镭晨AOI算法和传统算法对比报告 - 第3页
技术对比 颜色算法 提取框选区域的颜色 ，分析颜色占比 框选 & 配置颜色参数， 高度依赖经验 元件库，减少工作量 无法泛化，经验积累 检出率依赖于工程师经验 深度学习 卷积神经网络 大量样本数据训练模型 自动元件搜索，一键编程 高泛化性 可增加负样本训练提升 VS
功能对比
传统AOI
需要嵌入产线，产线改动大，导入成本高
XY轴运动拍照，效率低
运动速度慢，算法效率低，最多300pcs/h
编程流程复杂
画多个矩形框，设置颜色参数
新版式制作超过2小时
在线编程
培训周期长，需要经验丰富的AOI工程师
检测结果完全依赖于工程师，使用者要求高
镭晨AIS系列
便捷安装，无需改动产线，导入成本低(AIS20X)
在线一次拍摄分析，完全不影响产能(AIS20X)
高速高效，支持高达400pcs/h产能(AIS300)
编程流程简单
自动搜索，生成一个元件框
20分钟内完成新版本制作
远程编程
半小时可学会，一周时间可熟练使用
检测结果更多交给算法，使用者要求低
VS
技术对比
颜色算法
提取框选区域的颜色，分析颜色占比
框选&配置颜色参数，高度依赖经验
元件库，减少工作量
无法泛化，经验积累
检出率依赖于工程师经验
深度学习
卷积神经网络
大量样本数据训练模型
自动元件搜索，一键编程
高泛化性
可增加负样本训练提升
VS
颜色算法
1、框选元件（定位）
2、提取图片中R、G、B各颜色分量的占比
3、设置各颜色分量的占比阀值
4、检测时，如果实际元件区域某个颜色超过设置的范围，即报错
优点&缺点
优点：
1、灵活：没有器件限制
2、主动权全部交给工程师
3、直观：是否能检测很好理解，工程师总以为可
以找到参数调整
缺点：
1、复杂：要设置非常多颜色框，参数很难调整
2、难以优化：有问题时依赖于工程师对问题的理解
，选择合适的框选方式和参数
3、兼容性差：要求定位精准，差异非常大的情况很
难找到合适的参数
4、受各种因素影响大，不稳定，如光照变化、元件
不标准