Khả Năng Phát Hiện Lỗi Nhỏ Của AOI Trong Sản Xuất

Các hệ thống AOI truyền thống có thể xử lý hiệu quả nhiều bài toán kiểm tra ngoại quan, nhưng các khuyết tật kích thước nhỏ, hình dạng phức tạp hoặc có đặc điểm không đồng nhất đặt ra yêu cầu cao hơn về năng lực nhận diện. Khả năng phát hiện lỗi nhỏ của AOI cần được xem xét cả ở góc độ phần cứng lẫn phương pháp phân tích hình ảnh. Đây cũng là điểm AI Vision và Deep Learning có thể mở rộng năng lực kiểm tra tự động trên dây chuyền sản xuất.

SotaVision phát triển giải pháp AI Vision nhằm nâng cao khả năng phát hiện lỗi nhỏ của AOI trong các bài toán kiểm tra yêu cầu độ chính xác và tốc độ cao. AI/Deep Learning hỗ trợ nhận diện các đặc điểm khuyết tật phức tạp, giảm phụ thuộc vào rule-based inspection và tăng khả năng phân biệt OK/NG. Kết hợp AI Vision với camera, hệ thống chiếu sáng và hạ tầng AOI hiện hữu, SotaVision hướng đến khả năng phát hiện lỗi nhỏ của AOI ổn định, chính xác hơn trên dây chuyền sản xuất.

Khả Năng Phát Hiện Lỗi Nhỏ Của AOI Đến Đâu?

Khả năng phát hiện lỗi nhỏ của AOI không có một ngưỡng chung áp dụng cho mọi hệ thống. Mỗi cấu hình AOI sẽ tạo ra một mức độ chi tiết hình ảnh khác nhau, quyết định trực tiếp đến khả năng phát hiện lỗi nhỏ của AOI trong từng ứng dụng. Camera, ống kính, trường nhìn (Field of View), khoảng cách chụp và độ phân giải trên mỗi pixel đều cần được lựa chọn tương ứng với kích thước khuyết tật cần kiểm tra.

Kích thước lỗi mục tiêu càng nhỏ, yêu cầu về độ phân giải hình ảnh và cấu hình quang học càng cao. Do đó, đánh giá khả năng phát hiện lỗi nhỏ của AOI cần gắn với sản phẩm, loại khuyết tật và điều kiện kiểm tra cụ thể thay vì chỉ dựa trên thông số thiết bị.

Ngưỡng Kích Thước Lỗi Tối Thiểu Có Thể Phát Hiện Theo mm/µm

Về mặt kỹ thuật, khả năng phát hiện lỗi nhỏ của AOI có thể được đánh giá dựa trên mối quan hệ giữa trường nhìn (Field of View), độ phân giải cảm biến và số pixel cần thiết để nhận diện một khuyết tật. Công thức xác định kích thước lỗi tối thiểu có thể phát hiện được biểu diễn như sau:

Kích thước lỗi tối thiểu = Trường nhìn của camera (mm) × Số pixel tối thiểu cần thiết để nhận diện lỗi / Tổng số pixel của cảm biến theo chiều tương ứng.

Thông thường, một khuyết tật cần khoảng 2–4 pixel để hệ thống có đủ dữ liệu hình ảnh phục vụ nhận diện. Chẳng hạn, camera có 1.200 pixel theo chiều dọc, trường nhìn 60 mm và ngưỡng phát hiện 2 pixel sẽ cho kích thước lỗi tối thiểu khoảng 0,1 mm. Đây là cơ sở quan trọng để xác định khả năng phát hiện lỗi nhỏ của AOI theo cấu hình camera và phạm vi quan sát thực tế.

Trong sản xuất PCB, khả năng phát hiện lỗi nhỏ của AOI có thể đạt mức chi tiết cao hơn nhờ các hệ thống thị giác máy hiện đại: 

• Hệ thống có thể ghi nhận hình ảnh ở độ phân giải xuống đến vài micromet.
• Sau đó đối chiếu với hình ảnh bo mạch chuẩn (golden board) hoặc cơ sở dữ liệu gồm hình ảnh lỗi và không lỗi đã được huấn luyện trước. 

Phương pháp này mở rộng khả năng phát hiện lỗi nhỏ của AOI, đặc biệt trong các bài toán kiểm tra ngoại quan có yêu cầu cao về kích thước khuyết tật. 

