SolVisionVaka Çalışması

Yapay Zeka Kullanarak BGA Lehimleme Denetimi

Durum

Doğru BGA Lehim Muayenesi

Küresel ızgara dizisi (BGA) teknolojisi, elektriksel kısa devreleri azaltmak ve genel güvenilirliği artırmak için tasarlanmış, yüksek yoğunluklu ve gelişmiş yarı iletken yongalar için tercih edilen bir paketleme yöntemidir. Bu yaklaşım, BGA ile PCB arasında yüksek yoğunluklu elektrik bağlantıları oluşturmak için paketin alt tarafında bir dizi küçük lehim bilyesi kullanır. Genellikle lamine alt tabakalar kullanan plastik BGA’lar, özellikle tüketici elektroniği ve diğer maliyet açısından hassas uygulamalarda yüksek hacimli üretim için uygun maliyetli bir çözüm sunar. Ancak, yeniden akış lehimleme işlemi sırasında sıcaklık değişiklikleri PCB ve BGA’da deformasyona neden olabilir ve ıslanmama, lehim bilyesi üst üste binmesi, soğuk lehim bağlantıları ve boşluklar gibi kusurlara yol açabilir; bunların hepsi kısa devrelere veya zayıflamış bağlantılara neden olabilir. Son ürünün güvenilirliğini ve işlevselliğini sağlamak için hassas inceleme kritik öneme sahiptir.

Zorluk

BGA Arıza Tespitinde Hassasiyete Ulaşmak

Geleneksel optik inceleme yöntemleri, özellikle alt yüzeydeki yoğun lehim bilyeleri dizisi için, BGA’larda lehimleme kalitesini doğrulamak için genellikle yetersizdir. X-ışını görüntüleme, pakete nüfuz etmek ve yüzeyin altında gizli olası lehimleme kusurlarını tespit etmek için çok önemlidir. Ancak, X-ışını görüntüleri genellikle önemli arka plan gürültüsünden muzdariptir ve net kontrasttan yoksundur, bu da kural tabanlı sistemlerin kusurları doğru bir şekilde tespit etmesini ve lehimleme kalitesini değerlendirmesini zorlaştırır.

Çözüm

BGA Lehimleme için AI Destekli Arıza Tespiti

SolVision, ıslatmama ve lehim topu örtüşmesi gibi lehimleme kusurlarının etiketli örnek görüntülerini kullanarak AI modelini eğitmek için derin öğrenmeden yararlanır. SolVision, gelişmiş AI algoritmalarından yararlanarak bu kusurları yalnızca yüksek hassasiyetle belirlemekle kalmaz, aynı zamanda inceleme sürecini önemli ölçüde hızlandırarak daha hızlı ve daha güvenilir kalite kontrolü sağlar. Model, geleneksel inceleme sistemlerinin mücadele ettiği bir zorluk olan gürültülü ve düşük kontrastlı X-ışını görüntülerinde bile ince kusurları tanımak üzere eğitilir. Bu, inceleme güvenilirliğini artıran ve yanlış pozitifleri en aza indiren doğru kusur tespiti ile sonuçlanır.