Ứng dụng AI kiểm tra mối hàn: giảm lỗi giả AOI, quản lý lọt lỗi, RFP và FAT/SAT

Giới thiệu: khi phần lớn NG của AOI hóa ra là bo mạch đạt

Bài viết này dành cho giám đốc nhà máy, kỹ sư công nghệ sản xuất, đảm bảo chất lượng và phụ trách IT tại các nhà máy lắp ráp bo mạch (PCBA) ở Thái Lan, nhằm sắp xếp cách tư duy khi triển khai AI kiểm tra mối hàn. Phần lớn các NG mà AOI trên dây chuyền SMT đưa ra, khi kiểm tra lại, đều là bo mạch đạt. Dù vậy, mỗi ca vẫn có vài người túc trực ở trạm xem xét lại (review station), nhìn màn hình từng tấm một và bấm nút “đạt”.

Mỗi lần khởi động mẫu mã mới, lỗi giả (false call) lại tăng, và việc tinh chỉnh chương trình AOI phụ thuộc vào một vài kỹ sư nhất định. Khách hàng ô tô yêu cầu không được để lọt lỗi và phải có truy xuất nguồn gốc cho từng bo mạch. Trong bối cảnh đó, nhà sản xuất AOI đề xuất “tùy chọn AI”, nhưng nhà máy không biết nên đánh giá cái gì và đánh giá ra sao trước khi mua. Nếu tình huống này quen thuộc, bài viết này dành cho quý vị.

Phạm vi bài viết là đưa phán định bằng AI vào khâu kiểm tra mối hàn trên bo mạch lắp ráp. Cụ thể, bài viết tập trung vào giảm lỗi giả của AOI, công sức xem xét lại, quản lý lọt lỗi, truy xuất nguồn gốc và cách nghiệm thu. Quy trình triển khai AI kiểm tra ngoại quan nói chung, như cách chọn chiếu sáng hay các nguyên tắc chung về gán nhãn, được trình bày trong hướng dẫn triển khai AI kiểm tra ngoại quan.

Xin nêu kết luận trước. AI kiểm tra mối hàn không phải là “phép màu làm AOI thông minh hơn”. Mục tiêu là một trong 3 điều sau, và cách đánh giá thay đổi tùy theo mục tiêu được chọn.

1. Không chuyển bo mạch đạt trong số NG của AOI sang khâu xem xét lại (giảm lỗi giả)
2. Giảm công sức tạo và tinh chỉnh chương trình AOI
3. Giảm sự dao động trong phán định của con người

Giảm lỗi giả luôn đi kèm rủi ro làm tăng lọt lỗi (escape). Vì vậy, tiêu chí đạt của PoC và nghiệm thu phải được đặt thành cặp “tỷ lệ giảm lỗi giả” và “giới hạn trên của tỷ lệ lọt lỗi”, và được phán định bằng dữ liệu của giai đoạn sau giai đoạn dùng để huấn luyện. Phần giao cho AI chỉ dừng ở việc tự động loại các bo mạch được phán định là đạt ra khỏi khâu xem xét lại; phán định cuối cùng về lỗi và việc sửa chữa vẫn thuộc về con người và tiêu chuẩn hiện hành (cấp IPC). Ngoài ra, AOI chỉ kiểm tra được các mối hàn nhìn thấy được. Các mối hàn bị che như BGA thuộc phạm vi kiểm tra X-quang (AXI), và việc đưa phán định AI vào không làm thay đổi sự phân vai giữa AOI và AXI.

Bài viết này không khuyến nghị hay xếp hạng sản phẩm cụ thể nào. Chức năng sản phẩm được giới thiệu theo công bố của nhà sản xuất. Phần chi phí và hiệu quả ở nửa sau là tính toán dựa trên số liệu giả định lập riêng cho bài viết này.

Vì sao các nhà máy lắp ráp PCB tại Thái Lan cần xem lại khâu kiểm tra mối hàn ngay lúc này

Trước hết, hãy xem tình hình hiện tại của ngành điện tử Thái Lan. Các con số được ghi nguyên theo đơn vị công bố và phạm vi của chúng, không cộng gộp hay áp vào doanh nghiệp cụ thể.

• Theo thông cáo báo chí ngày 3/8/2026 của Ủy ban Đầu tư Thái Lan (BOI), lũy kế từ năm 2023 đến giữa năm 2026, lĩnh vực bo mạch in (PCB) có 224 hồ sơ xin ưu đãi đầu tư, trị giá 9,85 tỷ USD (khoảng 331 tỷ baht). Đây là số liệu theo hồ sơ đăng ký, không phải giá trị đã được phê duyệt.
• Trong cùng thông cáo, Tổng thư ký BOI cho biết “hơn một nửa các nhà sản xuất PCB hàng đầu thế giới đã chọn Thái Lan làm cơ sở sản xuất”. Mặt khác, thông cáo này cũng mô tả tình trạng thiếu lao động lành nghề là “nút thắt chính” trong việc chuyển dịch sản xuất tiên tiến. BOI và NXPO đang xây dựng khung kết nối nhân lực.
• Theo bài báo ngày 25/9/2026 của Nation Thailand, xuất khẩu của Thái Lan tháng 8/2026 tăng 24,3% so với cùng kỳ năm trước, mức tăng nhanh nhất trong 56 tháng. Các mặt hàng tăng trưởng bao gồm máy tính và linh kiện, mạch tích hợp và mạch in.
• Theo bài báo ngày 21/8/2026 của Nation Thailand, ông Aat Pisanwanich của Đại học Rangsit cho biết xuất khẩu sản phẩm điện tử nửa đầu năm 2026 đạt 1,63 nghìn tỷ baht (tăng 46% so với cùng kỳ năm trước). Ngoài ra, ông Sampan Silapanad, Chủ tịch Hiệp hội Người sử dụng lao động ngành máy tính điện tử, cho biết số việc làm trong ngành điện tử và chuỗi cung ứng đã tăng từ khoảng 800.000 người lên khoảng 1.000.000 người.
• Tại cuộc họp ngày 8/7/2026, BOI đã phê duyệt các dự án như nhà máy sản xuất tấm laminate phủ đồng (CCL), prepreg và vải sợi thủy tinh dùng cho PCB. Đây là đầu tư vào vật liệu bo mạch, tức là thượng nguồn của bo mạch trần, không phải đầu tư vào nhà máy lắp ráp (SMT).
• Theo bài viết ngày 26/8/2026 của Electronic Design, BOI đã khởi động chương trình đào tạo hơn 100.000 nhân lực trình độ cao thông qua đào tạo, bootcamp, học tại nơi làm việc và các khóa chuyên sâu. Bài viết cho biết các cơ sở sản xuất tập trung tại Chachoengsao, Chonburi và Rayong.
• Theo bài viết ngày 30/4/2026 của iConnect007 (Hội nghị thượng đỉnh PCB Thái Lan của TPCA), trong những năm gần đây đã có hơn 60 nhà sản xuất PCB vào Thái Lan, và số doanh nghiệp trong chuỗi cung ứng đã vượt 100.

Nhà máy bo mạch tăng lên trong khi thiếu người, điều đó có nghĩa là cách hấp thụ công sức xem xét lại bằng số lượng người sẽ không thể duy trì. Công đoạn con người xem lại toàn bộ NG của AOI sẽ là đối tượng đầu tiên cần được xem xét lại.

