SolVisionFallstudie

BGA-Lötinspektion mit KI

Fall

Präzise BGA-Lötinspektion

Ball Grid Array (BGA) Technologie ist eine bevorzugte Verpackungsmethode für hochdichte und fortschrittliche Halbleiterchips, die darauf ausgelegt ist, elektrische Kurzschlüsse zu reduzieren und die Gesamtzuverlässigkeit zu verbessern. Dieser Ansatz verwendet ein Array kleiner Lötperlen auf der Unterseite des Gehäuses, um hochdichte elektrische Verbindungen zwischen dem BGA und der Leiterplatte (PCB) herzustellen. Künstliche BGAs, die üblicherweise laminierte Substrate verwenden, bieten eine kostengünstige Lösung für die Hochvolumenproduktion, insbesondere in der Unterhaltungselektronik und anderen kostensensitiven Anwendungen. Während des Reflow-Lötprozesses können jedoch Temperaturänderungen zu Verformungen der PCB und des BGA führen, was zu Mängeln wie Nichtbenetzung, Überlappung von Lötperlen, kalten Lötstellen und Hohlräumen führt – allesamt Ursachen für Kurzschlüsse oder geschwächte Verbindungen. Eine präzise Inspektion ist entscheidend, um die Zuverlässigkeit und Funktionalität des Endprodukts zu gewährleisten.

Herausforderung

Präzision bei der BGA-Fehlererkennung erreichen

Traditionelle optische Inspektionsmethoden sind oft unzureichend, um die Lötqualität bei BGAs zu überprüfen, insbesondere bei der dichten Anordnung der Lötballen auf der Unterseite. Röntgenaufnahmen sind entscheidend, um das Gehäuse zu durchdringen und potenzielle Lötfehler zu erkennen, die sich unter der Oberfläche verbergen. Allerdings leiden Röntgenbilder häufig unter erheblichem Hintergrundrauschen und weisen einen geringen Kontrast auf, was es Regel-basierten Systemen erschwert, Defekte genau zu erkennen und die Lötqualität zu bewerten.

Lösung

KI-gestützte Fehlererkennung für BGA-Lötverbindungen

SolVision nutzt Deep Learning, um sein KI-Modell mithilfe von gekennzeichneten Musterbildern von Lötfehlern wie Nichtbenetzung und Überlappung von Lötkügelchen zu trainieren. Durch den Einsatz fortschrittlicher KI-Algorithmen identifiziert SolVision diese Fehler nicht nur mit hoher Präzision, sondern beschleunigt auch den Inspektionsprozess erheblich und sorgt für eine schnellere und zuverlässigere Qualitätskontrolle. Das Modell ist darauf trainiert, subtile Fehler selbst in rauschenden und kontrastarmen Röntgenbildern zu erkennen, was eine Herausforderung für traditionelle Inspektionssysteme darstellt. Dies führt zu einer genauen Fehlererkennung, die die Inspektionszuverlässigkeit erhöht und Fehlalarme minimiert.