本文將對AOI的算法(運算法則或方法)進行全面剖析，并以目前市場占有率*多的神州視覺ALeader AOI為例，論述AOI常用的幾種算法、為什么要使用多重運算方法、使用多重算法的好處等等。
1.1灰度模型
一副完整的圖像，是由紅色綠色藍色三個通道組成的。紅色、綠色、藍色三個通道的縮覽圖都是以灰度顯示的。用不同的灰度色階來表示“紅、綠、藍”在圖像中的比重。通道中的純白，代表了該色光在此處為*高亮度，亮度級別是255。
在計算機領域中，灰度數字圖像是每個像素只有一個采樣顏色的圖像。這類圖像通常顯示為從*暗黑色到*亮的白色的灰度，盡管理論上這個采樣可以任何顏色的不同深淺，甚至可以是不同亮度上的不同顏色?；叶葓D像與黑白圖像不同，在計算機圖像領域中黑白圖像只有黑色與白色兩種顏色;
灰度圖像在黑色與白色之間還有許多級的顏色深度。但是，在數字圖像領域之外，“黑白圖像”也表示“灰度圖像”，例如灰度的照片通常叫做“黑白照片”。
在一些關于數字圖像的文章中單色圖像等同于灰度圖像，在另外一些文章中又等同于黑白圖像。用于AOI檢測的灰度模型算法即將一副合理的圖片進行灰度處理，并規定其一定在變化誤差，在檢測過程中，如灰度的差異在允許變化的范圍內即合格，反之為不合格。
1.2矢量分析
通常一個既有大小又有方向特殊的量稱之為矢量，運用在外觀檢測的矢量計算方法的概念本人認為實質就是規定一個器件的尺寸和方向，然后用以圖像對比來等到結果。
1.3顏色分析
顏色分析就是讓用戶在樣本圖像中定義顏色模板，學習這些顏色，然后從目標圖像中找出這些顏色來。查找顏色的方法就是計算給定感興區域的顏色平均值或者單個像素的顏色值(依據查找方式的選擇確定)與訓練的顏色模板間的色差。顏色模板中*接近給定區域的顏色的就是*佳匹配模板。除了要測量色差外，我們還需檢測在不同照明條件下的偏差。
實例的顏色表示由RGB顏色空間轉換為CIELAB的顏色空間。從一個模板的所有像素中，計算出顏色中心，*佳顏色和偏差。一個模板像素到顏色中心的*大偏差用MaxDistance來表示，*小偏差用MinDistance來表示。以此三個參數來計算得到關于模板的質量。
過濾器可以用于識別區域中的每一個像素。用過濾器來掃描原始區域。計算像素顏色模板的質量。然后按照過濾模式來處理圖像。顏色分析的關鍵是如何創建一個合適的模板，和設定不同顏色之間的*大距離。不能用純色作模板，因為此時*小距離與*大距離相等。
1.4邊緣檢測
邊緣是指圖像局部亮度變化*顯著的部分，是物體的輪廓或物體不同表面之間的交界在圖像中的反映。邊緣的形成是由于物體的材料不同或表面的朝向不同，引起圖像中的邊緣處存在明暗、色彩、紋理的變化。因此反過來在圖像中檢查不同灰度、色彩等特性區域的交界處就可等到邊緣。
物體的邊緣以局部特征不連續性出現，也就是圖像局部亮度變化*顯著的部分，如灰度、顏色、紋理結構的突變。物體邊緣是區分不同區域的分界處。圖像邊緣特性：方向和幅度。
沿邊緣走向的像素灰度變化平緩，垂直邊緣走向的像素灰度變換劇烈。根據灰度變化特點可以邊緣分為：階躍型，房頂型，凸緣型，這些變化對應圖像中的不同景物。
傳統的邊緣檢測利用了邊緣是圖像灰度變化*劇烈的特點，對圖像各個像素點求微分或者二階微分或者二階微分來確定邊緣點。一階微分圖像的峰值處對應著圖像的邊緣點，二階微分圖像的過零點對應著圖像的邊緣點。
為了克服一階導數的確定，可以計算圖像的梯度。圖像梯度的重要性質是：梯度的方向在圖像灰度*大變化率的上，它恰好反映出圖像邊緣上的灰度變化。
一階導數可以用于檢測圖像中的一個點是不是邊緣點，同樣二階層導數的符號可以用來判斷一個邊緣像素是在邊緣高的一邊還是邊緣暗的一邊(二階導數為止，在暗的一邊，二階導數為負，在亮的一邊)。常用的邊緣提取梯度算子有：Rober算子，Sobel算子，Prewitt算子，Krisch算子等。
1.5AOI圖像對比算法
圖像對比即設定一個標準的模板與目標進行對比分析，是目前采用的*為廣泛的一種外觀檢查方式，其原理是通過RGB通道值和像素值的元素按照一種數學計算方式來得到結果。
1.6ALeader AOI統計建模圖像對比
近年來，將統計建模應用到AOI領域*先由神州視覺ALeader AOI提出，統計建模圖像對比即在制作標準圖像的時候通過學習一系列OK圖像的樣本，分別提取各種圖像的變化特征，*終生成一個綜合標準圖像及參數標準圖像。
總之，我們無法判斷和定論各種算法孰優孰劣，但我們完全可以相信，任何單一的算法是根本解決不了SMT裝配的所有不可預知的工藝問題的。因此取各種算法的長處用以對口檢測正成為AOI領域的研究課題。
2.0 AOI多算法對口的檢測技術
欲采用不同的算法對口不同的檢測項目，必須了解什么樣的算法*合適某個部位檢查，有了這個前提，才能對演算法進行嚴謹的實驗和訓練，下面的文章將以ALeader AOI為例一一進行解析。神州視覺ALeader AOI早期的ALD-H-350系列設備是單一的統計建模圖像對比技術，運用這種技術的優勢是使用簡單、人為影響的因素低，缺點是需要進行反復的學習模板。
自ALeader AOI5系列6系列以來，就完全摒棄了單一的處理模式，采用了多種算法結合的方式。在ALeader AOI當中，對一個電阻進行檢測會自動分為四個部分進行檢測，自動生成四個檢測框，分別是兩端的焊點(焊盤部分)、元件本體、字符絲印。