Cũng xin đề cập đến lũ lụt tháng 10. Hai ước tính có thời điểm và phạm vi khác nhau, nên được trình bày riêng.

• Theo các bản tin ngày 2 đến 3/10/2026 dẫn ước tính của Liên đoàn Công nghiệp Thái Lan (FTI), thiệt hại trực tiếp của ngành chế tạo do lũ tại Bangkok và 14 tỉnh vào khoảng 1,018 tỷ baht. Các Phase 7 đến 10 của khu công nghiệp Amata City Chonburi ngập 30–70 cm, và ít nhất 34 nhà máy bị thiệt hại trực tiếp.
• Bài viết ngày 8/10/2026 của Nation Thailand cho biết 34 nhà máy tại các khu 7, 8, 9 của cùng khu công nghiệp đã ngừng sản xuất, trong đó hơn 10 nhà máy là nhà máy linh kiện ô tô. Trong bài viết này, ước tính thiệt hại công nghiệp là gần 6 tỷ baht (tăng từ ước tính trước đó là 1,5 tỷ baht).

Cả hai bài viết đều không đề cập đến thiệt hại của các nhà máy điện tử hay nhà máy PCB. Điều có thể rút ra từ đây chỉ là góc nhìn duy trì hoạt động kinh doanh (BCP). Nếu ảnh AOI, hồ sơ phán định AI và mô hình đã huấn luyện chỉ được lưu trên máy chủ trong nhà máy, chúng có thể bị mất cùng lúc khi ngập lụt. Nơi sao lưu dữ liệu kiểm tra cần được quyết định ngay từ giai đoạn thiết kế triển khai AI. Ngoài ra, tính đến ngày 26/9/2026, Cơ quan Khu công nghiệp Thái Lan (IEAT) đã chỉ đạo giám sát lũ 24 giờ tại tất cả các khu công nghiệp thuộc thẩm quyền.

Bức tranh tổng thể về kiểm tra mối hàn: phân vai giữa SPI, AOI, AXI và kiểm tra bằng mắt

Trên một dây chuyền SMT thông thường, sau khi in kem hàn là SPI (kiểm tra kem hàn), tiếp theo là gắn linh kiện, hàn reflow rồi đến AOI (kiểm tra quang học tự động). Với bo mạch có mối hàn bị che như BGA, khi cần thiết sẽ cho qua AXI (kiểm tra X-quang tự động). Bo mạch bị AOI báo NG được chuyển đến trạm xem xét lại, nơi con người nhìn ảnh hoặc vật thật để quyết định đạt hay không. Với THT (linh kiện cắm), sau hàn sóng hoặc hàn chọn lọc sẽ kiểm tra bằng AOI hoặc bằng mắt.

Phán định AI chủ yếu được đặt ở vị trí “có chuyển NG của AOI sang khâu xem xét lại hay không” trong luồng này. Cũng có sản phẩm dùng AI cho dữ liệu SPI hoặc AXI, nhưng trọng tâm của bài viết này là công đoạn xem xét lại sau AOI.

Về phân vai giữa AOI và AXI, nhà sản xuất thiết bị kiểm tra GÖPEL electronic giải thích rằng những gì mắt người không nhìn thấy thì AOI cũng không thể kiểm tra bằng quang học. Theo công ty này, AXI có thể phát hiện cả các mối hàn bị che như bên dưới BGA hoặc QFN, và với BGA thì kiểm tra các lỗi như head-in-pillow hay lỗ rỗng (void). Công ty đưa ra cách phân vai: X-quang chỉ cần kiểm tra các mối hàn bị che đã được chọn, phần còn lại do AOI đảm nhận.

Về phía tiêu chuẩn, cũng cần nắm đúng phạm vi. IPC-A-610J (Acceptability of Electronic Assemblies, bản tháng 3/2024), theo phạm vi áp dụng ghi trong mẫu mục lục của IPC, là tập hợp các yêu cầu chấp nhận bằng mắt (visual) đối với cụm lắp ráp điện tử. Cũng tại đó ghi rằng tiêu chuẩn không bao gồm tiêu chí đánh giá mặt cắt hay kiểm tra X-quang, và hướng dẫn về X-quang nằm trong J-STD-001. Việc đối chiếu logic phán định của AOI với các điều khoản của IPC-A-610 là tự nhiên, nhưng nếu dùng IPC-A-610 để giải thích phán định của AXI thì sẽ lệch phạm vi.

Nhịp sản xuất (takt) của khâu kiểm tra cũng có thể thay đổi khi đưa AI vào. Việc thời gian xử lý phán định AI có ảnh hưởng đến luồng dây chuyền hay không được đo ở giai đoạn nghiệm thu, giống cách tư duy trong bài viết về AI kiểm tra ngoại quan trên dây chuyền tốc độ cao.

“Lỗi giả” và “lọt lỗi” của AOI: vấn đề nằm ở đâu

Trước hết là định nghĩa thuật ngữ. Bài viết của HP đăng trên Electronic Design năm 1998 định nghĩa lỗi giả (false call) là “thứ bị phán định là lỗi nhưng thực tế không phải lỗi”, và lọt lỗi (escape) là “lỗi không bị phát hiện”. Bài viết đã cũ, nhưng định nghĩa vẫn còn nguyên giá trị.

Bài báo do các nhà nghiên cứu của Siemens AG và Đại học Helsinki công bố năm 2025 (arXiv) lấy ví dụ một dây chuyền SMT đang sản xuất thực tế và sắp xếp vấn đề này thành các chỉ số kinh doanh. Tiền đề là bo mạch không lỗi đi tiếp sang công đoạn sau, còn bo mạch bị phán định là lỗi được chuyển đến trạm kiểm tra thủ công (MIS). Bài báo định nghĩa 2 chỉ số.

• volume reduction: giảm được bao nhiêu bo mạch đạt bị chuyển đến MIS. Định nghĩa là TN/(TN+FP); trong bài viết này gọi là “tỷ lệ giảm bo mạch đạt phải chuyển sang kiểm tra thủ công”
• slip rate: tỷ lệ lỗi bị bỏ sót trong tổng số lỗi. Định nghĩa là FN/(TP+FN); trong bài viết này gọi là “tỷ lệ lọt lỗi”

Bài báo coi 2 chỉ số này là chỉ số kinh doanh quan trọng và viết rằng lọt lỗi tệ hơn rất nhiều. Lỗi giả chỉ tốn công xem xét lại, còn lọt lỗi có nghĩa là lỗi chảy sang công đoạn sau hoặc đến tay khách hàng.

Vì sao lỗi giả xuất hiện? Bài báo năm 2020 của Bosch và Đại học Kỹ thuật Braunschweig (TU Braunschweig) giải thích rằng bóng đổ hay phản xạ từ linh kiện lân cận gây ra lọt lỗi và lỗi giả (lỗi không thật) trong kết quả kiểm tra. Nếu nới ngưỡng ở phía AOI thì lỗi giả giảm, nhưng đồng thời lỗi thật cũng dễ lọt qua hơn.

