字化，然后分析和与前面定义的“好”图象进行比较。照明来自于一个范围的光源，如白光、发光二极管(LED)和激光。
今天，有许多完善的图象分析技术，包括：模板比较(template-matching)(或自动对比auto-correlation)、边缘检查(edge-detection)、特征提取(feature extraction)、灰度模型(gray modeling)、傅里叶分析(Fourier analysis)、形状、光学特征识别(OCR, optical character recognition)、还有许多。每个技术都有优势和局限。
模板比较(Template-matching)
模板比较决定一个所希望的物体图像平均地看上去象什么，如片状电容或QFP，并用该信息来产生一个刚性的基于像素的模板。这是横越板的图像，在预计物体位置的附近，找出相同的东西。当有关区域的所有点评估之后和找出模板与图像之间有最小差别的位置之后，停止搜寻。为每个要检查的物体产生这种模板，通过在适当的位置使用适当的模板建立对整个板的检查程序，来查找所有要求的元件。
因为元件很少刚好匹配模板，模板是用一定数量的容许误差来确认匹配的，只要当元件图像相当接近模板。如果模板太僵硬，可能产生对元件的“误报”。如果模板松散到接受大范围的可能变量，也会导致误报。
运算法则(Algorithm)
经常，几种流行的图像分析技术结合在一个“处方”内，形成一个运算法则，特别适合于特殊的元件类型。在有许多元件的复杂板上，这可能造成众多的不同运算法则，要求工程师在需要改变或调整时作大量的重新编程。例如，当一个供应商修改一个标准元件时，对该元件的运算法则处方可能需要调整，消耗珍贵的编程时间。还有，相同元件类型的外形可能变化很大，一个不同一个。随着时间的过去，新的变化出现，用户必须调整或“扭转”运算法则来接纳所有可能的变化。
例如，一个0805片电容，可以分类为具有一定尺寸和矩形形状，两条亮边中间包围较黑色的区域。然而，这个外部简单的元件外形当在一个单一的生产运行中光学检查时可以变化很大，如图一所示。
传统的、基于运算法则的AOI方法经常太过严格，以致于不能接纳合理的变化，如对比度、尺寸、形状和阴影。甚至不重要的元件也可能难以可靠地查找和检查，因此造成有元件而系统不能发现的“错误拒绝”。还有，因为可接受与不可接受图像的差别相当细小，运算法则不能区分，引起“错误接收”，真正缺陷不能发现。
为了解决一些这种问题，用户不得不在图像分析领域要有适当的见识。还有，传统的AOI要求不断的和广泛的再编程。用户需要经常调整其AOI方法，以接纳合理的变化。所有这些可花上一到两天作细小的扭转，甚至几周，当对一个新板设计与优化一个检查程序时。
有自调性的、基于知识的AOI
几个AOI供应商已经打破图像处理的传统方法，而正使用有自调性的软件技术。一个方法*是设计将用户从运算法则的复杂性分开。通过显示一系列要确认物体的例子，该方法使用一个令人惊讶的直截了当的数学技术，叫做统计外形建模技术(SAM, statistical appearance modeling)，来自动计算出怎样识别合理的图像变化。不象基于运算法则的方法，统计外形建模技术(SAM)使用自调性、基于知识的软件来计算出变量。这戏剧性地减少编程时间和实际上消除每天的调整。事实上，这个方法通常返回误报率比现有的AOI方法好10~20倍。
SAM是怎样工作的
在显示了一个特殊物体的一系列已知好的样板之后，SAM软件建立一个该物体的灵活的数学模型。当它检查更多样板的时候，软件不断地调整其估量，该物体应该象什么？由于自然尺寸、形状、颜色和表面图案的变化，其外形可怎样地合理变化？不象现有的处方方法，它需要基于用户认为他们了解元件变化的
运算法则，SAM是一个经验方法，不要求使用者的内在理解或检查系统的决定。使用者在目标物体周围画一个方块，然后给AOI系统显示一系列的样板。通过观察，SAM软件立即建立在一个可接受的物体中寻找什么的详细模型。
