BGA/QFN 隱藏焊點的 3D AI 檢測：精準洞察空洞、橋連、不潤溼缺陷

隨著電子裝置不斷向小型化、高效能化發展，BGA、QFN 等底部端子封裝在通訊與高密度模組中大量使用。然而，這些封裝的焊點隱藏問題一直是檢測難題。微鏈道愛的 DaoAI 3D AI-AOI 檢測裝置為解決這一難題提供了有效方案。

行業背景與使用者場景：在當今電子製造領域，通訊與高密度模組等產品對於小型化和高效能的追求促使 BGA（Ball Grid Array）、QFN（Quad Flat No - leads）等底部端子封裝技術得到了廣泛應用。這些封裝形式能夠在有限的空間內實現更多的電氣連線，提高了產品的整合度和效能。然而，這種封裝方式也帶來了一個棘手的問題，即焊點天然被封裝遮擋。在實際的生產過程中，工廠需要對這些焊點的質量進行嚴格檢測，以確保產品的可靠性和穩定性。但傳統的平面光學檢測手段無法看到底部焊球的真實狀態，這給檢測工作帶來了巨大的挑戰。

痛點：為什麼難

從量化維度來看，在檢測覆蓋率方面，傳統的 X-ray 抽檢方式只能覆蓋部分產品，抽檢比例通常在 10% -20%左右，這意味著大部分產品的隱藏焊點質量無法得到全面檢測。在檢測節拍方面，X-ray 檢測速度較慢，其節拍往往跟不上貼片產線的生產速度，貼片產線每分鐘可完成 50-100 個元件的貼片，而 X-ray 檢測每分鐘只能處理 10-20 個產品。在缺陷檢出率方面，常規 2D AOI 對於隱藏焊點的空洞、橋連、不潤溼等缺陷的檢出率較低，僅能達到 60% -70%。

這些問題難以解決的根因在於焊點的隱藏特性。BGA、QFN 的焊點位於元件下方，被封裝緊密遮擋，平面光學檢測只能看到元件的外緣，無法獲取底部焊球的詳細資訊。而 X-ray 抽檢雖然能夠穿透封裝看到焊點，但由於其是抽檢方式，無法保證對所有產品進行檢測。此外，空洞、橋連、不潤溼等缺陷在灰度影象上表現相近，依靠傳統的灰度分析難以穩定區分這些缺陷，導致誤判和漏判情況頻繁發生。對於新封裝型號，由於缺乏足夠的缺陷樣本，傳統的檢測模型難以快速準確地建模，進一步影響了檢測效率和準確性。

技術原理

DaoAI 3D AI-AOI 檢測裝置採用了先進的技術機制。在成像方面，它對焊點區域進行 3D 高度成像，透過特殊的光學系統和演算法，能夠精確地獲取焊球的三維高度資訊，將原本隱藏在封裝之下的焊球底部形態清晰地還原出來。在演算法上，結合 AI 模型對焊球形態進行判讀。AI 模型經過大量資料的訓練，能夠學習到不同缺陷型別的特徵，利用三維特徵來穩定區分空洞、橋連、不潤溼等缺陷。

與傳統方法對比，傳統的 2D AOI 僅依靠灰度資訊進行檢測，對於灰度相近的缺陷難以區分，而 DaoAI 3D AI-AOI 的三維資訊為缺陷判讀提供了額外的高度維度依據，大大提高了檢測的準確性。X-ray 抽檢方式雖然能看到焊點，但存在覆蓋不全和節拍慢的問題，而 DaoAI 3D AI-AOI 可以按貼片節拍線上執行，實現全檢，能夠及時發現批次性焊接異常。此外，該裝置採用的 APDT 少樣本學習演算法，即使在新封裝型號缺陷樣本稀少的情況下，也能快速建模，提高了裝置的適應性和靈活性。

典型應用場景

• 空洞檢測：在檢測空洞缺陷時，DaoAI 3D AI-AOI 首先對焊點區域進行 3D 成像，獲取焊球的高度資訊。空洞的存在會導致焊球區域性高度異常，AI 模型透過分析這些高度變化，能夠準確識別空洞缺陷。難點在於空洞的大小和位置各不相同，且有些微小空洞在高度變化上表現不明顯，需要高精度的成像和複雜的演算法來進行判斷。
• 橋連檢測：對於橋連缺陷，裝置透過檢測相鄰焊球之間的高度和連線情況來進行判斷。當相鄰焊球之間出現異常連線時，其高度和形狀會發生變化，AI 模型根據這些特徵來識別橋連。難點在於橋連的形態多樣，有時可能只是輕微的連線，難以與正常的焊球形態區分開來，需要精確的三維特徵提取和分析。
• 不潤溼檢測：不潤溼缺陷表現為焊球與焊盤之間的結合不良，在 3D 成像中，不潤溼區域的高度和形狀會與正常區域有明顯差異。AI 模型透過對比這些差異來識別不潤溼缺陷。難點在於不潤溼的程度和範圍不同，且可能受到表面雜質等因素的影響，需要對影象進行細緻的處理和分析。
• 塌陷檢測：塌陷缺陷會導致焊球高度降低，DaoAI 3D AI-AOI 透過檢測焊球的高度變化來判斷是否存在塌陷。難點在於要準確區分正常的高度波動和塌陷缺陷，需要建立合理的高度閾值和判斷規則。
• 潤溼不良檢測：潤溼不良會影響焊球與焊盤的連線質量，裝置透過分析焊球的三維形態和與焊盤的接觸情況來檢測潤溼不良。難點在於潤溼不良的表現較為複雜，需要綜合考慮多個因素，如焊球的形狀、角度、與焊盤的接觸面積等。

落地案例

有一家中型電子製造工廠，主要生產通訊與高密度模組產品，在引入 DaoAI 3D AI-AOI 檢測裝置之前，一直採用 X-ray 抽檢和常規 2D AOI 結合的方式進行檢測。上線過程較為順利，微鏈道愛技術團隊對工廠員工進行了專業培訓，確保他們能夠熟練操作裝置。在上線前，隱藏焊點缺陷的綜合檢出率僅為 70%左右，後段功能測試中發現的焊接類不良率達到 5% -8%，X-ray 檢測承擔著大部分的檢測兜底工作。上線後，情況得到了顯著改善。

看不見的焊球不再靠抽檢賭運氣，DaoAI 3D AI-AOI 讓每一顆都過一遍。

微鏈道愛解決方案與產品

微鏈道愛的 DaoAI 3D AI-AOI 檢測裝置是專門為解決 BGA、QFN 隱藏焊點檢測難題而設計的。該裝置整合了先進的 3D 成像技術和 AI 演算法，能夠實現對隱藏焊點的線上全檢。其 APDT 少樣本學習功能，使得新封裝型號在缺陷樣本稀少的情況下也能快速建模，大大縮短了換型時間。裝置的操作介面簡潔直觀，易於員工上手操作，同時具備高效的資料分析和管理功能，能夠及時反饋檢測結果，為生產決策提供有力支援。

量化成效：上線後，空洞、橋連、不潤溼等隱藏焊點缺陷的綜合檢出率達到了 99%以上，相比上線前提高了近 30 個百分點。後段功能測試發現的焊接類不良顯著下降，不良率降低至 1%以下，降幅超過 80%。X-ray 由全靠它兜底轉為僅做疑難件確認，使用頻率大幅降低，檢測成本也相應減少。這充分證明了 DaoAI 3D AI-AOI 檢測裝置在提高檢測效率和產品質量方面的顯著成效。

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。