Ở đây tồn tại một áp lực mang tính cấu trúc. Hiện trường muốn giảm công sức xem xét lại sẽ có xu hướng tinh chỉnh theo hướng giảm lỗi giả. Nếu không có cơ chế đo xem việc tinh chỉnh đó có làm tăng lọt lỗi hay không, thì chỉ thành quả giảm lỗi giả được báo cáo, còn sự gia tăng lọt lỗi chỉ được phát hiện khi khách hàng khiếu nại. Đưa AI vào cũng không làm áp lực này biến mất. Bo mạch được AI phán định là đạt sẽ không qua khâu xem xét lại, nên lỗi mà AI bỏ sót sẽ chảy thẳng sang công đoạn sau. Nguyên tắc chung về thiết kế đồng thời cho phát hiện thừa và lọt lỗi được trình bày trong bài viết về giảm loại nhầm khi kiểm tra ngoại quan bằng AI.

AI kiểm tra mối hàn làm được gì: 3 cách sử dụng

Cách dùng AI cho kiểm tra mối hàn có thể chia thành 3 nhóm lớn. Tùy mục tiêu, chỉ số có tác dụng và điều kiện tiên quyết sẽ khác nhau.

Các nhà sản xuất cũng công bố chức năng AI theo cách tiếp cận riêng. Tất cả nội dung dưới đây là công bố của nhà sản xuất, kèm nguyên điều kiện.

• Mycronic DeepReview (thông cáo báo chí ngày 3/4/2024): phân loại lỗi tự động bằng AI dành cho dòng AOI 3D MYPro I. Công ty giải thích có thể giảm cho người vận hành 50–90% thời gian dùng để xem xét lỗi giả, nhưng có điều kiện là tùy thuộc vào tỷ lệ linh kiện thuộc đối tượng áp dụng (eligible components). Hơn nữa, công ty cho biết khi khách hàng định kỳ huấn luyện lại bằng cơ sở dữ liệu ảnh kiểm tra của chính mình, có thể giảm 50–100% lỗi giả tiềm ẩn đối với các linh kiện thuộc đối tượng áp dụng. Con số này chỉ được đưa ra cho các linh kiện thuộc đối tượng áp dụng, trong trường hợp vận hành có huấn luyện lại định kỳ bằng ảnh của chính nhà máy. Lãnh đạo của công ty cũng cho rằng phán đoán của con người không thể bị thay thế.
• Mycronic Escape Tracker (trang giới thiệu hội thảo trực tuyến của công ty): được giới thiệu là chức năng dựa trên ý tưởng tối ưu thông số và dung sai của chương trình AOI để không phát sinh các lỗi giả đã biết, đồng thời vẫn bắt được tất cả lỗi thật.
• Koh Young (thông báo tham gia NEPCON ASIA 2024): công ty giải thích Smart Review giúp giảm lỗi giả và sự can thiệp của người vận hành bằng cách tự động đánh giá kết quả đọc OCV và OCR (kiểm tra ký tự trên linh kiện). Đây là giải thích về tự động đánh giá kiểm tra ký tự, không đưa ra tỷ lệ giảm lỗi giả cho mối hàn nói chung. KAP và KPO được giới thiệu là các chức năng của công ty, lần lượt dùng công nghệ AI và công nghệ học sâu.
• Omron VT-S10 (bài báo đưa tin công bố ngày 8/10/2021): công ty giải thích rằng chiếu sáng đa hướng, đa màu và đo 3D theo phương pháp MPS giúp loại bỏ ảnh hưởng của bóng đổ và phản xạ thứ cấp. “Không lỗi giả, không lọt lỗi (zero false calls and escapes)” là cách diễn đạt mục tiêu hoặc triết lý mà công ty đặt ra, không phải giá trị thực tế đã đạt được. Trang VT-S1080 trên website châu Âu của công ty quảng bá việc AI hỗ trợ phán định lỗi và công nghệ AI giúp giảm công việc lập trình và kiểm tra bằng mắt.
• Saki 3Di-LS2-CASE (công bố tháng 9/2021): công ty giải thích rằng nhờ engine AI học từ một lượng lớn ảnh bo mạch đạt và bo mạch lỗi, việc tinh chỉnh dữ liệu trong kiểm tra mối hàn không còn cần thiết. Giải thích về việc giảm mạnh lỗi giả là dành cho phán định lỗi không thấm ướt (non-wetting).
• Viscom vAI (thông cáo báo chí ngày 15/10/2025 và tài liệu sản phẩm): công ty giải thích có thể tạo và tối ưu chương trình kiểm tra cho AOI 3D và AXI 3D gần như hoàn toàn tự động. Tài liệu sản phẩm cho biết có thể tạo kế hoạch kiểm tra AOI trong chưa đến 15 phút. Về huấn luyện, công ty giải thích mô hình đã được huấn luyện sẵn bằng hàng triệu ảnh từ nhiều môi trường sản xuất khác nhau, sau đó bổ sung dữ liệu của khách hàng.
• MIRTEC INTELLI-PRO (bài báo đưa tin công bố ngày 2/9/2021): về chức năng tự động dạy (auto-teaching) dùng học sâu, công ty tuyên bố giảm thời gian thao tác dạy 90% so với dạy thủ công và 50% so với tự động dạy không dùng học sâu. Đây là tuyên bố về thời gian thao tác, không phải tỷ lệ giảm lỗi giả hay lọt lỗi. Công ty cũng giải thích rằng dùng học sâu để phát hiện dị vật (FOD) giúp giảm mạnh lỗi giả.
• TRI (thông báo tham gia IPC APEX 2025): công ty giải thích kiểm tra quang học vận hành nhờ thuật toán AI và chức năng đo lường, đồng thời giới thiệu các công cụ liên quan đến AI như AI Station, AI Smart Programming. Không đưa ra con số về tỷ lệ giảm lỗi giả.

Ngay cả những công bố có con số cũng khác nhau về linh kiện áp dụng, dạng lỗi và điều kiện huấn luyện lại. Không thể đặt con số của các nhà sản xuất cạnh nhau để so sánh. Cách duy nhất là đo trên dây chuyền của chính nhà máy, bằng ảnh của chính nhà máy.

Cái bẫy mà nghiên cứu chỉ ra: đạt khi kiểm thử, trượt khi chạy thực tế

Bài báo của Siemens AG và Đại học Helsinki đã nêu ở trên (arXiv, ngày 17/6/2025) là trường hợp tham khảo hữu ích nhất khi thiết kế PoC.

Dữ liệu là các giá trị đo theo từng chân hàn do AOI đo trên một dây chuyền sản xuất điện tử SMT thực tế. Dữ liệu dạng bảng gồm 77 cột, sắp xếp theo thứ tự thời gian. Lỗi rất hiếm, và sự mất cân bằng giữa các lớp là cực độ. Dữ liệu được công khai.

Các nhà nghiên cứu đặt mục tiêu “tỷ lệ giảm bo mạch đạt phải chuyển sang kiểm tra thủ công từ 40% trở lên, đồng thời tỷ lệ lọt lỗi từ 1% trở xuống”. Đây là ví dụ về cách đặt mục tiêu trong nghiên cứu này, không phải giá trị chuẩn của ngành.

Kết quả như sau. Khi áp 2 mô hình đã đạt mục tiêu trên dữ liệu kiểm thử vào 5 khoảng đánh giá thuộc các thời kỳ muộn hơn theo trình tự thời gian, tỷ lệ lọt lỗi là 5,3–9,4% ở một mô hình và 10,2–15% ở mô hình còn lại. Ở tất cả các khoảng, con số đều vượt xa mục tiêu 1%. Các tác giả kết luận rằng mô hình này sẽ thất bại ngay từ đầu khi chạy thực tế.

