La garantía de placa de circuito impreso (PCB) en el dominio óptico es un campo crucial de estudio. Aunque existen muchos métodos de garantía de PCB que utilizan el procesamiento de imágenes, la visión por computadora (CV) y el aprendizaje automático (ML), el campo de PCB es complejo y está evolucionando cada vez más, por lo que se requieren nuevas técnicas para superar los problemas emergentes. Los métodos existentes basados en ML superan a los métodos tradicionales de CV; sin embargo, a menudo requieren más datos, tienen baja explicabilidad y pueden ser difíciles de adaptar cuando surge una nueva tecnología. Para superar estos desafíos, los métodos de CV pueden ser utilizados en conjunto con los métodos de ML. En particular, los algoritmos de CV interpretables por humanos, como aquellos que extraen características de color, forma y textura, aumentan la explicabilidad de la garantía de PCB. Esto permite la incorporación de conocimientos previos, lo que reduce efectivamente la cantidad de parámetros de ML entrenables y, por lo tanto, la cantidad de datos necesarios para lograr una alta precisión al entrenar o reentrenar un modelo de ML. Por lo tanto, este estudio explora los beneficios y limitaciones de una variedad de características comunes basadas en visión por computadora para la detección de componentes de PCB. Los resultados del estudio indican que las características de color muestran un rendimiento prometedor para la detección de componentes de PCB. El propósito de este documento es facilitar la colaboración entre las comunidades de garantía de hardware, visión por computadora y aprendizaje automático.