使用 AI 进行 BGA 焊接检测

案例概述

解決方案：SolVision

球栅阵列（Ball Grid Array，BGA）封装广泛应用于高密度半导体设计中，可提升电气可靠性并降低短路风险。其电气连接通过封装底部排列的焊球阵列实现，使 BGA 与 PCB 之间能够进行高密度且紧凑的互连。

在大规模生产中，常见的是采用层压基板的塑料 BGA。在回流焊接过程中，热应力与温度变化可能导致 PCB 或封装发生变形，从而产生未润湿、焊球重叠、冷焊点及空洞等缺陷。这些缺陷可能造成短路或降低连接可靠性，因此，精确的 BGA 焊接检测至关重要。

传统光学检测无法检查位于封装底部的 BGA 焊点，必须借助 X 光检测才能发现内部缺陷。然而，X 光图像通常对比度低、背景噪声高。

在这种条件下，基于规则的检测系统难以有效运行。焊球形状和密度的变化会降低检测稳定性并增加误判率，使其在实际产线环境中的检测效果受到限制。

SolVision 采用深度学习技术分析 X 光图像进行 BGA 焊接检测。AI 模型通过已标注的缺陷数据进行训练，涵盖未润湿、焊球重叠、尺寸偏差及短路等多种缺陷类型。

该模型能够在高噪声、低对比度的图像中识别出传统算法难以可靠检测的细微缺陷特征。通过 SolVision，不仅可提升检测一致性，还能有效降低误判率，从而支持稳定的产线在线质量管控。

OK：合格焊点

NG：不良焊点

尺寸异常（Wrong Size）：
焊球尺寸异常

短路（Short Circuit）：
焊点之间产生电性短路

成功检出隐藏的 BGA 焊接缺陷

可对不同类型的缺陷进行分类

降低误判率，确保产线实时检测的稳定性