本文介紹，自動光學檢查(AOI)，作為對在線測試(ICT)的一個有用補充，精確地確認和識別在印刷電路板(PCB)上的元件可變性，因此改進整個系統的性能。

　　對于今天越來越復雜的PCB和固體元件，傳統的ICT與功能測試編程正變得費力和費時。PCB制造商發現，使用針床(bed-of-nails)測試夾具很難獲得對密、細間距板的測試探針的物理空間。為復雜的板編寫功能測試程序是一個令人敬畏的任務，這些板的測試夾具的制造也是昂貴和費時的。為了克服這個障礙，AOI證明是對ICT和功能測試的一個有力的補充。

　　人力檢察員還完成大部分的檢查，但是越來越小的電路板特性已經使得手工檢查不可靠、主觀和容易產生與手工裝配有關的成本和質量問題。人力檢查的可重復性水平低，特別是一個操作員不同于另一個，視覺疲勞不可避免地導致疏忽缺陷。由于這些原因，AOI逐漸地在裝配線上取代人為檢查。

　　對于PCB裝配，AOI的優點

　　視覺檢查的特征和板上的電子元件是直接了當的。元件與其下面PCB的形狀、尺寸、顏色和表面特征是輪廓分明的，元件可以在板的表面上可預見的位置找到。由于這個簡單性，PCB裝配的自動檢查在25年前成為計算機化的圖象分析技術的首例工業應用。

　　功能強度的AOI技術證明是對傳統測試方法的經濟、可靠的補充。AOI正成功地作為測量印刷機或元件貼裝機性能的過程監測工具。實際的優點包括：

　　檢查和糾正PCB缺陷，在過程監測期間進行的成本遠遠低于在最終測試和檢查之后進行的成本，通常達到十幾倍。

　　過程表現的趨勢 - 貼裝位移或不正確的料盤安裝 - 可以在整個過程的較早時候發現和糾正。沒有早期檢查，重復的太多有相同缺陷的板將在功能測試和最后檢查期間被拒絕。

　　當AOI用于在元件貼放之后、回流之前的元件貼裝檢查時，較早地發現丟失、歪斜、無放的元件或極性錯誤的元件，減少成本高的回流后返修。

　　回流焊接后的AOI比用于焊點缺陷，如錫橋、破裂焊點、干焊點和其它缺陷，檢查的X射線檢查成本低�？墒�，錫點檢查無可爭辯地是基于運算法則(Algorithm-based)的AOI系統的最困難的任務，因為可接受外表的變量范圍廣。

　　傳統AOI系統的局限

　　基本上，所有AOI方法可描述為，通過一列攝像機或傳感器獲得一塊板的照明圖象并數字化，然后分析和與前面定義的“好”圖象進行比較。照明來自于一個范圍的光源，如白光、發光二極管(LED)和激光。

　　今天，有許多完善的圖象分析技術，包括：模板比較(template-matching)(或自動對比auto-correlation)、邊緣檢查(edge-detection)、特征提取(feature extraction)、灰度模型(gray modeling)、傅里葉分析(Fourier analysis)、形狀、光學特征識別(OCR, optical character recognition)、還有許多。每個技術都有優勢和局限。

　　模板比較(Template-matching)

　　模板比較決定一個所希望的物體圖像平均地看上去象什么，如片狀電容或QFP，并用該信息來產生一個剛性的基于像素的模板。這是橫越板的圖像，在預計物體位置的附近，找出相同的東西。當有關區域的所有點評估之后和找出模板與圖像之間有最小差別的位置之后，停止搜尋。為每個要檢查的物體產生這種模板，通過在適當的位置使用適當的模板建立對整個板的檢查程序，來查找所有要求的元件。

　　因為元件很少剛好匹配模板，模板是用一定數量的容許誤差來確認匹配的，只要當元件圖像相當接近模板。如果模板太僵硬，可能產生對元件的“誤報”。如果模板松散到接受大范圍的可能變量，也會導致誤報。

　　運算法則(Algorithm)

