为什么 AOI 抽色算法容易造成漏检/误判？因为它只看颜色，不看形状与结构
真正的AI是理解，而不是比对
在传统AOI（Automated Optical Inspection）中，「抽色算法（TOC）」是最常被用来判断少锡、空焊、露铜、错件、缺件等常见缺陷的核心手段。
它的逻辑非常明确，只要 ROI 区域内符合「标准亮度 + 标准色度」的色彩点比例落在设定范围内，就判定为 OK；否则判定 NG。
但这套方法在真正的工厂现场，往往有三大痛点：也是所有 AOI 工程师最头痛的地方。
痛点1 ► 光源稍微变化，整个模型就要重做
抽色算法本质是「颜色判定」，但：
- 光源角度一变
- 亮度微调
- 锡膏反光不同
- 基板颜色略有差异
色度三角形、亮度上下限就会完全失效。
图①中的色度三角形用于描述可接受的颜色范围。
在“少锡”场景中，如图②所示，常用的色度设定通常为：红色色度 0–65、绿色色度 0–85、蓝色色度 70–180，用来筛选符合正常焊锡色彩特征的像素点。
色彩抽取算法可依据不同应用需求，通过参数调整实现亮度抽取或色度抽取。
亮度抽取模式中，RGB 色度统一设为 0–180，检测依据仅为亮度区间（见下图①）。
色度抽取模式中，亮度固定为 0–255，则以色度范围作为主要筛选条件（见下图②）。
图①为亮度抽取算法的参数示意图
图②为色度抽取算法的示意图
因此当颜色稍微变化，工程师只能不断调整亮度区间、RGB 范围、比例上下限……因为传统抽色算法没有「泛化能力」，每换产线、换工单就要重做一遍。
痛点2 ► 同一个缺陷，在不同工艺下颜色表现完全不同
以「少锡」为例：
- 炉前的少锡偏亮
- 炉后的少锡偏暗、有氧化
- 有些厂用水溶锡膏，有些用免清洗锡膏
- 不同黄光清晰度不同
颜色根本没办法用一个三角形概括；且预设的 RGB 范围往往不准确，导致误检、漏检反复出现。
痛点3 ► 抽色算法是「单像素逻辑」
抽色算法判断的是：单一像素是否在亮度＋色度的标准范围，但实际缺陷是「结构性」的，例如少锡的特征是：
- 面积变小
- 形状异常
- 反光不规则
- 锡面纹理断裂
传统 TOC 完全看不到这些，只能靠像素颜色。因此容易被反光迷惑、容易把阴影误判为少锡、也会把亮面金属误判为露铜。
AI 的突破点在于：它不再依赖颜色，而是靠「视觉特征」与「形状纹理」本身。
以下是 AI 相较于抽色算法的三大显著优势，AI 模型学的是形状、纹理、元件几何、凸起与凹陷的分布、正常样本的整体特征。
这代表即使光源变亮或变暗，AI 依然能够辨识少锡、空焊、缺件的结构特征，无需依赖色度三角形和亮度上下限，光源变化也无需让工程师重做模型，可从「金版」直接自动学习。
传统抽色算法需要工程师定义RGB 范围、亮度上下限、比例阈值、ROI 大小等参数，而AI AOI 只需拍一张金样本，AI 即可自动建立标准模型，并自动学习：
✅金样本的锡面形状
✅正常焊点纹理
✅元件几何
✅光影特性
✅基板材质差异
无需设定数十个参数，工艺变化也不需要重做设定。
缺陷判断从「像素」跨越到「结构」，AI 的辨识逻辑是：
✅判断锡面的完整度
✅判断面积的异常
✅判断元件是否偏移
✅判断是否有异物
✅判断纹理是否正常
✅判断缺陷是否符合“错件”／“缺件”的真正形貌
而非判断「这些像素是不是 R 在 60–90 之间？」这让 AI 在少锡、空焊、翻件、偏移、缺件、锡裂、错件等检测上，远比抽色算法更稳定。
传统抽色算法 vs AI AOI 的本质差异
抽色算法在 AOI 历史上非常重要，它让早期 AOI 得以进入工厂、落地应用。
但 SMT/PCBA 工艺越来越复杂、材料越来越多元，「只靠颜色判断缺陷」已经不符合当前的品质要求。
而AI 本质是在做一件事：让 AOI 从「基于颜色」进化到「基于视觉理解」，真正做到：
✅不依赖光源一致性
✅不再需要大量手动设定
✅泛化能力更强
✅更稳、更准、更可控
📞欢迎致电咨询：400 699 0222
AI视觉质检、视频监控分析、AOI设备合作等需求
微链道爱期待为您提供
专业、可靠、定制化的视觉认知解决方案