Bài báo cũng chỉ ra rằng độ chính xác (accuracy) tiêu chuẩn dễ gây hiểu lầm. Với dữ liệu có rất ít lỗi, ngay cả một bộ phân loại chỉ đơn giản trả lời tất cả là đạt cũng cho độ chính xác cao. Chỉ với lời giải thích “độ chính xác của AI cao”, sẽ không thấy được mức độ lọt lỗi.

Chuyển các khuyến nghị của bài báo sang PoC tại nhà máy thì như sau.

• Xác định tiêu chí thành công bằng chỉ số kinh doanh trước: không dùng độ chính xác mà dùng tỷ lệ giảm bo mạch đạt phải chuyển sang kiểm tra thủ công và tỷ lệ lọt lỗi; quyết định ngưỡng đạt bằng văn bản trước PoC
• Chia dữ liệu theo thời gian: đánh giá bằng dữ liệu của giai đoạn sau giai đoạn dùng để huấn luyện. Nếu trộn ngẫu nhiên rồi chia, các ảnh tương tự cùng thời kỳ sẽ nằm ở cả tập huấn luyện lẫn tập đánh giá, làm kết quả trông tốt hơn
• Kiểm chứng trên nhiều giai đoạn: đạt ở một giai đoạn đánh giá vẫn có thể sụp đổ ở giai đoạn khác. Hãy bao gồm các giai đoạn có thay đổi lô linh kiện hoặc mùa

Ngoài ra, bài báo năm 2025 (arXiv) của Đại học Ulster và các đơn vị khác, với đối tượng là AOI trong sản xuất bán dẫn, đưa ra cách điều chỉnh dung sai dựa trên dữ liệu trong khi vẫn giữ trạng thái bắt được toàn bộ lỗi (độ nhạy 100%). Đây không phải nghiên cứu về bo mạch lắp ráp, nhưng trình tự “cố định giới hạn trên của lọt lỗi rồi mới giảm lỗi giả” cũng đáng tham khảo cho kiểm tra mối hàn.

Xác định phạm vi: bắt đầu từ linh kiện, mối hàn và dạng lỗi nào

Không cần đưa AI kiểm tra mối hàn vào toàn bộ nhà máy cùng lúc. Khoanh vùng đối tượng theo loại linh kiện và dạng lỗi sẽ giúp đánh giá PoC dễ hơn.

• Linh kiện chip: số lượng nhiều, nên số NG của AOI cũng thường nhiều. Bài báo năm 2020 của Bosch và Đại học Kỹ thuật Braunschweig dùng ảnh sản xuất do Bosch cung cấp để nghiên cứu một CNN phân loại linh kiện chip (C0402 đến C1210, R0402, R0603) thành 5 lớp: đạt, thiếu linh kiện, dị vật, lệch vị trí và thiếu thiếc. Mục đích là giảm rủi ro lỗi chảy ra ngoài, với vai trò phán định lần 2. Trên tập kiểm thử C0402, hiệu năng nhận dạng tối đa 97,6% đã được báo cáo. Đây là kết quả với nhóm linh kiện này và dữ liệu này. Bài báo so sánh nhiều tập dữ liệu huấn luyện, lớn nhất lên tới 300.000 ảnh.
• Chân QFP và SOP: có các dạng lỗi theo từng chân như bắc cầu (bridge) hay chân nổi (lifted lead). Mycronic nêu bắc cầu, độ đồng phẳng (coplanarity) và các lỗi khác là đối tượng của DeepReview (công bố của nhà sản xuất).
• THT (linh kiện cắm): mối hàn sóng hoặc hàn chọn lọc. Bài báo năm 2025 của các nhà nghiên cứu FAU (Đại học Erlangen-Nürnberg) nghiên cứu cách xử lý vấn đề thiếu dữ liệu lỗi trong phân loại mối hàn THT bằng dữ liệu tổng hợp từ GAN và học chủ động (active learning). Khó thu thập mẫu lỗi là bài toán chung của nhiều nhà máy.
• Các lỗi đặc thù như văng thiếc: bài báo năm 2023 trên Scientific Reports nghiên cứu phát hiện văng thiếc (solder splash) bằng mô hình phát hiện đối tượng, với đối tượng là một loại bo mạch module công suất cụ thể. Nghiên cứu so sánh 7 mô hình và báo cáo mô hình YOLOv8n với 1,9 triệu tham số đạt thời gian phát hiện 90 ms và độ chính xác trung bình (average precision) 96,6%. Đây là kết quả cho một ứng dụng cụ thể theo yêu cầu của doanh nghiệp, không áp dụng nguyên cho các bo mạch khác.
• Mối hàn bị che như BGA, QFN: như đã nói, AOI không nhìn thấy được; đây là phạm vi của AXI. Nghiên cứu năm 2020 của FAU khảo sát CNN phân loại lỗ rỗng và head-in-pillow trên ảnh X-quang 2 chiều, và mô tả rằng lỗi giả giảm mạnh so với thiết bị X-quang thương mại. Tuy nhiên, đó là chuyện khác với phán định AI cho AOI.

Đối tượng đầu tiên nên là các linh kiện và dạng lỗi hội đủ 3 điều kiện: “số NG nhiều”, “phán định của con người dễ dao động” và “dạng lỗi dễ định nghĩa”. Với những dạng lỗi có ít mẫu, PoC có thể không thu được đủ số lượng để đo tỷ lệ lọt lỗi.

Nguyên nhân lỗi hàn cũng nằm ở trước khâu kiểm tra. Các lỗi như do reflow linh kiện đã hút ẩm sẽ không giảm về mặt phát sinh dù khâu kiểm tra có thông minh đến đâu. Quản lý ở thượng nguồn được trình bày trong bài viết về hệ thống quản lý MSD.

Dữ liệu huấn luyện và nhãn: ảnh của chính nhà máy, golden board và tiêu chí phán định

Phán định của AI được quyết định bởi chất lượng ảnh và nhãn dùng để huấn luyện. Dưới đây là các điểm đặc thù của kiểm tra mối hàn.

Golden board: blog của VSE giải thích rằng bước đầu tiên khi lập trình AOI là tạo một golden board đã biết làm bo mạch kiểm tra sản phẩm đầu tiên, và cần xác nhận thủ công rằng loại và giá trị của tất cả linh kiện đều đúng. Với huấn luyện AI cũng vậy, cần có bo mạch và ảnh làm chuẩn đúng. Cùng blog đó cũng đề cập đến việc có thể hạ độ nhạy nhận dạng ảnh để giảm lỗi giả, hoặc chỉ tăng độ nhạy ở các vị trí quan trọng, và việc lập trình chấp nhận mã linh kiện thay thế để linh kiện thay thế hợp lệ không bị coi là lỗi.

Huấn luyện trước và dữ liệu của nhà máy: giải thích của các nhà sản xuất khác nhau. Mycronic giải thích có thể định kỳ huấn luyện lại bằng ảnh kiểm tra của chính khách hàng để phù hợp với tiêu chuẩn kiểm tra của họ. Viscom giải thích rằng dữ liệu khách hàng được tích hợp vào mô hình đã huấn luyện sẵn bằng hàng triệu ảnh từ nhiều môi trường sản xuất để huấn luyện. Với cả hai cách, việc huấn luyện lại bằng ảnh của nhà máy là tiền đề đến mức nào và ai thực hiện công việc đó là những điểm cần xác nhận trong RFP.

