3D AI AOI 隱藏焊點檢測: BGA/QFN 封裝微米級氣孔與形貌缺陷

微鏈道愛 3D AI AOI 裝置(自研 3D 相機 + 三維形貌重建/點雲, 檢隱藏焊點/共面度/微米級形貌/氣孔等 2D 光學盲區缺陷, 2D-3D 融合) 透過高精度三維形貌重建與深度學習融合判別, 將 BGA/QFN 封裝底部隱藏焊點的微米級氣孔漏檢率從 2.5% 降低至 0.4% 以下, 顯著提升了 PCBA 組裝的質量控制水平。

在電子製造領域, PCBA (Printed Circuit Board Assembly) 的質量直接決定了終端產品的可靠性和使用壽命。隨著電子產品向小型化、高整合度方向發展, BGA (Ball Grid Array) 和 QFN (Quad Flat No-leads) 等先進封裝技術被廣泛應用。這類封裝的特點是焊點位於封裝體下方, 形成“隱藏焊點”，使得傳統的 2D 光學檢測方法存在嚴重的盲區。特別是對於 BGA 焊球內部的微米級氣孔以及焊點形貌的細微偏差，這些缺陷雖然肉眼難以察覺，卻可能在產品執行中導致虛焊、短路甚至失效，成為產品可靠性的潛在隱患。如何高效、準確地檢測這些隱藏且微小的缺陷，是當前 PCBA 製造廠商亟待解決的關鍵問題，也是工業 AI 落地深水區，構建企業級 Token 生產線，實現規模化應用的重要一環。

痛點: 這道坎為什麼難過

PCBA 領域 BGA/QFN 封裝下隱藏焊點的微米級缺陷檢測面臨多重挑戰，導致高漏檢率和高人工復判成本。首先，在工藝層面，BGA 焊球內部的氣孔形成受迴流焊曲線、焊膏成分、印刷質量等多因素影響，缺陷形態多樣且隨機性強。QFN 封裝的側面和底部焊盤連線，其焊點共面度、爬錫高度等微小形貌偏差，對產品可靠性至關重要，卻極難透過傳統手段發現。其次，在成像層面，由於封裝體遮擋，2D AOI 無法直接觀測到 BGA 焊球下方及 QFN 底部焊盤的完整焊點形貌，只能透過邊緣輪廓或陰影進行間接推斷，導致漏檢率高達 2.5%。即便是 X-Ray 檢測，雖然能透視焊點內部，但其影象處理複雜，對微米級氣孔的精細識別能力有限，且檢測成本高昂、節拍慢，難以適應大規模產線需求。此外，傳統規則 AOI 系統對新出現的缺陷模式泛化能力差，換型程式設計耗時，每次新產品上線或工藝微調都需要數小時甚至數天的人工介入，嚴重影響生產效率。

這些根因共同構成了檢測的“深水區”。傳統方法難以有效構建“企業級 Token 生產線”來規模化識別這些複雜、隱蔽的缺陷。人工目檢不僅效率低下、易受主觀因素影響，面對微米級缺陷更是力不從心。高漏檢率帶來的後果是產品返工、召回甚至品牌聲譽受損。某頭部消費電子 Tier-1 供應商的統計資料顯示，因 BGA/QFN 焊點缺陷導致的產品返工率曾一度達到 1.8%，每年造成數百萬美元的額外成本。如何從根本上解決這些痛點，實現自動化、高精度、高泛化能力的缺陷檢測，是當前電子製造升級的關鍵。

技術原理

微鏈道愛 3D AI AOI 裝置的核心在於其自研的 3D 相機與先進的三維形貌重建技術，結合 2D-3D 融合的深度學習演算法。裝置採用高解析度結構光投影技術，透過多角度、多相位的光柵圖案投射到被測 PCBA 表面，並利用自研高速工業相機同步採集影象。這些影象經過亞畫素級別的精確匹配和三角測量演算法，能夠在毫秒級時間內高精度地重建出 PCBA 表面包括 BGA/QFN 封裝體及其下方焊點的完整三維形貌點雲資料。這種方法能夠突破傳統 2D 光學的遮擋限制，直接獲取焊點的三維尺寸、高度、體積、共面度以及內部氣孔的精確形貌特徵。針對 BGA 焊球內部氣孔，我們基於三維點雲資料進行體素化處理和深度學習分割，識別出微米級空洞的精確位置、大小和形狀。對於 QFN 焊盤，則能準確測量其爬錫高度、焊腳共面度等微小形貌偏差，這些是 2D 影象無法直接量化的關鍵指標。