　　經常，幾種流行的圖像分析技術結合在一個“處方”內，形成一個運算法則，特別適合于特殊的元件類型。在有許多元件的復雜板上，這可能造成眾多的不同運算法則，要求工程師在需要改變或調整時作大量的重新編程。例如，當一個供應商修改一個標準元件時，對該元件的運算法則處方可能需要調整，消耗珍貴的編程時間。還有，相同元件類型的外形可能變化很大，一個不同一個。隨著時間的過去，新的變化出現，用戶必須調整或“扭轉”運算法則來接納所有可能的變化。

　　例如，一個0805片電容，可以分類為具有一定尺寸和矩形形狀，兩條亮邊中間包圍較黑色的區域。然而，這個外部簡單的元件外形當在一個單一的生產運行中光學檢查時可以變化很大，如圖一所示。

　　傳統的、基于運算法則的AOI方法經常太過嚴格，以致于不能接納合理的變化，如對比度、尺寸、形狀和陰影。甚至不重要的元件也可能難以可靠地查找和檢查，因此造成有元件而系統不能發現的“錯誤拒絕”。還有，因為可接受與不可接受圖像的差別相當細小，運算法則不能區分，引起“錯誤接收”，真正缺陷不能發現。

　　為了解決一些這種問題，用戶不得不在圖像分析領域要有適當的見識。還有，傳統的AOI要求不斷的和廣泛的再編程。用戶需要經常調整其AOI方法，以接納合理的變化。所有這些可花上一到兩天作細小的扭轉，甚至幾周，當對一個新板設計與優化一個檢查程序時。

　　有自調性的、基于知識的AOI

　　幾個AOI供應商已經打破圖像處理的傳統方法，而正使用有自調性的軟件技術。一個方法*是設計將用戶從運算法則的復雜性分開。通過顯示一系列要確認物體的例子，該方法使用一個令人驚訝的直截了當的數學技術，叫做統計外形建模技術(SAM, statistical appearance modeling)，來自動計算出怎樣識別合理的圖像變化。不象基于運算法則的方法，統計外形建模技術(SAM)使用自調性、基于知識的軟件來計算出變量。這戲劇性地減少編程時間和實際上消除每天的調整。事實上，這個方法通常返回誤報率比現有的AOI方法好10~20倍。

　　SAM是怎樣工作的

　　在顯示了一個特殊物體的一系列已知好的樣板之后，SAM軟件建立一個該物體的靈活的數學模型。當它檢查更多樣板的時候，軟件不斷地調整其估量，該物體應該象什么?由于自然尺寸、形狀、顏色和表面圖案的變化，其外形可怎樣地合理變化?不象現有的處方方法，它需要基于用戶認為他們了解元件變化的運算法則，SAM是一個經驗方法，不要求使用者的內在理解或檢查系統的決定。使用者在目標物體周圍畫一個方塊，然后給AOI系統顯示一系列的樣板。通過觀察，SAM軟件立即建立在一個可接受的物體中尋找什么的詳細模型。

　　一個SAM模型是在訓練周期期間建立的，在這里存儲和分析一個所希望的元件類型的樣板，確認最重要的變化模式。這允許該AOI系統找出元件變化和未來可能變化方式的特征。然后按照預計元件的圖像來評估該SAM模型。如果元件的外形在模型內變化方式所定義的極限之內，軟件肯定元件的存在，并且比較其位置的公差。隨著新的樣板和圖像加入到SAM模型，該模型觀察變化并調整結合所有的在好圖像中看到的視覺差別。這也增加系統區分可接受與不可接受圖像的能力，使得誤報率隨著系統的學習越多而改善。

　　不象使用剛性模板的處方方法，SAM允許AOI機器自己決定一個元件的哪個方面可能變化，變化多少，沒有使用者的直接輸入。

　　在現實環境中，SAM系統必須看大約20塊PCB，才可看到它將要遇到的大部分變化。在這個培訓階段，使用者的反饋是需要的。軟件將標記看上去要失效的邊界線元件，要求使用者確認，以便SAM模型可以相應調整。