Tiêu chí phán định và cấp IPC: trước khi gán nhãn, cần quyết định “phán định đạt/không đạt theo tiêu chuẩn cấp nào, do ai quy định”. IPC J-STD-001J (bản tháng 3/2024) chia sản phẩm thành cấp 1, 2, 3, và quy định việc xác định cụm lắp ráp được sản xuất theo cấp nào là trách nhiệm của người dùng (bên đặt hàng). Nếu người dùng không xác định và ghi thành văn bản, nhà sản xuất có thể xác định. Các cấp được cho là phản ánh sự khác biệt về khả năng sản xuất, độ phức tạp, yêu cầu về hiệu năng chức năng và tần suất kiểm chứng (kiểm tra và thử nghiệm).

Cùng một mối hàn, kết quả đạt hay không có thể khác nhau tùy cấp. Ở nhà máy mà mỗi khách hàng có cấp khác nhau, nếu trộn chung để gán nhãn cho một mô hình, mô hình sẽ học các tiêu chí mâu thuẫn. Nhãn cần ghi lại “được gán theo tiêu chuẩn của cấp nào”. Nếu phán định của người xem xét lại bị dao động, việc đưa nguyên phán định đó vào huấn luyện cũng sẽ khiến mô hình học luôn sự dao động. Cách thống nhất tiêu chí phán định và nghiệm thu gán nhãn được trình bày trong bài viết về gán nhãn.

Cách đặt tiêu chí đạt: tỷ lệ giảm lỗi giả đi cùng tỷ lệ lọt lỗi

Bảng đánh giá PoC gồm 4 cột: chỉ số, định nghĩa, giai đoạn dữ liệu và phán định. Mục tiêu bằng số do chính nhà máy quyết định. Cách ghi ở cột “Phán định” trong bảng dưới đây chỉ là một ví dụ, không phải giá trị chuẩn của ngành.

Để tham khảo, nghiên cứu nêu trên đặt mục tiêu “tỷ lệ giảm từ 40% trở lên và tỷ lệ lọt lỗi từ 1% trở xuống”. Đây là ví dụ về cách đặt mục tiêu trong nghiên cứu. Mục tiêu của nhà máy được quyết định dựa trên yêu cầu của khách hàng, cấp sản phẩm và việc có kiểm tra ở công đoạn sau hay không.

Để đo tỷ lệ lọt lỗi, cần đối chiếu cả các bo mạch được AI phán định là đạt với phán định của con người. Vì vậy, trong PoC cần có giai đoạn “chạy song song”, khi đó AI chỉ ghi lại kết quả phán định, còn con người vẫn xem xét lại toàn bộ như trước. Thu thập các bo mạch mà phán định của người và AI khác nhau, rồi xác nhận thực ra bên nào đúng.

Một lưu ý nữa là số trường hợp lọt lỗi ít. Trên dây chuyền vốn có rất ít lỗi, trong thời gian ngắn không thể đo tỷ lệ lọt lỗi với độ chính xác đủ. Thời gian chạy song song được tính ngược từ tần suất phát sinh lỗi.

Truy xuất nguồn gốc theo số sê-ri bo mạch và kết nối MES

Khi đưa phán định AI vào, những thứ cần ghi lại cho mỗi bo mạch sẽ tăng lên: ảnh và giá trị đo của AOI, phán định của AI và độ tin cậy, phiên bản mô hình, phán định cuối cùng của con người, hồ sơ sửa chữa. Nếu không gắn những thông tin này với số sê-ri bo mạch (hoặc ID panel và lô), sau này sẽ không thể truy lại “AI đã phán định đạt bằng phiên bản mô hình nào”.

Dưới đây giới thiệu các tiêu chuẩn liên quan, chỉ ở mức phạm vi.

• IPC-1782B (Standard for Manufacturing and Supply Chain Traceability of Electronic Products, trang bán hàng ghi phát hành ngày 1/9/2023): tiêu chuẩn quy định yêu cầu tối thiểu về truy xuất nguồn gốc trong sản xuất và chuỗi cung ứng dựa trên rủi ro được nhận thức. Phạm vi áp dụng ghi rằng tiêu chuẩn áp dụng cho sản phẩm, quy trình, linh kiện, thiết bị và các yếu tố khác dùng trong sản xuất cụm lắp ráp bo mạch in.
• IPC-2591 (IPC-CFX): trang chính thức của IPC đăng Version 1.7 (tháng 8/2023) là phiên bản mới nhất. Đây là tiêu chuẩn áp dụng cho giao tiếp giữa tất cả các quy trình tự động, bán tự động và thủ công trong sản xuất cụm lắp ráp bo mạch in. GÖPEL electronic giải thích có thể tích hợp AOI, AXI, SPI vào MES qua IPC-CFX.

Về thời gian lưu trữ ảnh và hồ sơ phán định, lần này chưa xác nhận được số năm cụ thể theo tiêu chuẩn. Thời gian lưu trữ được quyết định theo yêu cầu của khách hàng và quy định nội bộ, và nơi lưu trữ được thiết kế dựa trên dung lượng ảnh.

Mức độ chi tiết của đơn vị gắn kết không phải là chuyện chỉ khâu kiểm tra quyết định. Quản lý sản xuất tổng thể của nhà máy điện tử được trình bày trong bài viết về hệ thống quản lý sản xuất cho linh kiện điện tử và EMS, cách nghĩ về đơn vị theo dõi trong bài viết về truy xuất nguồn gốc linh kiện điện tử, và cách đánh cũng như đọc số sê-ri trong bài viết về hệ thống quản lý số sê-ri. Về thiết kế bằng chứng đáp ứng yêu cầu của khách hàng ô tô, bài viết về truy xuất nguồn gốc IATF 16949 cũng là tài liệu tham khảo hữu ích.

Khi phát hiện lỗi: sửa chữa và phản hồi về công đoạn trước

Bo mạch được AI và con người phán định là lỗi sẽ chuyển sang sửa chữa. Tiêu chuẩn tham chiếu cho sửa chữa là IPC-7711/7721D (Rework, Modification and Repair of Electronic Assemblies, bản tháng 12/2023). Tiêu chuẩn này cũng dùng phân cấp 1, 2, 3, và quy định cấp sản phẩm nên do người dùng xác định, nếu không xác định thì nhà sản xuất nên xác định.

Với THT, cũng có ví dụ chuyển trực tiếp kết quả kiểm tra sang thiết bị sửa chữa. Bài viết ngày 11/10/2017 của Circuits Assembly giới thiệu phương pháp kiểm tra sau hàn sóng để phát hiện vấn đề ở mối hàn xuyên lỗ, rồi chuyển dữ liệu từ AOI sang máy hàn chọn lọc để chỉ sửa đúng mối hàn liên quan. Nếu ghi kết quả phán định AI theo số sê-ri bo mạch và vị trí mối hàn, có thể kết nối với kiểu sửa chữa cục bộ như vậy. Luồng chỉ thị sửa chữa, cách ly và kiểm tra lại được trình bày trong bài viết về hệ thống quản lý tái gia công.