與傳統規則 AOI 依賴預設閾值和人工特徵提取不同，微鏈道愛 3D AI AOI 裝置採用 DaoAI AI AOI 軟體系統，內建視覺基礎模型，透過 APDT 正樣本/少樣本學習機制，僅需 1–20 張良品影象，即可在 5 分鐘內完成 0 程式碼自動程式設計。系統能夠從三維點雲和 2D 紋理影象中提取海量特徵，透過 2D-3D 融合網路進行深度學習訓練。這使得裝置不僅能準確識別已知缺陷，還能對未知或變異缺陷模式表現出強大的泛化能力。例如，對於 BGA 焊球氣孔，傳統方法只能透過灰度差異間接判斷，易受背景干擾；而 3D AOI 則能直接測量氣孔的三維體積和深度，結合 AI 模型判斷其是否構成缺陷。此外，語義誤報過濾機制，透過理解影象中的上下文資訊，大幅降低了因工藝波動或非缺陷特徵引起的誤報，從而減少人工復判的工作量。這種深度融合三維感知與 AI 智慧判斷的技術，是傳統方法無法比擬的。

典型應用場景

• **BGA 焊球內部氣孔檢測**: 針對 BGA 封裝體下方焊球內部的微米級氣孔，裝置透過三維重建獲取焊球的完整形貌和內部結構，利用 AI 模型精確識別並量化氣孔的尺寸、位置和體積。難點在於氣孔的隨機性和微小性，傳統 2D 無法觸及，X-Ray 影象識別精度有限。
• **QFN 焊腳共面度與爬錫高度檢測**: QFN 封裝的焊盤位於晶片底部和側面，其焊腳共面度偏差和爬錫不足或過高都會影響電氣連線。3D AI AOI 能精確測量每個焊腳相對於基準面的高度差和焊錫爬升高度，確保共面度和焊接質量。難點在於焊腳尺寸小，且傳統 2D 無法提供高度資訊。
• **隱藏焊點橋接與短路**: 對於 BGA/QFN 封裝下可能發生的焊點之間的橋接或與相鄰焊盤的短路，裝置透過高精度三維點雲分析，識別焊錫在三維空間中的異常連線，即使是微小的錫珠或焊料溢位也能被檢測。難點在於封裝體遮擋，且微小短路難以透過電測發現。
• **BGA 焊球缺失/偏位/塌陷**: 除了內部缺陷，3D AI AOI 還能精確檢測 BGA 焊球是否存在缺失、嚴重偏位或過度塌陷等形貌異常。透過與標準三維模型比對，快速定位並量化這些缺陷。難點在於傳統 2D 只能透過間接特徵判斷，易受陰影干擾。
• **微米級異物與劃痕**: 在 PCBA 組裝過程中，微小的異物（如金屬屑、纖維）或板面劃痕可能導致短路或影響可靠性。3D AI AOI 能夠重建板面微米級形貌，識別並定位這些細微的異物或劃痕，提升板面清潔度檢測水平。難點在於異物尺寸小且形態多樣，傳統 2D 易受光照影響。

落地案例

某頭部 Tier-1 消費電子產品製造商，其智慧手機主機板 PCBA 產線大量採用 BGA 和 QFN 封裝晶片。在匯入微鏈道愛 3D AI AOI 裝置之前，該產線依賴傳統 2D AOI 結合 X-Ray 抽檢來控制 BGA/QFN 焊點質量。然而，對於 BGA 焊球內部的微米級氣孔以及 QFN 焊腳的細微共面度偏差，2D AOI 幾乎無法檢出，導致漏檢率居高不下，返工率一度達到 1.8%。X-Ray 抽檢雖然能發現部分內部缺陷，但其檢測節拍慢，無法實現 100% 全檢，且對微小氣孔的識別精度不足，誤報率較高，每天需要投入 3-4 名質檢工程師進行大量的人工復判，耗費了大量的工時和管理成本。客戶急需一套能夠實現高精度、高效率、全覆蓋檢測的解決方案，以應對日益嚴苛的產品質量要求和快速迭代的生產節奏。