Độ Phân Giải Camera Và Mật Độ Pixel Trong Phát Hiện Lỗi Kích Thước Nhỏ

Độ phân giải là yếu tố quan trọng quyết định khả năng phát hiện lỗi nhỏ của AOI, thường được biểu thị bằng số micromet trên mỗi pixel. Con số càng nhỏ, hệ thống càng có khả năng phân biệt các chi tiết tinh vi. Với linh kiện 0201 và IC chân cực mật độ cao có khoảng cách chân 0,4–0,5 mm, hệ thống thường cần độ phân giải khoảng 10–15 micromet/pixel.

Một cấu hình phần cứng điển hình có thể sử dụng camera công nghiệp CMOS 16 megapixel, kết hợp ống kính zoom tiêu cự 6–12 mm, khẩu độ tối đa f/1.6, cho ảnh gốc 4608 × 3456 pixel trước khi cắt và xử lý theo kích thước bo mạch. Cấu hình camera và ống kính phù hợp là nền tảng để đảm bảo khả năng phát hiện lỗi nhỏ của AOI trong từng ứng dụng kiểm tra.

Loại linh kiện / khoảng cách chân	Độ phân giải cần thiết
Linh kiện tiêu chuẩn (0603, 0805)	20–30 micromet/pixel
Linh kiện 0201, IC chân cực 0,4–0,5 mm	10–15 micromet/pixel
Kiểm tra wafer bán dẫn	Dưới micromet đến nanomet

Giới Hạn Quang Học Ảnh Hưởng Đến Khả Năng Phát Hiện Lỗi Nhỏ Của AOI

Ngay cả khi camera có độ phân giải cao, khả năng phát hiện lỗi nhỏ của AOI vẫn bị giới hạn bởi bản chất của hình ảnh 2D bề mặt. AOI không thể nhìn xuyên vào bên trong mối hàn, dưới gói BGA hoặc vào trong via. Các lỗ rỗng (voids) trong viên hàn BGA, vốn là mối lo ngại lớn về độ tin cậy, hoàn toàn vô hình đối với kiểm tra quang học. Các trường hợp đoản mạch bên dưới linh kiện có khoảng hở thấp, mối hàn hở dưới QFN, hoặc bất kỳ lỗi nào bị che khuất bởi thân linh kiện đều đòi hỏi kiểm tra bằng tia X thay vì AOI.

Xem thêm: AOI Là Gì? Nguyên Lý Hoạt Động, Ưu Điểm & Ứng Dụng AOI

Các Nhóm Lỗi Nhỏ Có Khả Năng Phát Hiện Cao Với AOI

Dù có giới hạn về quang học và độ phân giải, khả năng phát hiện lỗi nhỏ của AOI vẫn đạt hiệu quả cao đối với các khuyết tật nằm trên bề mặt và có thể được camera ghi nhận trực tiếp. Khả năng phát hiện lỗi nhỏ của AOI đặc biệt phù hợp với các lỗi có hình dạng, vị trí hoặc kích thước đủ rõ trên ảnh kiểm tra.

Lỗi Hàn Vi Mô Trên PCB Theo Tiêu Chuẩn IPC-A-610

IPC-A-610 là tiêu chuẩn được sử dụng rộng rãi để đánh giá khả năng chấp nhận của các cụm lắp ráp điện tử, bao gồm tiêu chí về mối hàn, gắn linh kiện, độ nhô chân linh kiện và độ sạch bề mặt. Tiêu chuẩn phân loại sản phẩm thành 3 lớp, trong đó Lớp 3 áp dụng cho các sản phẩm yêu cầu độ tin cậy cao và điều kiện vận hành khắt khe nhất. 

Lớp IPC-A-610	Đối tượng áp dụng	Mức độ khắt khe
Lớp 1	Điện tử tiêu dùng phổ thông	Chấp nhận một số khiếm khuyết thẩm mỹ không ảnh hưởng chức năng
Lớp 2	Sản phẩm dịch vụ chuyên dụng, máy tính	Yêu cầu cao hơn về độ bền và độ tin cậy
Lớp 3	Hàng không, y tế, thiết bị hiệu năng cao	Yêu cầu nghiêm ngặt, dung sai thấp

Các lỗi hàn vi mô thường được AOI nhận diện gồm mối hàn lạnh, thiếu hàn, hàn dư gây cầu nối giữa các chân và hiện tượng tombstoning. Đặc điểm hình ảnh của các lỗi này tạo điều kiện thuận lợi cho hệ thống ghi nhận, phân tích và phân loại tự động.

