本文介绍，自动光学检查(AOI)，作为对在线测试(ICT)的一个有用补充，精确地确认和识别在印刷电路板(PCB)上的元件可变性，因此改进整个系统的性能。
对于今天越来越复杂的PCB和固体元件，传统的ICT与功能测试编程正变得费力和费时。PCB制造商发现，使用针床(bed-of-nails)测试夹具很难获得对密、细间距板的测试探针的物理空间。为复杂的板编写功能测试程序是一个令人敬畏的任务，这些板的测试夹具的制造也是昂贵和费时的。为了克服这个障碍，AOI证明是对ICT和功能测试的一个有力的补充。
人力检察员还完成大部分的检查，但是越来越小的电路板特性已经使得手工检查不可靠、主观和容易产生与手工装配有关的成本和质量问题。人力检查的可重复性水平低，特别是一个操作员不同于另一个，视觉疲劳不可避免地导致疏忽缺陷。由于这些原因，AOI逐渐地在装配线上取代人为检查。
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。
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。