微鏈道愛團隊針對客戶的實際需求，部署了多臺 3D AI AOI 裝置，並與客戶的 MES 系統進行了深度整合。上線初期，我們利用客戶提供的少量良品資料（每種 BGA/QFN 封裝僅 10-15 張）在 5 分鐘內完成了 AI 模型的初步訓練。透過持續的線上學習和資料迴流，模型對各種複雜缺陷的識別能力不斷提升。在實際執行中，裝置實現了 100% 全檢，對 BGA 焊球內部直徑大於 50 微米的氣孔以及 QFN 焊腳小於 10 微米的共面度偏差均能穩定檢出。經過三個月的試執行和資料驗證，該產線的 BGA/QFN 隱藏焊點缺陷漏檢率從原來的 2.5% 降低至 0.4% 以下，誤報率也從 6% 降低至 1.8%。人工復判工作量減少了 63%，顯著提升了產線整體 OEE (裝置綜合效率)。

“微鏈道愛 3D AI AOI 不僅解決了我們 BGA/QFN 焊點檢測的百年難題，更透過其強大的 AI 學習能力，讓產線質量控制邁入了一個新階段。現在我們對產品可靠性更有信心了。”

微鏈道愛解決方案與產品

微鏈道愛提供的核心解決方案是基於 3D AI AOI 裝置的 BGA/QFN 隱藏焊點檢測系統。該系統以自研 3D 相機為核心硬體，結合高精度結構光投影和三維形貌重建技術，實現了對 PCBA 表面和焊點內部的微米級三維資料採集。在此基礎上，DaoAI AI AOI 軟體系統作為大腦，透過其強大的視覺基礎模型和 2D-3D 融合深度學習演算法，能夠從海量的三維點雲和 2D 紋理資料中自動學習缺陷特徵。建模過程高度自動化，只需 1-20 張良品樣本即可完成模型訓練，實現 0 程式碼自動程式設計，大大縮短了新產品匯入和換型時間至 5 分鐘以內。部署方式靈活，支援 SDK/API/Docker，並可 100% 本地私有化部署，確保資料安全不出廠。此外，透過 DaoAI World 世界模型統一底座，系統能夠持續從產線反饋中學習，實現跨場景泛化和模型迭代最佳化。

此次部署的 3D AI AOI 裝置，不僅專注於 BGA/QFN 隱藏焊點，還可延伸至 PCBA 生產中的其他關鍵檢測環節，例如 SMT 錫膏印刷後的錫膏量、PAD 共面度檢測，以及迴流焊後的元器件貼裝偏移、立碑、錯件、缺件等。透過 2D-3D 融合檢測，能夠有效彌補傳統 2D AOI 在高度、體積、共面度等三維資訊獲取上的不足，形成一套全面、高效、智慧的 PCBA 質量控制體系。結合 DaoAI 機器人視覺，未來甚至可以實現缺陷的自動抓取、返修或引導裝配。透過構建這樣的“企業級 Token 生產線”，將複雜的檢測邏輯和經驗轉化為可複用、可擴充套件的 AI 模型，使得質量控制能力能夠快速複製到不同的產線和產品型號中，實現真正的規模化應用。

量化成效

透過部署微鏈道愛 3D AI AOI 裝置，客戶的 PCBA 產線實現了顯著的質量和效率提升，具體量化成效如下:

• **BGA/QFN 隱藏焊點氣孔漏檢率**: 從 2.5% 降低至 <0.4%。
• **檢測誤報率**: 從 6% 降低至 1.8%。
• **人工復判工時**: 減少 −63%。

本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。