Do đó, khả năng phát hiện lỗi nhỏ của AOI có thể đạt hiệu quả cao đối với các lỗi hàn có vị trí và đặc điểm hình ảnh rõ ràng. Cấu hình camera, độ phân giải, hệ thống chiếu sáng và thuật toán kiểm tra vẫn là các yếu tố quyết định khả năng phát hiện lỗi nhỏ của AOI trong từng ứng dụng PCB cụ thể.

Lỗi Lệch Vị Trí Linh Kiện Ở Mức Sai Số Dưới 0.1mm

Độ lệch (offset) là một trong những thông số quan trọng trong kiểm tra vị trí linh kiện, được xác định bằng khoảng cách giữa vị trí thực tế của linh kiện và tâm pad mục tiêu. Ở công đoạn pre-reflow AOI, hệ thống sẽ đối chiếu sai lệch với ngưỡng đã thiết lập, phát cảnh báo và loại sản phẩm không đạt khỏi dây chuyền khi vượt giới hạn cho phép. Năng lực đo chính xác sai lệch ở kích thước nhỏ phản ánh rõ khả năng phát hiện lỗi nhỏ của AOI trong kiểm soát chất lượng.

Khi được trang bị độ phân giải camera phù hợp, khả năng phát hiện lỗi nhỏ của AOI có thể đáp ứng các sai lệch dưới 0,1 mm. Mức độ chính xác này đặc biệt có giá trị trên dây chuyền sản xuất số lượng lớn, nơi mắt thường khó duy trì khả năng nhận diện đồng nhất đối với những sai lệch rất nhỏ. Qua đó, khả năng phát hiện lỗi nhỏ của AOI hỗ trợ kiểm soát ổn định vị trí linh kiện và hạn chế sản phẩm không đạt đi tiếp sang công đoạn sau.

Vết Trầy Xước Và Khuyết Tật Bề Mặt Kích Thước Nhỏ Trên PCB, Vỏ Sản Phẩm

Ở công đoạn kiểm tra bare board, AOI có thể nhận diện các khuyết tật nhỏ như đoản mạch, hở mạch và lệch lỗ khoan trước khi PCB chuyển sang công đoạn hàn và gắn linh kiện. Đối với bề mặt vỏ sản phẩm, khả năng phát hiện lỗi nhỏ của AOI cũng được thể hiện qua khả năng nhận diện các vết trầy xước, điểm rỗ hoặc biến dạng có kích thước nhỏ.

Sai Lệch Kích Thước Và Hình Dạng Chi Tiết Cơ Khí Với Dung Sai Hẹp

Trong sản xuất cơ khí chính xác, khả năng phát hiện lỗi nhỏ của AOI phụ thuộc vào mức độ phân giải cần thiết cho từng ứng dụng, đặc biệt khi sai lệch chỉ ở mức vài chục micromet.

Dựa trên công thức xác định kích thước lỗi tối thiểu, nhà sản xuất có thể lựa chọn trường nhìn (Field of View) và độ phân giải camera phù hợp với yêu cầu kiểm tra. Cấu hình chính xác giúp tối ưu khả năng phát hiện lỗi nhỏ của AOI, đảm bảo hệ thống nhận diện được các sai lệch kích thước ở mức vài chục micromet hoặc nhỏ hơn. 

Các Giới Hạn Trong Khả Năng Phát Hiện Lỗi Nhỏ Của AOI

Khả năng phát hiện lỗi nhỏ của AOI vẫn có những giới hạn nhất định, đặc biệt với các khuyết tật nằm ngoài phạm vi quan sát của camera hoặc có kích thước vượt quá năng lực phân giải của hệ thống. Đặc điểm bề mặt, độ tương phản và điều kiện hình ảnh cũng ảnh hưởng trực tiếp đến khả năng phát hiện lỗi nhỏ của AOI, khiến một số dạng khuyết tật khó được nhận diện ổn định dù hệ thống được cấu hình ở độ phân giải cao.

Lỗi Ẩn Bên Trong Linh Kiện Không Thể Ghi Nhận Qua Hình Ảnh Bề Mặt

Khả năng phát hiện lỗi nhỏ của AOI dựa trên hình ảnh quang học của bề mặt, nên hệ thống chỉ có thể nhận diện những khuyết tật nằm trong vùng quan sát của camera. Các lỗi bị che khuất hoặc nằm bên trong cấu trúc linh kiện sẽ vượt ngoài phạm vi của khả năng phát hiện lỗi nhỏ của AOI. Cụ thể:

• Khuyết tật bên trong mối hàn: AOI không thể quan sát trực tiếp các lỗi nằm bên trong mối hàn, như lỗ rỗng (void) trong mối hàn BGA.
• Khuyết tật bên dưới linh kiện: Đoản mạch dưới các package có khoảng hở thấp, mối hàn hở dưới QFN hoặc lỗi bị che bởi thân linh kiện nằm ngoài khả năng phát hiện lỗi nhỏ của AOI. Các trường hợp này thường cần kiểm tra bằng X-ray.
• Khuyết tật bên trong via: Camera AOI không thể quan sát trực tiếp các lỗi nằm sâu bên trong via hoặc cấu trúc mạch.
• Lỗi chức năng và thông số: Các vấn đề như sai giá trị linh kiện, lập trình IC không chính xác hoặc hiệu năng tham số nằm ngoài giới hạn không thể được xác định chỉ bằng kiểm tra quang học.

Sai Khác Tinh Vi Về Màu Sắc Và Độ Trong Suốt Trong Kiểm Tra 2D

Các hệ thống AOI 2D chịu ảnh hưởng đáng kể từ điều kiện ánh sáng môi trường, có thể gây biến dạng hình ảnh thu được và làm tăng tỷ lệ đánh giá sai. Nghiên cứu về YOLO-pdd cũng chỉ ra rằng AOI dễ bị tác động bởi điều kiện quang học, ảnh hưởng đến độ chính xác trong quá trình phát hiện khuyết tật PCB. 

Điều trên tác động trực tiếp đến khả năng phát hiện lỗi nhỏ của AOI, đặc biệt đối với các khuyết tật có kích thước nhỏ hoặc đặc điểm hình ảnh không rõ ràng. Các nhà sản xuất có thể kết hợp AOI 3D hoặc kiểm tra bằng tia X (AXI) nhằm bổ sung dữ liệu hình ảnh và mở rộng khả năng phát hiện lỗi nhỏ của AOI trong những ứng dụng có yêu cầu kiểm tra phức tạp.

Bên cạnh điều kiện ánh sáng, những sai khác tinh vi về màu sắc, độ bóng hoặc độ trong suốt cũng có thể làm giảm khả năng phát hiện lỗi nhỏ của AOI. Chẳng hạn, camera 2D có thể khó phân biệt ổn định giữa lớp phủ đạt chuẩn và lớp phủ mỏng hơn tiêu chuẩn vài phần trăm nếu mức độ tương phản trên hình ảnh quá thấp. 

Hệ thống chiếu sáng chuyên biệt, góc chiếu phù hợp và thuật toán xử lý hình ảnh được tối ưu theo từng loại bề mặt có thể cải thiện khả năng phát hiện lỗi nhỏ của AOI, đặc biệt trong các bài toán kiểm tra yêu cầu phân biệt những thay đổi rất nhỏ về đặc tính bề mặt.

Khuyết Tật Có Kích Thước Dưới Ngưỡng Phân Giải Của Hệ Thống Quang Học

Khả năng phát hiện lỗi nhỏ của AOI phụ thuộc trực tiếp vào ngưỡng phân giải mà hệ thống quang học có thể đạt được. Khi kích thước khuyết tật nhỏ hơn mức chi tiết mà trường nhìn (FOV), mật độ pixel và camera có thể ghi nhận, hình ảnh thu được không chứa đủ thông tin để hệ thống xác định lỗi. Một số trường hợp điển hình gồm:

• Khuyết tật nhỏ hơn kích thước pixel: Lỗi có kích thước quá nhỏ có thể chỉ tạo ra tín hiệu trên một phần rất nhỏ của pixel, khiến khả năng phát hiện lỗi nhỏ của AOI bị giới hạn.
• Chi tiết không đủ độ tương phản: Khuyết tật có kích thước nhỏ nhưng độ tương phản thấp dễ bị hòa vào nền hình ảnh, làm giảm khả năng phân biệt OK/NG.
• Giới hạn của hệ thống quang học: Thuật toán xử lý hình ảnh dù có độ chính xác cao cũng không thể khôi phục đầy đủ thông tin hình ảnh đã bị mất do giới hạn độ phân giải.

Một ví dụ điển hình xuất hiện trong sản xuất TFT-LCD, nơi các khuyết tật vi mô phát sinh trong công đoạn xử lý mảng TFT có thể ảnh hưởng đáng kể đến tỷ lệ sản phẩm đạt chuẩn. Những khuyết tật có kích thước rất nhỏ đặt ra thách thức lớn cho các phương pháp kiểm tra quang học truyền thống. 

