AOI虽然具有比人工检测更高的效率，但毕竟是通过图像采集和分析处理来得出结果，而图像分析处理的相关软件技术目前还没达到人脑的级别，因此，在实际使用中的一些特殊情况，AOI的误判、漏判在所难免。目前AOI使用中存在的问题有：多数AOI编程复杂、繁琐且调整时间长，不适合科研单位、小型OEM厂、多规格小批量产品的生产单位。多数AOI产品检测速度较慢，有少数采用扫描方法的AOI速度较快，但误判、漏判率更高。

传统AOI (自动光学检查) 自动光学检测(AOI, Automatic Optical Inspection)是指通 过光学成像的方法获 得被测对象的图像， 经过特定处理算法处 理及分析，与标准模 板图像进行比较，获 得被测对象缺陷的一 种检测方法。

随着机器视觉技术的不断发展，系统在不需要计算机编程的情况下也可以具有分析和分类对象的能力。而人工智能（AI）和深度学习是推动机器视觉发展的重要技术手段。

元件及焊点无不良倾向，但由于DFM设计时未考虑AOI的可测性，而造成AOI判定良与否有一定的难度，为保证检出效果，将 引入一些误判。如焊盘设计的过窄或过短，AOI进行检测时较难进行很准确的判定，此类情况所造成的误判较难消除，除非改进 DFM或放弃此类元件的焊点不良检测。

由于AOI依靠反射光来进行分析和判定，但有时光会受到一些随机因素的干扰而造成误判。如元件焊端有脏物或焊盘侧的印制 线有部分未完全进行涂敷有部分，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。

AOI技术向智能化方向发展是***T发展带来的必然要求。在***T的微型化、高密度化、快速组装化、品种多样化发展特征下，检测信息量大而复杂，无论是在检测反馈实时性方面，还是在分析、诊断的正确性方面，依赖人工对AOI获取的质量信息进行分析、诊断几乎已经不可能，代替人工进行自动分析、诊断的智能AOI技术成为发展的必然。

对各种缺陷的特征提取和缺陷识别与分类进行研究;针对高密度PCB视觉检测系统中要检测的缺陷细小，缺陷的种类繁多，特征不易确定等问题，对于各种不同缺陷的特征提取技术和各种分类方式进行研究，采用机器学习的方法，设计不同的分类器，并对不同分类器的分类效果和误差进行比较和分析，采用优化的分类器可以实现对缺陷的快速检出和准确分类，并尽可能地提高分类器的智能化水平。