SMT 貼片後 AOI 為什麼假陽性率不低？AI 深度學習補強架構 + Cognex 對應方案完整指南
2026-07-01
威視康
236
如果你是 SMT 廠工程師、產線 QA、或電子代工廠採購、這個場景可能不陌生：AOI 系統標記大量 NG、工程師開始人工複檢、複檢過程中發現多數是假陽性（AOI 判為不良、實際看是合格品）。
假陽性率高時、QA 部門每天泡在複檢站前、工時吃到爆量、真正的 QA 工作（CAPA 追蹤、稽核準備、供應商管理）反而擠不出時間做。
問題來了：為什麼一台專業 AOI 設備、假陽性率還是這麼常見？
如果是傳統規則式 AOI（Automated Optical Inspection 自動光學檢測）、答案跟演算法本身的限制有關。這篇用工廠現場語言、拆解 SMT AOI 假陽性 5 個關鍵問題：
（1）為什麼假陽性容易發生、根因在哪？
（2）SMT 產線 5 個檢查站、AOI 該裝哪；
（3）AI 深度學習補強 3 種架構、廠內怎麼選；
（4）Cognex 深度學習視覺工具怎麼幫；
（5）採購建議跟常見誤區。
一、為什麼 SMT AOI 假陽性容易發生？
工程師最常收到的抱怨：「AOI 不會自己判嗎、為什麼還要人工複檢那麼多？」
答案是：傳統 AOI 靠規則式演算法（if...else 判斷）、對電子製造的 3 種變異抓不準。
第一種、光源反射方向難預測
焊點是金屬球狀（BGA 球狀焊點）或短柱狀（chip 零件的焊墊）、鏡面反射方向依 PCB 微小翹曲、零件表面粗糙度、環境振動、都會變。同一個 IPC-A-610（電子產品外觀允收標準、業界通用）合格的焊點、從左邊拍是 Pass、換角度拍可能被判「疑似空焊」。這種角度敏感、傳統演算法無法用規則描述。
第二種、多 SKU 產線切換成本高
SMT 廠通常 1 條線同時跑多款 PCB。每款板的焊點大小、間距、密度不同、閾值要重新設定。閾值太嚴會造成假陽性爆量（AOI 把合格焊點也標 NG）、閾值太寬會漏檢真的 NG（AOI 把不合格焊點放過）。工程師在 AOI 系統前調閾值、是 SMT 廠內每天發生的日常。
第三種、傳統規則式對「連續變異」判斷差
焊點色澤從深咖啡到淺金色都是 IPC 合格範圍、但傳統 AOI 用「if 色澤大於 X 則 NG」規則描述、邊緣案例（marginal case）就落到規則界線兩邊、造成假陽性 / 假陰性兩邊都不穩。焊點色澤是連續光譜、規則式演算法用離散閾值切、抓不準是必然。
三個根因合在一起、傳統 AOI 假陽性率的高低跟廠內設定、產品類型、閾值策略有關。QA 複檢工時如果被假陽性吃掉、真正的品質問題就會被埋在假陽性堆裡看不清。
二、SMT 產線 5 個檢查站、AOI 該裝哪
想解假陽性、先把 SMT 產線流程搞清楚。5 個檢查站依序是：
第一站、SPI（Solder Paste Inspection 錫膏檢測）
錫膏印刷後、進貼片機前。檢查錫膏的體積、面積、位置、有沒有塌陷（slumping）、有沒有偏位。錫膏印壞就直接洗掉重印、不會流到後面。
第二站、Pre-reflow AOI（回焊前 AOI）
貼片機後、進回焊爐前。檢查零件位置、方向、極性（極性零件如電容、二極體、如果貼反了、進回焊爐後很難救）。這站 AOI 相對單純、假陽性率通常低。
第三站、回焊爐
錫膏受熱融化、電子零件焊在 PCB 上。這站不是檢查、是製程。
第四站、Post-reflow AOI（回焊後 AOI）