Các Yếu Tố Quyết Định Khả Năng Phát Hiện Lỗi Nhỏ Của AOI

Yếu tố	Vai trò đối với khả năng phát hiện lỗi nhỏ của AOI
Camera & ống kính	Xác định độ chi tiết, độ sắc nét và giới hạn kích thước lỗi có thể ghi nhận.
Chiếu sáng & góc chụp	Tạo độ tương phản, hạn chế phản xạ và bóng đổ, hỗ trợ nhận diện khuyết tật nhỏ.
Thuật toán xử lý ảnh	Phân tích đặc điểm khuyết tật; AI/Deep Learning có thể xử lý các biến thể phức tạp hơn rule-based.
Defect threshold	Cân bằng giữa khả năng bắt lỗi nhỏ và tỷ lệ false call.

Trong đó, camera và ống kính tạo ra giới hạn vật lý cho khả năng phát hiện lỗi nhỏ của AOI. Camera có độ phân giải cao chưa đủ nếu trường nhìn quá lớn hoặc ống kính gây méo, giảm độ sắc nét. Cấu hình cần được lựa chọn dựa trên kích thước sản phẩm, FOV và kích thước khuyết tật mục tiêu.

Hệ thống chiếu sáng cũng có ảnh hưởng lớn đến chất lượng hình ảnh đầu vào. Phản xạ trên bề mặt PCB, bóng đổ hoặc ánh sáng không đồng đều có thể làm thay đổi đặc điểm của vùng lỗi, khiến khả năng phát hiện lỗi nhỏ của AOI giảm hoặc tạo thêm false call. Ánh sáng cần được thiết kế phù hợp với vật liệu, hình dạng bề mặt và loại khuyết tật cần kiểm tra.

Ở lớp xử lý, AI/Deep Learning có thể hỗ trợ khả năng phát hiện lỗi nhỏ của AOI trong các trường hợp đặc điểm lỗi thay đổi giữa các mẫu sản phẩm. Các nghiên cứu về AOI PCB cho thấy hướng tiếp cận dựa trên machine learning ngày càng được sử dụng để phát hiện và phân loại khuyết tật, đặc biệt trong những bài toán mà phương pháp xử lý cố định gặp giới hạn.

Cuối cùng, defect threshold quyết định mức độ nhạy thực tế của hệ thống. Ngưỡng quá cao có thể bỏ sót các khuyết tật nhỏ; ngưỡng quá thấp lại làm tăng false call. Bởi vậy, tối ưu khả năng phát hiện lỗi nhỏ của AOI cần hướng đến sự cân bằng giữa độ nhạy, tỷ lệ false call và tốc độ kiểm tra trên dây chuyền.

Khả Năng Phát Hiện Lỗi Nhỏ Của AOI So Với Kiểm Tra Thủ Công

So sánh khả năng phát hiện lỗi nhỏ của AOI với kiểm tra thủ công cho thấy hai phương pháp có điểm mạnh khác biệt rõ rệt, và sự khác biệt lớn nhất không nằm ở độ chính xác tại một thời điểm, mà ở tính nhất quán theo thời gian.

Giới Hạn Thị Giác Con Người Trong Phát Hiện Khuyết Tật Kích Thước Nhỏ

Khả năng phát hiện lỗi nhỏ của AOI có lợi thế rõ rệt khi so sánh với kiểm tra thủ công trong các công đoạn yêu cầu quan sát liên tục với số lượng sản phẩm lớn. Mắt người có thể nhận diện khuyết tật tốt trong điều kiện lý tưởng, nhưng khả năng duy trì độ tập trung suy giảm theo thời gian, đặc biệt khi phải kiểm tra hàng nghìn hình ảnh hoặc sản phẩm có đặc điểm tương đồng.

Theo Oxmaint, sự chú ý thị giác có thể giảm 25–40% sau 45 phút kiểm tra liên tục, trong khi tỷ lệ phát hiện lỗi giảm từ khoảng 85% trong giờ đầu tiên xuống 55% vào giờ thứ tư.

Một số giới hạn thường gặp của kiểm tra thủ công gồm:

• Suy giảm khả năng tập trung: Kiểm tra lặp lại trong thời gian dài có thể làm giảm mức độ chú ý, ảnh hưởng trực tiếp đến khả năng nhận diện khuyết tật nhỏ.
• Khó duy trì độ ổn định: Cùng một loại lỗi có thể được đánh giá khác nhau giữa các thời điểm hoặc giữa các nhân sự kiểm tra.
• Khối lượng kiểm tra lớn: Hàng nghìn sản phẩm hoặc hình ảnh trong mỗi ca làm tăng nguy cơ bỏ sót các lỗi có kích thước nhỏ.
• Phụ thuộc vào điều kiện làm việc: Ánh sáng, thời gian làm việc và mức độ lặp lại của công đoạn đều có thể ảnh hưởng đến hiệu quả quan sát.

