AOI检测误判的界说及保存原困、 检测误判的界说及保存原困、检测误判的界说及保存原困误判的三种明确及爆发缘故原由可以分为以下几点：

1、元件及焊点原来有爆发不良的倾向，，，，，但处于允收规模。。。
。如元件原来爆发了偏移，，，，，但在允收规模内；；；
；；此类误判主要是由于阙值设 定过严造成的，，，，，也可能是其自己介于不良与良品标准之间，，，，，AOI与MV(人工目检)确认造成的误差，，，，，此类误判是可以通过调解及 与MV协调标准来降低。。。
。
2、元件及焊点无不良倾向，，，，，但由于DFM设计时未思量AOI的可测性，，，，，而造成AOI判断良与否有一定的难度，，，，，为包管检出效果，，，，，将 引入一些误判。。。
。如焊盘设计的过窄或过短，，，，，AOI举行检测时较难举行很准确的判断，，，，，此类情形所造成的误判较难消除，，，，，除非刷新 DFM或放弃此类元件的焊点不良检测。。。
。

3、由于AOI依赖反射光来举行剖析和判断，，，，，但有时光会受到一些随机因素的滋扰而造成误判。。。
。如元件焊端有脏物或焊盘侧的印制 线有部分未完全举行涂敷有部分裸露，，，，，从而造成搜索不良等。。。
。并且检测项目越多，，，，，可能造成的误报也会稍多。。。
。此类误报属随机误 报，，，，，无法消除。。。
。
基于此，，，，，AOI业界普遍保存一个共识，，，，，即AOI误报不可阻止，，，，，但可以镌汰。。。
。业界公认的理想状态下可吸收误测为3000PPM以内
现在人工智能的生长，，，，，机械视觉已引入深度学习算法，，，，，将会镌汰AOI检测误判，，，，，后面我们再与各人一起交流人工智能新手艺AOI装备，，，，，智能图像剖析手艺的深度学习算法。。。
。

更多详情敬请关注以下二维码