　　精度、可重復性和靈活性

　　許多傳統的AOI系統主要依靠識別元件邊緣來達到準確和可重復的測量。一旦邊緣找到，利用這些邊緣的對稱模型通常產生元件在板表面上的坐標�？墒�，用視覺技術很難找到邊緣。因為元件邊緣不是完全直線的，將一條直線去配合這種邊緣的企圖都是有問題的。還有，邊緣傾向于是黑色背景上的黑色區域，準確的確認會產生像素噪音變量。

　　像素不能足夠小，以避免一些像素分割的影響，像素分割就是一個物體的細節坐落在兩個像素之間。使用基于邊緣的處方方法，一個好的視覺系統產生一個標準偏差大約為十分之一像素的可重復性�？墒�，SAM技術提供標準偏差相當于20分之一像素的可重復性。元件位置上的總變量小于一個像素的十分之三，因此當匹配到一個元件時，改進精度和可重復性。

　　當檢查一個特定元件類型時，SAM的模型是內在靈活的。在吻合一個外形大不相同的合法元件時(如剛性的傳統方法)，它會在X和Y軸上移動，企圖通過位置(唯一的可變參數)調節達到最佳吻合。通過將一個適當的SAM模型吻合元件 - 其變量受控制，只允許實際上可發生的哪些外形 - 外形調節到最佳位置，而不要妥協X和Y的位置。

　　例如，某些可允許的元件顏色變量是由于遮蔽或過度曝光臨近較大元件所引起的，實際上用傳統運算法則是不可能接納的。因為SAM計算出所允許的圖像變更，所以使用者不需要依靠那些要求大量編程的運算法則，或者供應商供應的對不同元件的運算法則庫。

　　SAM方法有效地識別元件和板上的標記和文字變量。傳統的基于OCR的技術很難應付印刷質量或外形的變化，但是SAM方法把這種變化識別為只是合理變化的另一種形式而已。

　　立體視覺光學

　　傳統的AOI系統不能完全接納PCB外形由于局部彎曲產生的自然三維(3-D)變化，

　　甚至物理上夾緊一塊板都不能保證絕對平面性�，F有的AOI方法通常使用遠心(telecentric)透鏡來從光學上去掉視差與透視的效果。因為高度上的透視效果去掉了，在圖像邊緣上的物體看上去好象與中間的物體在同一平面上。雖然這消除了光學視差錯誤，但是應該跟隨板表面弧形的點與點之間的測量成為跨過平面弦的直線距離。這造成重要的測量誤差和自動去掉有關板表面形狀的有價值信息。

　　通過將SAM技術與兩排攝像機的立體視覺安排相結合，這個完整的AOI系統可測量和接納物體與表面高度，結果在數學上使PCB變平。這些有角度的攝像機提供物體的兩個透視，然后計算PCB的高度地圖或三維(3-D)表面拓撲圖形。在板上任何元件的精確X和Y的位置也通過計入其在板表面的高度來計算。

　　一些AOI機器使用一個標準板傳送帶來在攝像機下面移動PCB，通過簡單高頻熒光管來照明。隨著板在傳送帶上按刻度移動，在攝像機排列之下通過， 通過將圖像的立體象對排列構成一幅照相鑲嵌圖(photo-mosaic image)。然后這個照相鑲嵌圖合成地變平和實時地分析。

　　SAM自調性建模技術與立體視覺成像技術的這種結合已經顯示出優越于現有AOI技術的精度和可重復性。這個新的AOI技術已經證明是理想地使用于精密和可靠的貼裝后與回流前的元件確認和PCB檢查。

　　結論

　　現有的AOI基于運算法則的系統對于處理發生在今天的PCB與固態元件中的外形變化程度是有困難的。它們依靠軟件的運算法則，需要不斷的調整，并且要求專業的工程人員來保持其成功地運行。

　　可是，SAM建模技術與立體視覺機器技術的結合提供內置的靈活性，來準確地確認和識別在PCB上元件外形的合理變化。這改善了整個系統的性能，減少誤報，減少用戶編程介入，和實際上消除行進中軟件工程支持的需要。