焊接後、出貨前。檢查焊點品質（空焊、少錫、多錫、橋接、假焊、立碑）、零件是否位移、有沒有異物。假陽性主要發生在這站、因為焊點光澤跟角度敏感、SMT 廠的痛點集中在這裡。
第五站、Final 檢查抽驗
出貨前最後檢查、通常人工目檢加電性測試（ICT / FCT）。
想解 AOI 假陽性、要處理的是第 4 站（Post-reflow AOI）。AI 深度學習補強架構、通常也是加在第 4 站後面、或跟第 4 站並聯運作。
三、AI 深度學習補強 3 種架構、廠內怎麼選
AI 補強不是把 AOI 換掉、是「跟 AOI 一起搭配」。有 3 種常見架構：
架構 1、串聯後置（Post-AOI AI Sorter）
最常見的模式。既有 AOI 標記所有可疑 NG、然後把 NG 樣本送到 AI 相機（例如 Cognex In-Sight D900 內建 ViDi 深度學習）、AI 分類「真 NG / 假陽性」、只把真 NG 送到人工複檢站。
優點：不動既有 AOI 設定、AI 只加在 AOI 後面、部署風險低。適合已有 AOI 但假陽性率高的廠、人工複檢工時通常能顯著縮短。
缺點：如果 AOI 假陽性率過高、送到 AI 的樣本數可能過多、cycle time 需要規劃。這種情況可以先把 AOI 閾值調寬點、減少送到 AI 的樣本量、AI 再過濾。
架構 2、並聯監控（Parallel Verification）
既有 AOI 跟 AI 相機同時看每一片 PCB、兩邊結果比對、只有兩邊都判 NG 才視為真 NG。任一邊判 OK 就視為 OK。
優點：假陽性率最低（雙重確認、AOI 錯的、AI 抓回；AI 錯的、AOI 抓回）。適合對 escape rate（不良流出率）要求極嚴的高單價電子產品廠（如車用電子、醫療電子）。
缺點：cycle time 稍慢（要等兩邊都跑完）、設備成本較高（AOI 加 AI 兩套）。中低價電子產品廠通常不需要這麼嚴。
架構 3、替換式（AI-only）
既有 AOI 直接汰換成 AI 相機、整條產線由 AI 演算法判定。
優點：架構最簡單、閾值調整由 AI 訓練取代、SKU 切換不用重新調閾值。
缺點：AI 訓練樣本要收集、初期部署要留訓練緩衝期、對既有 AOI 資產投資的廠不易接受。適合新產線、或既有 AOI 設備已到汰換規劃。
怎麼選？
如果既有 AOI 還新、假陽性痛點只是「太多」、選架構 1。
如果高單價電子產品、每個不良流出成本極高、選架構 2。
如果新建產線 / 舊 AOI 到汰換規劃 / 產線頻繁改 SKU、選架構 3。
四、Cognex 深度學習視覺工具怎麼幫
Cognex 在 PCB / SMT 領域的產品位置：不是打包式 AOI 供應商（如 Koh Young、Saki、Test Research 這類專做 SMT AOI 設備的廠）、是「機器視覺元件 + AI 深度學習補強方案」供應商。
想像 Cognex 是「工廠內的視覺工具箱」、可以用來組任何視覺檢測站、包含 AI 補強站。廠內買 Cognex 元件、跟既有 AOI 搭配用、不用換掉現有 AOI。
Cognex 3 款主力對應方案
In-Sight D900 深度學習智慧相機：內建 ViDi 深度學習、AI 直接跑在相機裡、不用配 PC。適合產線密集部署、每站一台 D900 掛在 AOI 站後面。
In-Sight 3800 智慧相機：標準規格智慧相機、搭配 VisionPro 軟體跑 ViDi 深度學習、適合客製整合。廠內既有 MES / SCADA / 上位系統的、In-Sight 3800 客製化整合彈性較大。