Việc đưa dữ liệu kiểm tra ngược về công đoạn trước cũng quan trọng. Không cần dựa vào chức năng sản phẩm của nhà sản xuất cụ thể nào, chỉ cần nối giá trị đo SPI và dạng lỗi AOI bằng cùng một số sê-ri bo mạch là phía công đoạn có thể truy “sai lệch nào trong khâu in dẫn đến lỗi nào”. Cách tư duy để sớm phát hiện thay đổi trong công đoạn có tại bài viết về AI phát hiện bất thường bằng SPC, và quy trình truy ngược từ lỗi về công đoạn gây ra có tại bài viết về truy vết lỗi trong quy trình.

Khi lọt lỗi được phát hiện ở công đoạn sau hoặc tại khách hàng, truy lại ảnh AOI, phán định AI và phiên bản mô hình của bo mạch đó, rồi xác định phạm vi đã được phán định đạt bằng cùng phiên bản mô hình. Nếu lúc này hồ sơ không được gắn với số sê-ri bo mạch, sẽ không thu hẹp được phạm vi và phải sàng lọc trên diện rộng.

Sau khi đưa vào vận hành: huấn luyện lại, quản lý thay đổi và giám sát trôi dạt

Phán định của AI không nhất thiết ở trạng thái tốt nhất vào ngày triển khai. Như nghiên cứu nêu trên đã chỉ ra, khi thời kỳ thay đổi thì kết quả cũng thay đổi. Dưới đây là các điểm cần quản lý sau khi vận hành.

• Kiểm chứng lại khi có thay đổi: khi đưa mẫu mã mới vào, thay đổi nhà sản xuất hoặc lô linh kiện, thay đổi vật liệu hàn, thay đổi chương trình AOI, cần kiểm chứng lại phán định của AI. Chỉ cần ngoại quan linh kiện thay đổi một chút, xu hướng lỗi giả và lọt lỗi đã có thể thay đổi. Để nắm bắt thay đổi ở đâu và xác nhận gì ở sản phẩm đầu tiên, có thể dùng khung trong bài viết về hệ thống quản lý thay đổi 4M.
• Quản lý phiên bản mô hình: mỗi lần huấn luyện lại thì nâng phiên bản mô hình, và ghi lại phiên bản nào chạy trên dây chuyền nào từ khi nào. Chuẩn bị để có thể quay về phiên bản trước khi phiên bản mới gặp vấn đề.
• Kiểm toán lấy mẫu để phát hiện lọt lỗi: duy trì việc lấy một số lượng nhất định từ các bo mạch được AI phán định là đạt để con người kiểm tra. Sau khi kết thúc chạy song song, đây là cách duy nhất để giám sát tỷ lệ lọt lỗi. Thiết kế phát hiện suy giảm và quay lui (rollback) được trình bày trong bài viết về giám sát mô hình AI nhà máy.
• Kiểm tra golden board và thiết bị: khi tình trạng camera hay chiếu sáng của AOI thay đổi, ảnh thay đổi và phán định của AI cũng thay đổi. Định kỳ cho chạy golden board hoặc bo mạch có lỗi đã biết để xác nhận kết quả không thay đổi. Về cách lưu hồ sơ kiểm tra, cách tư duy trong bài viết về hệ thống quản lý hiệu chuẩn là tài liệu tham khảo hữu ích.

Ảnh của nhà máy dùng cho huấn luyện lại tích lũy mỗi ngày trong quá trình vận hành. Nếu lưu ảnh đã có phán định cuối cùng của con người cùng với thông tin về cấp, đó sẽ là nguyên liệu cho lần huấn luyện lại tiếp theo.

Các yêu cầu cần ghi trong RFP

Khi so sánh tùy chọn AI của nhà sản xuất AOI hoặc phần mềm phán định AI, ghi các yêu cầu sau vào RFP sẽ giúp thống nhất tiền đề của báo giá.

Giá AOI và tùy chọn AI thay đổi lớn tùy cấu hình, số lượng và phạm vi hỗ trợ. Do không xác nhận được giá công khai, bài viết này không đưa ra mức giá tham khảo. Khi so sánh báo giá, yêu cầu tách các khoản chi phí như bảng trên sẽ giúp thấy rõ chi phí vận hành hằng năm. Cách chọn nhà sản xuất thiết bị kiểm tra nói chung được trình bày trong hướng dẫn lựa chọn nhà sản xuất thiết bị kiểm tra.

FAT/SAT và tiêu chí nghiệm thu

Thử nghiệm nghiệm thu được lập kế hoạch tách thành thử nghiệm trước khi xuất xưởng (FAT) và thử nghiệm tại hiện trường (SAT). Ở cả hai, mục tiêu bằng số do nhà máy tự quyết định. Các hạng mục dưới đây là ví dụ về nơi đặt mục tiêu.

FAT (kiểm chứng trước khi xuất xưởng hoặc trước khi triển khai)

• Tái hiện trên bộ ảnh quá khứ: đánh giá có bao gồm ảnh của giai đoạn sau giai đoạn dùng để huấn luyện. Chia theo thời gian thành nhiều giai đoạn để xem kết quả
• Bộ lỗi đã biết: chuẩn bị bộ ảnh lỗi thật, xác nhận AI có đưa tất cả về phía lỗi (hoặc treo) hay không. Dùng để xác nhận không có lọt lỗi
• Xuất hồ sơ phán định: số sê-ri bo mạch, vị trí mối hàn, phán định của AI, phiên bản mô hình có được xuất ra thành hồ sơ hay không
• Xử lý trường hợp treo: xác nhận hoạt động chuyển ảnh mà AI không phán định được cho con người

SAT (chạy song song trên dây chuyền thực tế)

• Phán định của AI chỉ được ghi lại, con người xem xét lại toàn bộ, rồi đối chiếu hai bên
• Hạng mục đo: tỷ lệ giảm bo mạch đạt phải chuyển sang kiểm tra thủ công, tỷ lệ lọt lỗi, thời gian xử lý của AI, ảnh hưởng đến takt dây chuyền, dữ liệu bị thiếu (số trường hợp ảnh hoặc phán định không được ghi lại)
• Thời gian: đặt độ dài đủ để thu thập lượng lỗi cho phép đánh giá tỷ lệ lọt lỗi, tính từ tần suất phát sinh lỗi
• Chuyển đổi sau khi đạt: chỉ loại các bo mạch được AI phán định là đạt khỏi khâu xem xét lại sau khi xác nhận SAT đạt. Sau khi chuyển đổi vẫn tiếp tục kiểm toán lấy mẫu

Biên bản nghiệm thu cần ghi lại đã phán định bằng phiên bản mô hình nào, dữ liệu của giai đoạn nào, chỉ số nào và theo tiêu chí nào. Mục đích là để khi huấn luyện lại sau này có thể so sánh trong cùng điều kiện.

Mô hình tính chi phí và hiệu quả (số liệu giả định)

Tất cả con số từ đây trở đi là số liệu giả định lập riêng cho bài viết này. Do không xác nhận được giá chính thức của AOI và tùy chọn AI, chi phí cũng là giả định. Hãy dùng như một khung khi nhà máy tự tính toán.

Nhà máy giả định: một doanh nghiệp EMS vốn Nhật tại Thái Lan (cho ô tô và thiết bị công nghiệp). Có 4 dây chuyền SMT, mỗi dây chuyền có 1 AOI hiện hữu, tổng cộng 4 máy, trong đó 2 máy là đời cũ. 2 ca, vận hành 250 ngày mỗi năm.