Một trường hợp thực tế cho thấy giới hạn này rõ hơn. Trong quá trình kiểm tra 4.200 hình ảnh trong một ca làm việc, một thanh tra viên đã bỏ sót vết nứt do ăn mòn ứng suất rộng 3,2 mm, dù kích thước này cao hơn ngưỡng phát hiện 1 mm của camera được sử dụng. Sự cố đường ống xảy ra vài tháng sau đó, cho thấy khả năng phát hiện lỗi nhỏ của AOI không chỉ cần được xem xét theo kích thước khuyết tật mà còn cần đặt cạnh khả năng duy trì độ ổn định trong kiểm tra liên tục.

Xem thêm: AOI và Kiểm Tra Thủ Công: AOI Có Thể Thay Thế Không?

Tốc Độ Và Độ Ổn Định Của AOI Trong Kiểm Tra Liên Tục Theo Ca Sản Xuất

Ngược lại với kiểm tra thủ công, hệ thống thị giác máy có thể duy trì tiêu chí phân tích nhất quán qua số lượng hình ảnh rất lớn. Theo nghiên cứu của Oxmaint, hệ thống đạt 94% độ chính xác phát hiện lỗi, xử lý mỗi ảnh trong khoảng 0,3 giây và duy trì mức độ chính xác tương tự từ hình ảnh đầu tiên đến các tập dữ liệu có quy mô rất lớn. Độ chính xác đo kích thước đạt khoảng ±0,2 mm. Những đặc điểm này cho thấy khả năng phát hiện lỗi nhỏ của AOI có lợi thế rõ rệt trong các dây chuyền cần kiểm tra liên tục với số lượng sản phẩm cao.

So sánh giữa AOI và kiểm tra thủ công có thể được tổng hợp qua các tiêu chí chính:

Tiêu chí	Kiểm tra bằng AOI	Kiểm tra thủ công
Tốc độ xử lý	Khoảng 0,3 giây/ảnh	8–15 giây/ảnh
Đo kích thước	Khoảng ±0,2 mm	Phụ thuộc người kiểm tra
Độ ổn định	Duy trì nhất quán	Suy giảm theo thời gian
Phát hiện lỗi nhỏ	Theo cấu hình camera, quang học và thuật toán	Phụ thuộc thị lực, kinh nghiệm và mức độ tập trung

Các Trường Hợp Kiểm Tra Thủ Công Có Lợi Thế Về Đánh Giá Ngữ Cảnh

Dù có ưu thế về tốc độ và tính nhất quán, khả năng phát hiện lỗi nhỏ của AOI vẫn phụ thuộc vào chất lượng hình ảnh đầu vào, cấu hình quang học, thuật toán và loại khuyết tật. Kiểm tra thủ công vẫn có giá trị trong những trường hợp cần đánh giá ngữ cảnh, nhận diện bất thường chưa từng xuất hiện trong dữ liệu hoặc đưa ra phán đoán kỹ thuật dựa trên kinh nghiệm. Do đó, mô hình kết hợp AOI + nhân sự QC có thể tận dụng khả năng kiểm tra ổn định của máy cùng năng lực đánh giá ngữ cảnh của con người.

False Call Khi Tăng Độ Nhạy Phát Hiện Lỗi Nhỏ

Tăng độ nhạy có thể cải thiện khả năng phát hiện lỗi nhỏ của AOI, nhưng cũng làm tăng nguy cơ hệ thống đánh dấu nhầm những biến thiên hình ảnh vẫn nằm trong giới hạn chấp nhận. False call xảy ra khi AOI nhận diện một sản phẩm đạt chuẩn thành NG, kéo theo thời gian kiểm tra lại và ảnh hưởng đến hiệu suất dây chuyền.

Bài toán đặt ra là cân bằng giữa khả năng phát hiện lỗi nhỏ của AOI và tỷ lệ false call. Ngưỡng quá chặt có thể bắt được nhiều sai khác nhỏ nhưng tạo thêm cảnh báo không cần thiết; ngưỡng quá rộng lại làm tăng nguy cơ bỏ sót lỗi thực tế. Phần này sẽ phân tích mối quan hệ giữa độ nhạy, defect threshold, false call và hiệu suất vận hành, qua đó xác định mức thiết lập phù hợp cho từng ứng dụng kiểm tra.