DataMan 280 條碼讀取器：追蹤每片 PCB 的追溯碼（batch ID + serial number）、AOI 結果對應到序號、產品追溯完整。任何時候都可以追溯「哪片 PCB、哪批、哪天、哪個 AOI 站標了什麼 NG、AI 判定結果如何」。這對 IPC 標準要求可追溯性的高階客戶（車電、醫療、航太）特別重要。
ViDi 深度學習跟一般深度學習框架差在哪？
一般開源框架（TensorFlow / PyTorch）適合資料科學家用、需要自己寫 model、標資料、調超參數。對產線工程師來說門檻很高。
Cognex ViDi 是「工程師版」深度學習：
- UI 拖拉式操作、不用寫程式
- 對工業視覺場景優化、樣本收集門檻相對低
- 內建工業視覺特有的資料增強（rotation、brightness、defocus、noise）、減少 overfitting
- Deploy 到相機直接跑、不用 GPU 伺服器
適合 SMT 廠的產線工程師直接操作、不用配資料科學家。
五、採購建議跟常見誤區
想上 AI 深度學習補強、採購前建議先釐清 3 件事：
第一、AI 深度學習樣本張數要多少？
供應商說「幾百張以上」的通常是資料科學家寫的一般開源方案、對產線工程師不友善。工業視覺專用工具（如 Cognex ViDi）樣本收集門檻通常較低、實際數量依 NG 類型複雜度而異、由工程師跟 VSK / 原廠工程師評估。
第二、AI 部署後、SKU 切換要不要重訓練？
如果每換一款 PCB 都要重訓練 AI、產線切換成本高。工業視覺專用工具通常支援「多 model 切換」、SKU 換完自動載入對應 model、切換成本低。
第三、AI 結果怎麼跟既有 MES 整合？
供應商應該提供標準 protocol（PROFINET、Modbus TCP、MQTT、OPC UA 等工業通訊協定）、不是要客戶自己寫 middleware。整合麻煩的方案通常後期維護成本會爆掉。
3 個常見誤區：
第一、以為「調閾值」就能解假陽性。
傳統 AOI 就是規則式演算法、閾值調得再精細也會有 trade-off（要嘛假陽性爆、要嘛漏檢多）。想真的解、要靠不同的演算法（深度學習）、不是繼續在規則式框架裡調參數。
第二、以為 AI 補強就是「加一台 AI 相機」。
實際上、AI 相機要跟既有 AOI、既有 MES、既有稽核流程整合。稽核時要能追溯「這片 PCB 當時 AOI 判什麼、AI 判什麼、人工複檢結果如何」、追溯鏈完整才 audit-ready。
第三、以為 AI 部署第一天就會比原本準。
AI 需要訓練期、初期樣本累積夠了、判準率才會穩定。新建產線可以直接上 AI、但要留訓練緩衝期、不能期待第一天就跑得比傳統 AOI 好。
結語：假陽性不是「調閾值」的問題
SMT 產線 AOI 假陽性率的高低、跟傳統規則式演算法的天生限制有關、不完全是廠內工程師調閾值的能力問題。想真的解、要用 AI 深度學習補強架構、讓 AI 分類假陽性、讓工程師專注在真的品質問題、讓 QA 專注在稽核跟供應商管理、讓產線效率真正提升。
3 個建議帶回工廠：
第一、假陽性率如果讓 QA 複檢工時壓力大、傳統 AOI 已經到規則式演算法極限、閾值調不動、應該考慮 AI 深度學習補強架構。
第二、AI 補強選架構 1（串聯後置）風險最低、既有 AOI 不動、只加 AI 複檢站。適合絕大多數 SMT 廠起步。
第三、AI 部署要把結果整合進 MES、跟 AOI 跟人工複檢結果一起留紀錄、追溯鏈才完整。稽核時能拿得出證據、才叫 audit-ready。