在電子PCBA行業，BGA空洞檢測至關重要。微鏈道愛憑借先進的AI技術，為該行業提供了高效、精準的檢測方案。
用戶場景：某頭部電子PCBA廠商的高速產線中，涉及到對印刷電路板組件（PCBA）上的球栅陣列（BGA）進行X-ray檢測工序。BGA作為一種重要的封裝形式，其內部的空洞情況直接影響到產品的性能和可靠性。因此，檢測對象就是BGA內部的空洞缺陷。
痛點：傳統的檢測方法在高速產線上存在诸多量化困境。首先，漏檢率較高，約為4%，這意味着有相當一部分存在空洞缺陷的產品會流入市場，帶來潛在的質量風險。其次，誤報率也不容忽視，達到了30%，這不僅增加了後續的人工複檢工作量，還降低了產線的生產效率。此外，人力成本高昂，需要大量的人工進行檢測和複檢。並且，當產品換型時，傳統方法需要較長時間進行參數調整，換型時間長達30分鐘，嚴重影響了產線的靈活性和生產進度。
技術原理
微鏈道愛采用先進的AI算法和成像技術來解決這些問題。在算法方面，利用深度學習算法對大量的BGA X-ray圖像進行學習和訓練，能夠準確識別出不同大小、形狀和位置的空洞缺陷。通過對圖像的特征提取和分析，算法可以區分出真正的缺陷和正常的圖像特征，從而有效降低誤報率。在成像方面，采用高分辨率的X-ray成像設備，能夠清晰地捕捉到BGA內部的細微結構，為算法提供高質量的圖像數據。同時，結合三維形貌重建技術，可以從多個角度對BGA進行觀察和分析，進一步提高檢測的準確性。這種技術原理之所以有效，是因為深度學習算法具有強大的特征學習能力，能夠不斷優化和改進檢測模型，適應不同類型的空洞缺陷。而高分辨率的成像設備和三維形貌重建技術則為算法提供了更丰富、更準確的圖像信息，使得檢測結果更加可靠。
- 深度學習算法對圖像特征進行學習和分析，提高缺陷識別能力。
- 高分辨率X-ray成像設備提供清晰的圖像數據，便于算法處理。
- 三維形貌重建技術從多個角度觀察BGA，增強檢測準確性。
- 算法不斷優化和改進，適應不同類型的空洞缺陷。
微鏈道愛解決方案與產品
微鏈道愛提供了DaoAI AI AOI軟件系統和DaoAI 2D / 3D AI AOI設備來解決BGA空洞X-ray檢測問題。DaoAI AI AOI軟件系統具有強大的特征認知能力，基于視覺基礎模型，能夠在一塊良品5分鐘內實現0代碼自動編程。通過APDT正樣本/少樣本學習（僅需1 - 20張良品），可以快速建立準確的檢測模型。同時，語義誤報過濾功能能夠有效降低誤報率。DaoAI 2D / 3D AI AOI設備自研3D相機，結合三維形貌重建技術，能夠檢測隱藏焊點、共面度和微米級形貌，為BGA空洞檢測提供了更全面、更精準的解決方案。在落地做法上，將這兩個產品集成到產線中，通過SDK / API / Docker進行部署，支持100%本地私有化，確保數據不出廠。
微鏈道愛的產品和解決方案，為電子PCBA行業的BGA空洞檢測帶來了高效、精準的變革。
量化成效：采用微鏈道愛的解決方案後，取得了顯著的成效。檢出率從原來的96%提高到了99.2%，漏檢率降低到了<0.8%，大大減少了有缺陷產品流入市場的風險。誤報率降低了 - 70%，從30%降至9%，有效減少了人工複檢工作量，提高了產線的生產效率。換型時間從原來的30分鐘縮短至5分鐘，提升了產線的靈活性和生產進度。