Mối Quan Hệ Giữa Ngưỡng Phát Hiện Và Tỷ Lệ False Call

Khả năng phát hiện lỗi nhỏ của AOI thường tăng khi ngưỡng phát hiện được thiết lập nhạy hơn. Tuy nhiên, ngưỡng càng chặt cũng khiến hệ thống dễ phản ứng với những biến thiên vô hại của hình ảnh, làm tăng false call. Siemens ghi nhận AOI có thể tạo ra 20–80% cảnh báo giả (NFF – No Fault Found) trong tổng số cảnh báo, khiến nhiều trường hợp phải được nhân sự kiểm tra lại thủ công.

Mối quan hệ giữa độ nhạy và false call có thể hình dung qua các trường hợp sau:

• Ngưỡng quá cao: tăng nguy cơ bỏ sót khuyết tật nhỏ, làm giảm khả năng phát hiện lỗi nhỏ của AOI.
• Ngưỡng quá thấp: hệ thống nhạy hơn với những sai khác nhỏ về hình ảnh, từ đó tăng false call.
• Ngưỡng cân bằng: duy trì khả năng phát hiện lỗi nhỏ của AOI ở mức phù hợp, đồng thời hạn chế số lượng sản phẩm cần re-inspection.

Siemens cũng chỉ ra false call có thể chiếm tỷ lệ rất lớn trong các cảnh báo AOI. Một white paper của Siemens ghi nhận tới 95% cảnh báo có thể là false call trong một số môi trường sản xuất, khiến nhân sự phải dành thêm thời gian xác minh và dễ phát sinh alarm fatigue.

Trên dây chuyền SMT, dữ liệu năm 2026 từ Enao Vision ghi nhận AOI rule-based truyền thống có false-call rate khoảng 1,8% ở các ứng dụng hướng đến tỷ lệ chấp nhận 99,7% theo IPC-A-610 Class 3. Với dây chuyền sản xuất số lượng lớn, một tỷ lệ false call nhỏ vẫn có thể tạo ra hàng chục cảnh báo cần kiểm tra mỗi ca.

Như vậy, tối ưu khả năng phát hiện lỗi nhỏ của AOI không đồng nghĩa với việc đưa ngưỡng phát hiện xuống mức thấp nhất. Hệ thống cần tìm được điểm cân bằng giữa độ nhạy, false call, thời gian re-inspection và tốc độ dây chuyền. Đây cũng là cơ sở để AI/Deep Learning được áp dụng nhằm đánh giá lại các cảnh báo AOI và giảm những false call không cần thiết.

Cân Bằng Độ Nhạy Phát Hiện Với Hiệu Suất Vận Hành Trên Chuyền

Để duy trì hiệu suất vận hành ổn định, các kỹ sư SMT thường theo dõi một bộ chỉ số cụ thể nhằm cân bằng giữa độ nhạy và năng suất thực tế:

Chỉ số	Cách đo	Mục tiêu khuyến nghị
Tỷ lệ False Call (FCR)	Số cảnh báo giả chia tổng số cảnh báo	Dưới 10%
Tỷ lệ phát hiện lỗi thật	Số lỗi thật được xác nhận chia tổng số lỗi	Trên 95%
Thời gian xem xét của vận hành viên	Số giờ mỗi ca dành cho việc rà soát cảnh báo	Dưới 1 giờ
Tỷ lệ lỗi lọt qua (Escape Rate)	Số lỗi phát hiện sau AOI	Gần bằng không

(Nguồn: makerrayaoi, Medium)

Chi Phí Re-Inspection (Kiếm Tra Lại) Phát Sinh Từ False Call Tích Lũy

54 phút → 12 phút → giảm khoảng 78% là mức chênh lệch thời gian re-inspection được Enao Vision ghi nhận trên một dây chuyền SMT xử lý khoảng 3.000 bo mạch mỗi ca sau khi áp dụng AI giảm false call. Dữ liệu này cho thấy chi phí của false call không nằm ở bản thân cảnh báo mà nằm ở lượng thời gian con người phải dành cho từng cảnh báo.

Khi khả năng phát hiện lỗi nhỏ của AOI được tăng lên, hệ thống có thể phát hiện nhiều sai khác tinh vi hơn. Nếu các sai khác này chưa được phân biệt chính xác giữa lỗi thật và biến thiên chấp nhận được, số lượng cảnh báo giả sẽ tăng. Chi phí tích lũy thường thể hiện qua:

• Re-inspection: Kiểm tra lại từng cảnh báo.
• Labor cost: Tăng thời gian làm việc của operator và QC.
• Throughput loss: Sản phẩm phải chờ xác minh trước khi chuyển công đoạn.
• Operator workload: Nhân sự phải xử lý lượng lớn cảnh báo có giá trị thấp.