一个SAM模型是在训练周期期间建立的，在这里存储和分析一个所希望的元件类型的样板，确认最重要的变化模式。这允许该AOI系统找出元件变化和未来可能变化方式的特征。然后按照预计元件的图像来评估该SAM模型。如果元件的外形在模型内变化方式所定义的极限之内，软件肯定元件的存在，并且比较其位置的公差。随着新的样板和图像加入到SAM模型，该模型观察变化并调整结合所有的在好图像中看到的视觉差别。这也增加系统区分可接受与不可接受图像的能力，使得误报率随着系统的学习越多而改善。
不象使用刚性模板的处方方法，SAM允许AOI机器自己决定一个元件的哪个方面可能变化，变化多少，没有使用者的直接输入。
在现实环境中，SAM系统必须看大约20块PCB，才可看到它将要遇到的大部分变化。在这个培训阶段，使用者的反馈是需要的。软件将标记看上去要失效的边界线元件，要求使用者确认，以便SAM模型可以相应调整。
精度、可重复性和灵活性
许多传统的AOI系统主要依靠识别元件边缘来达到准确和可重复的测量。一旦边缘找到，利用这些边缘的对称模型通常产生元件在板表面上的坐标。可是，用视觉技术很难找到边缘。因为元件边缘不是完全直线的，将一条直线去配合这种边缘的企图都是有问题的。还有，边缘倾向于是黑色背景上的黑色区域，准确的确认会产生像素噪音变量。
像素不能足够小，以避免一些像素分割的影响，像素分割就是一个物体的细节坐落在两个像素之间。使用基于边缘的处方方法，一个好的视觉系统产生一个标准偏差大约为十分之一像素的可重复性。可是，SAM技术提供标准偏差相当于20分之一像素的可重复性。元件位置上的总变量小于一个像素的十分之三，因此当匹配到一个元件时，改进精度和可重复性。
当检查一个特定元件类型时，SAM的模型是内在灵活的。在吻合一个外形大不相同的合法元件时(如刚性的传统方法)，它会在X和Y轴上移动，企图通过位置(唯一的可变参数)调节达到最佳吻合。通过将一个适当的SAM模型吻合元件 - 其变量受控制，只允许实际上可发生的哪些外形 - 外形调节到最佳位置，而不要妥协X和Y的位置。
例如，某些可允许的元件颜色变量是由于遮蔽或过度曝光临近较大元件所引起的，实际上用传统运算法则是不可能接纳的。因为SAM计算出所允许的图像变更，所以使用者不需要依靠那些要求大量编程的运算法则，或者供应商供应的对不同元件的运算法则库。
SAM方法有效地识别元件和板上的标记和文字变量。传统的基于OCR的技术很难应付印刷质量或外形的变化，但是SAM方法把这种变化识别为只是合理变化的另一种形式而已。
立体视觉光学
传统的AOI系统不能完全接纳PCB外形由于局部弯曲产生的自然三维(3-D)变化，
甚至物理上夹紧一块板都不能保证绝对平面性。现有的AOI方法通常使用远心(telecentric)透镜来从光学上去掉视差与透视的效果。因为高度上的透视效果去掉了，在图像边缘上的物体看上去好象与中间的物体在同一平面上。虽然这消除了光学视差错误，但是应该跟随板表面弧形的点与点之间的测量成为跨过平面弦的直线距离。这造成重要的测量误差和自动去掉有关板表面形状的有价值信息。
通过将SAM技术与两排摄像机的立体视觉安排相结合，这个完整的AOI系统可测量和接纳物体与表面高度，结果在数学上使PCB变平。这些有角度的摄像机提供物体的两个透视，然后计算PCB的高度地图或三维(3-D)表面拓扑图形。在板上任何元件的精确X和Y的位置也通过计入其在板表面的高度来计算。
一些AOI机器使用一个标准板传送带来在摄像机下面移动PCB，通过简单高频荧光管来照明。随着板在传送带上按刻度移动，在摄像机排列之下通过， 通过将图像的立体象对排列构成一幅照相镶嵌图(photo-mosaic image)。然后这个照相镶嵌图合成地变平和实时地分析。
SAM自调性建模技术与立体视觉成像技术的这种结合已经显示出优越于现有AOI技术的精度和可重复性。这个新的AOI技术已经证明是理想地使用于精密和可靠的贴装后与回流前的元件确认和PCB检查。
结论
现有的AOI基于运算法则的系统对于处理发生在今天的PCB与固态元件中的外形变化程度是有困难的。它们依靠软件的运算法则，需要不断的调整，并且要求专业的工程人员来保持其成功地运行。
可是，SAM建模技术与立体视觉机器技术的结合提供内置的灵活性，来准确地确认和识别在PCB上元件外形的合理变化。这改善了整个系统的性能，减少误报，减少用户编程介入，和实际上消除行进中软件工程支持的需要。
因篇幅问题不能全部显示，请点此查看更多更全内容