Chi phí hiện tại (mức cơ sở, hằng năm)

Cấu hình A: bổ sung phán định lại bằng AI cho 4 AOI hiện có

Bổ sung phán định lại bằng AI (phân loại lỗi tự động) cho 4 AOI hiện có. Bao gồm trạm xem xét lại, nền tảng dữ liệu và gắn kết với số sê-ri bo mạch; không thay mới thân máy AOI. Giả định chi phí ban đầu 3.200.000 THB, chi phí vận hành hằng năm (giấy phép, công việc huấn luyện lại, bảo trì) 400.000 THB.

Hiệu quả ròng là 1.120.000 − 400.000 = 720.000 THB/năm, thời gian hoàn vốn là 3.200.000 ÷ 720.000 ≈ khoảng 4,4 năm.

Cấu hình B: ngoài cấu hình A, thay 2 AOI đời cũ bằng AOI 3D đời mới

Đánh giá như phần bổ sung sau khi đã triển khai cấu hình A. Thay 2 AOI đời cũ bằng AOI 3D đời mới có chức năng AI. Giả định 2.500.000 THB mỗi máy, chi phí ban đầu bổ sung là 2 × 2.500.000 = 5.000.000 THB, chi phí vận hành hằng năm bổ sung là 200.000 THB.

• Giảm thêm 10% công sức xem xét lại so với mức cơ sở 1.800.000 THB: 180.000 THB
• Giảm thêm 20% chi phí xử lý do lọt lỗi so với mức cơ sở 1.500.000 THB: 300.000 THB
• Tổng hiệu quả bổ sung: 180.000 + 300.000 = 480.000 THB/năm

Hiệu quả ròng của phần bổ sung là 480.000 − 200.000 = 280.000 THB/năm, thời gian hoàn vốn của phần bổ sung là 5.000.000 ÷ 280.000 ≈ khoảng 17,9 năm.

Độ nhạy: khi mức cơ sở của công sức xem xét lại gấp đôi (cấu hình A)

Nếu mức cơ sở của công sức xem xét lại gấp đôi, tức 3.600.000 THB/năm, thì mức giảm 40% công sức xem xét lại của cấu hình A là 1.440.000 THB. Tổng hiệu quả là 1.440.000 + 300.000 + 100.000 = 1.840.000 THB/năm, hiệu quả ròng là 1.840.000 − 400.000 = 1.440.000 THB/năm, thời gian hoàn vốn là 3.200.000 ÷ 1.440.000 ≈ khoảng 2,2 năm.

Điều rút ra từ tính toán

• Trọng tâm hiệu quả là bổ sung phán định lại bằng AI cho dữ liệu của AOI hiện có (cấu hình A). Không cần thay thân máy AOI mà vẫn tác động đến công sức xem xét lại
• Chỉ với hiệu quả giảm lỗi giả, việc thay mới thiết bị (cấu hình B) có thời gian hoàn vốn dài, khoảng 17,9 năm. Việc thay mới được quyết định dựa trên các dạng lỗi mà máy đời cũ không nhìn thấy (như chiều cao hay chân nổi), yêu cầu của khách hàng và tuổi thọ thiết bị. Thực tế hơn là bắt đầu AI từ dữ liệu của AOI hiện có
• Nhà máy càng bố trí nhiều người ở khâu xem xét lại thì hiệu quả càng lớn. Trong trường hợp độ nhạy, thời gian hoàn vốn rút ngắn xuống khoảng 2,2 năm

Có một tiền đề quan trọng. Hiệu quả “giảm 20% chi phí xử lý do lọt lỗi” dựa trên tiền đề AI không làm tăng lọt lỗi. Đừng tính hiệu quả này cho đến khi xác nhận được tỷ lệ lọt lỗi qua chạy song song. Nếu lọt lỗi tăng, chi phí của khoản này không những không giảm mà còn tăng. Ngoài ra, phần bổ sung của cấu hình B được đặt theo tỷ lệ so với mức cơ sở, không phải so với phần còn lại sau cấu hình A. Tổn thất cơ hội do dừng dây chuyền, đơn hàng mới và giảm công sức đánh giá (audit) không được tính trong phép tính này.

Câu hỏi thường gặp

Đưa AI kiểm tra mối hàn vào thì lỗi giả của AOI có biến mất không?

An toàn hơn là không nên nghĩ rằng lỗi giả sẽ biến mất. Ngay cả trong công bố của nhà sản xuất, con số giảm lỗi giả cũng được đưa ra kèm điều kiện như linh kiện áp dụng, dạng lỗi, huấn luyện lại bằng ảnh của nhà máy. “Không lỗi giả, không lọt lỗi” của Omron cũng là cách diễn đạt mục tiêu mà công ty đặt ra. Thiết kế dựa trên tiền đề vận hành là ảnh mà AI không phán định được sẽ chuyển cho con người.

Có thể kỳ vọng giảm lỗi giả AOI đến mức nào?

Không thể biết cho đến khi đo trên dây chuyền của chính nhà máy. Ví dụ, Mycronic giải thích có thể giảm 50–100% lỗi giả tiềm ẩn đối với các linh kiện thuộc đối tượng áp dụng khi định kỳ huấn luyện lại bằng ảnh của nhà máy, nhưng hiệu quả thay đổi theo tỷ lệ linh kiện thuộc đối tượng áp dụng. Do điều kiện giữa các nhà sản xuất khác nhau, cũng không thể so sánh các con số cạnh nhau. Trong PoC, hãy đo tỷ lệ giảm bo mạch đạt phải chuyển sang kiểm tra thủ công bằng dữ liệu của giai đoạn sau giai đoạn huấn luyện.

Có thể không cần kiểm tra bằng mắt những bo mạch AI phán định là đạt không?

Tiếp tục kiểm tra bằng mắt cho đến khi xác nhận qua chạy song song rằng tỷ lệ lọt lỗi thấp hơn giới hạn trên của nhà máy. Nghiên cứu đã báo cáo trường hợp mô hình đạt mục tiêu khi kiểm thử nhưng tỷ lệ lọt lỗi xấu đi đến 5,3–15% ở các giai đoạn sau. Ngay cả sau khi chuyển đổi, chúng tôi khuyến nghị tiếp tục kiểm toán lấy mẫu từ các bo mạch được AI phán định là đạt.

AI kiểm tra bo mạch PCB cần bao nhiêu dữ liệu huấn luyện?

Không có câu trả lời chung. Con số thay đổi tùy loại linh kiện, dạng lỗi và việc có mô hình huấn luyện sẵn hay không. Trong ví dụ nghiên cứu, nghiên cứu về linh kiện chip dùng ảnh sản xuất của Bosch đã sử dụng tối đa 300.000 ảnh huấn luyện. Vấn đề thường gặp ở nhà máy không phải là số lượng ảnh bo mạch đạt, mà là sự khan hiếm ảnh lỗi. Hãy xác nhận trước có thể thu thập được bao nhiêu ảnh lỗi, và hỏi nhà sản xuất về cách xử lý khi không đủ (như dữ liệu tổng hợp).

AI có kiểm tra được mối hàn BGA không?

Phán định AI của AOI thì không. Mối hàn bên dưới BGA không nhìn thấy được bằng quang học, nên thuộc phạm vi kiểm tra X-quang (AXI). Có nghiên cứu và sản phẩm dùng AI cho ảnh X-quang, nhưng đó là chuyện phán định của AXI; thêm AI vào AOI cũng không giúp kiểm tra được mối hàn BGA. Giữ nguyên phân vai giữa AOI và AXI, rồi cân nhắc có dùng AI cho phán định của từng bên hay không.