SotaVision Nâng Cao Khả Năng Phát Hiện Lỗi Nhỏ Của AOI Bằng AI Vision

SotaVision, giải pháp AI Vision do SotaTek phát triển, được thiết kế theo hướng bổ sung AI vào hệ thống kiểm tra hiện hữu nhằm giải quyết bài toán nâng cao khả năng phát hiện lỗi nhỏ của AOI.

Các năng lực của SotaVision liên quan trực tiếp đến khả năng phát hiện lỗi nhỏ của AOI gồm:

• Độ chính xác lên đến 99,99%: Hỗ trợ nhận diện và phân loại khuyết tật với độ chính xác cao trong môi trường sản xuất thực tế.
• Phát hiện lỗi nhỏ đến 0,1 mm: Đáp ứng các bài toán kiểm tra khuyết tật kích thước nhỏ, bao gồm lỗi bề mặt, sai lệch hình học và các bất thường trong lắp ráp.
• Inference dưới 50 ms: Phân tích hình ảnh theo thời gian thực, hỗ trợ đưa ra quyết định OK/NG mà không làm chậm nhịp dây chuyền.
• Edge AI: Xử lý dữ liệu trực tiếp tại nhà máy, giảm độ trễ và hạn chế phụ thuộc vào kết nối cloud trong quá trình kiểm tra.
• Continuous Learning: Mô hình có thể tiếp tục được cập nhật dựa trên dữ liệu mới và các trường hợp lỗi phát sinh trong sản xuất thực tế.

Một điểm quan trọng của SotaVision là khả năng kết hợp với camera hoặc hệ thống AOI hiện hữu. Hệ thống có thể tiếp nhận hình ảnh từ camera hoặc AOI, phân tích bằng mô hình AI rồi trả về kết quả kiểm tra OK/NG cho các hệ thống QA/QC, PLC hoặc MES. Cách triển khai này giúp doanh nghiệp nâng cao khả năng phát hiện lỗi nhỏ của AOI mà không nhất thiết phải thay thế toàn bộ hạ tầng kiểm tra đang vận hành.

Với doanh nghiệp đang muốn cải thiện khả năng phát hiện lỗi nhỏ của AOI, mục tiêu không nên dừng ở việc tăng độ nhạy. Một hệ thống hiệu quả cần đồng thời kiểm soát độ chính xác, false call, tốc độ xử lý và tính ổn định trong điều kiện sản xuất thực tế. SotaVision giúp doanh nghiệp tiếp cận bài toán này bằng AI Vision, tận dụng hạ tầng hiện hữu và từng bước nâng cao năng lực kiểm tra chất lượng trên dây chuyền.

Xem thêm: SotaVision

Kết Luận

Tăng độ nhạy chưa đồng nghĩa khả năng phát hiện lỗi nhỏ của AOI sẽ tốt hơn. Bài toán thực tế nằm ở khả năng phân biệt lỗi thực sự cần loại bỏ với biến thiên vẫn nằm trong giới hạn chấp nhận. Hệ thống AOI cần duy trì khả năng phát hiện lỗi nhỏ của AOI cùng mức false call được kiểm soát. 

AI Vision mở ra hướng cải thiện khả năng này bằng cách bổ sung lớp phân tích thông minh vào quy trình AOI. SotaVision sử dụng AI/Deep Learning để phân tích hình ảnh từ camera hoặc hệ thống AOI hiện hữu, hỗ trợ phát hiện lỗi kích thước nhỏ, phân biệt biến thể sản xuất và đưa ra kết quả OK/NG theo thời gian thực. Nền tảng đạt khả năng phát hiện lỗi đến 0,1 mm, độ chính xác lên đến 99,99% và thời gian suy luận dưới 50 ms.

Nếu doanh nghiệp đang gặp vấn đề về khả năng phát hiện lỗi nhỏ của AOI, false call cao hoặc re-inspection kéo dài, SotaVision có thể được đánh giá trực tiếp trên dữ liệu và điều kiện sản xuất thực tế. Liên hệ với chúng tôi để xác định cấu hình AI Vision phù hợp với sản phẩm, loại khuyết tật và yêu cầu kiểm tra của dây chuyền.