Có nên thay AOI bằng máy 3D không?

Nếu lý do chỉ là giảm lỗi giả, có thể không cần vội. Trong tính toán giả định của bài viết này, thời gian hoàn vốn của phần bổ sung khi thay 2 máy đời cũ bằng AOI 3D đời mới là khoảng 17,9 năm. Quyết định thay mới dựa trên các dạng lỗi mà máy đời cũ không nhìn thấy, yêu cầu của khách hàng và tuổi thọ thiết bị. AI có thể bắt đầu từ dữ liệu của AOI hiện có.

PoC kiểm tra mối hàn tự động mất bao nhiêu tuần?

Thời gian được quyết định bởi sản lượng và tần suất phát sinh lỗi của nhà máy. Tỷ lệ giảm lỗi giả có thể đo trong thời gian ngắn, nhưng tỷ lệ lọt lỗi không thể đánh giá nếu chưa thu thập đủ lỗi. Hãy quyết định trước số lỗi cần thiết rồi tính ngược ra độ dài chạy song song. Cũng đừng quên tách giai đoạn huấn luyện và giai đoạn đánh giá.

Tổng kết

• AI kiểm tra mối hàn không phải là “phép màu làm AOI thông minh hơn”. Cách đánh giá thay đổi tùy mục tiêu là giảm lỗi giả, giảm công sức tạo chương trình hay giảm dao động trong phán định
• Giảm lỗi giả luôn đi kèm rủi ro tăng lọt lỗi. PoC và nghiệm thu phán định theo cặp tỷ lệ giảm bo mạch đạt phải chuyển sang kiểm tra thủ công và giới hạn trên của tỷ lệ lọt lỗi
• Đánh giá bằng dữ liệu của giai đoạn sau giai đoạn huấn luyện, chia thành nhiều giai đoạn. Trong nghiên cứu, mô hình đạt khi kiểm thử đã làm tăng mạnh lọt lỗi ở các giai đoạn sau
• Con số của các nhà sản xuất khác nhau về linh kiện áp dụng, dạng lỗi và tiền đề huấn luyện lại. Đọc kèm điều kiện và đo bằng ảnh của chính nhà máy
• Nhãn cần ghi lại được gán theo tiêu chuẩn của cấp IPC nào, do ai quyết định. IPC-A-610J là tập tiêu chí chấp nhận bằng mắt, không bao gồm tiêu chí X-quang hay mặt cắt
• Gắn ảnh AOI, phán định AI, phiên bản mô hình, phán định cuối cùng của con người và sửa chữa với số sê-ri bo mạch. Thời gian lưu trữ được quyết định theo yêu cầu của khách hàng và quy định nội bộ
• Mối hàn bị che như BGA thuộc phạm vi AXI. Đưa phán định AI vào không làm thay đổi phân vai giữa AOI và AXI
• Trong tính toán bằng số liệu giả định, trọng tâm hiệu quả là bổ sung phán định lại bằng AI cho AOI hiện có (cấu hình A). Hiệu quả liên quan đến lọt lỗi chỉ được tính sau khi xác nhận tỷ lệ lọt lỗi qua chạy song song

Ngay cả ở giai đoạn kiểm kê nên bắt đầu từ dạng lỗi nào trên dây chuyền nào, hay có thể lấy dữ liệu gì từ AOI hiện có, quý vị cũng có thể trao đổi với TOMAS TECH. Vui lòng liên hệ qua biểu mẫu này.

Thông tin tham khảo

• https://www.electronics.org/news-release/ipc-releases-j-revisions-two-leading-standards-electronics-assembly
• https://www.electronics.org/TOC/IPC-J-STD-001J_TOC.pdf
• https://www.electronics.org/TOC/IPC-A-610J_TOC.pdf
• https://www.electronics.org/TOC/IPC-7711D-7721D_TOC.pdf
• https://www.dinmedia.de/en/standard/ipc-j-std-001j/380272355
• https://www.technickenormy.cz/en/ipc-1782-revision-b/
• https://www.electronics.org/ipc-2591-connected-factory-exchange-cfx
• https://storage.mfn.se/667898b5-414f-4ce9-83c5-86a795e97ad6/press-release-deepreview-20240403.pdf
• https://mycronic.com/de/product-areas/pcb-assembly/webinars-and-events/webinars/fighting-aoi-false-calls
• https://kohyoung.com/en/koh-young-technology-showcasing-its-inspection-solutions-at-nepcon-asia-inshenzhen-on-november-6-8-2024/
• https://www.circuitsassembly.com/ca/editorial/menu-new-indust-prod/36396-omron-automation-americas-launches-vt-s10-3d-aoi.html
• https://inspection.omron.eu/en/products/vt-s1080
• https://circuitsassembly.com/ca/editorial/menu-new-indust-prod/36194-saki-develops-3di-ls2-case-3-d-aoi.html
• https://www.emsnow.com/?p=25838
• https://www.viscom.com/en/company/press/press-releases/detail/viscom-introduces-ai-powered-fast-program-generation-vai-provision-at-productronica-2025/
• https://www.viscom.com/fileadmin/content/downloads_brochures/en/Viscom_Brochure_vAI_en.pdf
• https://iconnect007.com/index.php/article/128868/mirtec-launches-ai-based-smart-factory-automation-solution-intelli-pro/128871
• https://electronicspecifier.com/events-news/tri-to-showcase-test-and-inspection-tech-at-ipc-apex-2025
• https://www.goepel.com/en/inspection-solutions/axi
• https://www.goepel.com/en/news/read/inspection-solutions-with-ipc-cfx-standard
• https://circuitsassembly.com/ca/current/28202-selective-meets-the-wave.html
• https://www.electronicdesign.com/home/article/21200236/how-to-select-an-aoi-system
• https://www.vse.com/blog/2021/07/07/identifying-pcb-fault-detection-using-image-processing/
• https://arxiv.org/html/2506.14521v1
• https://export.arxiv.org/abs/2505.03576
• https://cris.fau.de/publications/247698623/
• https://cris.fau.de/publications/338842958
• https://jsss.copernicus.org/articles/9/167/2020/
• https://pmc.ncbi.nlm.nih.gov/articles/PMC10673910/
• https://www.boi.go.th/upload/content/PR122_2569EN.pdf
• https://www.nst.com.my/amp/business/economy/2026/08/1503841/thailand-attracts-us268bil-chip-electronics-investment-bids-supply
• https://www.nationthailand.com/business/economy/40071468
• https://www.nationthailand.com/business/40070085
• https://www.nationthailand.com/business/40071775
• https://www.nationthailand.com/news/40071514
• https://www.nationthailand.com/business/automobile/40071986
• https://www.thailand-business-news.com/?p=332413
• https://macaubusiness.com/thailand-approves-1-99-billion-in-new-investment-led-by-ai-and-advanced-electronics/
• https://www.electronicdesign.com/resources/industry-insights/article/55401031/electronic-design-thailand-is-upskilling-its-workforce-to-meet-the-demands-of-an-expanding-tech-economy-part-1
• https://iconnect007.com/article/149833/tpca-and-industry-leaders-convene-in-bangkok-for-thailand-pcb-summit/149830/ein