BGA/QFN 隐藏焊点的 3D AI 检测：精准洞察空洞、桥连、不润湿缺陷

随着电子设备不断向小型化、高性能化发展，BGA、QFN 等底部端子封装在通信与高密度模块中大量使用。然而，这些封装的焊点隐藏问题一直是检测难题。微链道爱的 DaoAI 3D AI-AOI 检测设备为解决这一难题提供了有效方案。

行业背景与用户场景：在当今电子制造领域，通信与高密度模块等产品对于小型化和高性能的追求促使 BGA（Ball Grid Array）、QFN（Quad Flat No - leads）等底部端子封装技术得到了广泛应用。这些封装形式能够在有限的空间内实现更多的电气连接，提高了产品的集成度和性能。然而，这种封装方式也带来了一个棘手的问题，即焊点天然被封装遮挡。在实际的生产过程中，工厂需要对这些焊点的质量进行严格检测，以确保产品的可靠性和稳定性。但传统的平面光学检测手段无法看到底部焊球的真实状态，这给检测工作带来了巨大的挑战。

痛点：为什么难

从量化维度来看，在检测覆盖率方面，传统的 X-ray 抽检方式只能覆盖部分产品，抽检比例通常在 10% -20%左右，这意味着大部分产品的隐藏焊点质量无法得到全面检测。在检测节拍方面，X-ray 检测速度较慢，其节拍往往跟不上贴片产线的生产速度，贴片产线每分钟可完成 50-100 个元件的贴片，而 X-ray 检测每分钟只能处理 10-20 个产品。在缺陷检出率方面，常规 2D AOI 对于隐藏焊点的空洞、桥连、不润湿等缺陷的检出率较低，仅能达到 60% -70%。

这些问题难以解决的根因在于焊点的隐藏特性。BGA、QFN 的焊点位于元件下方，被封装紧密遮挡，平面光学检测只能看到元件的外缘，无法获取底部焊球的详细信息。而 X-ray 抽检虽然能够穿透封装看到焊点，但由于其是抽检方式，无法保证对所有产品进行检测。此外，空洞、桥连、不润湿等缺陷在灰度图像上表现相近，依靠传统的灰度分析难以稳定区分这些缺陷，导致误判和漏判情况频繁发生。对于新封装型号，由于缺乏足够的缺陷样本，传统的检测模型难以快速准确地建模，进一步影响了检测效率和准确性。

技术原理

DaoAI 3D AI-AOI 检测设备采用了先进的技术机制。在成像方面，它对焊点区域进行 3D 高度成像，通过特殊的光学系统和算法，能够精确地获取焊球的三维高度信息，将原本隐藏在封装之下的焊球底部形态清晰地还原出来。在算法上，结合 AI 模型对焊球形态进行判读。AI 模型经过大量数据的训练，能够学习到不同缺陷类型的特征，利用三维特征来稳定区分空洞、桥连、不润湿等缺陷。

与传统方法对比，传统的 2D AOI 仅依靠灰度信息进行检测，对于灰度相近的缺陷难以区分，而 DaoAI 3D AI-AOI 的三维信息为缺陷判读提供了额外的高度维度依据，大大提高了检测的准确性。X-ray 抽检方式虽然能看到焊点，但存在覆盖不全和节拍慢的问题，而 DaoAI 3D AI-AOI 可以按贴片节拍在线运行，实现全检，能够及时发现批次性焊接异常。此外，该设备采用的 APDT 少样本学习算法，即使在新封装型号缺陷样本稀少的情况下，也能快速建模，提高了设备的适应性和灵活性。

典型应用场景

• 空洞检测：在检测空洞缺陷时，DaoAI 3D AI-AOI 首先对焊点区域进行 3D 成像，获取焊球的高度信息。空洞的存在会导致焊球局部高度异常，AI 模型通过分析这些高度变化，能够准确识别空洞缺陷。难点在于空洞的大小和位置各不相同，且有些微小空洞在高度变化上表现不明显，需要高精度的成像和复杂的算法来进行判断。
• 桥连检测：对于桥连缺陷，设备通过检测相邻焊球之间的高度和连接情况来进行判断。当相邻焊球之间出现异常连接时，其高度和形状会发生变化，AI 模型根据这些特征来识别桥连。难点在于桥连的形态多样，有时可能只是轻微的连接，难以与正常的焊球形态区分开来，需要精确的三维特征提取和分析。
• 不润湿检测：不润湿缺陷表现为焊球与焊盘之间的结合不良，在 3D 成像中，不润湿区域的高度和形状会与正常区域有明显差异。AI 模型通过对比这些差异来识别不润湿缺陷。难点在于不润湿的程度和范围不同，且可能受到表面杂质等因素的影响，需要对图像进行细致的处理和分析。
• 塌陷检测：塌陷缺陷会导致焊球高度降低，DaoAI 3D AI-AOI 通过检测焊球的高度变化来判断是否存在塌陷。难点在于要准确区分正常的高度波动和塌陷缺陷，需要建立合理的高度阈值和判断规则。
• 润湿不良检测：润湿不良会影响焊球与焊盘的连接质量，设备通过分析焊球的三维形态和与焊盘的接触情况来检测润湿不良。难点在于润湿不良的表现较为复杂，需要综合考虑多个因素，如焊球的形状、角度、与焊盘的接触面积等。

落地案例

有一家中型电子制造工厂，主要生产通信与高密度模块产品，在引入 DaoAI 3D AI-AOI 检测设备之前，一直采用 X-ray 抽检和常规 2D AOI 结合的方式进行检测。上线过程较为顺利，微链道爱技术团队对工厂员工进行了专业培训，确保他们能够熟练操作设备。在上线前，隐藏焊点缺陷的综合检出率仅为 70%左右，后段功能测试中发现的焊接类不良率达到 5% -8%，X-ray 检测承担着大部分的检测兜底工作。上线后，情况得到了显著改善。

看不见的焊球不再靠抽检赌运气，DaoAI 3D AI-AOI 让每一颗都过一遍。

微链道爱解决方案与产品

微链道爱的 DaoAI 3D AI-AOI 检测设备是专门为解决 BGA、QFN 隐藏焊点检测难题而设计的。该设备集成了先进的 3D 成像技术和 AI 算法，能够实现对隐藏焊点的在线全检。其 APDT 少样本学习功能，使得新封装型号在缺陷样本稀少的情况下也能快速建模，大大缩短了换型时间。设备的操作界面简洁直观，易于员工上手操作，同时具备高效的数据分析和管理功能，能够及时反馈检测结果，为生产决策提供有力支持。

量化成效：上线后，空洞、桥连、不润湿等隐藏焊点缺陷的综合检出率达到了 99%以上，相比上线前提高了近 30 个百分点。后段功能测试发现的焊接类不良显著下降，不良率降低至 1%以下，降幅超过 80%。X-ray 由全靠它兜底转为仅做疑难件确认，使用频率大幅降低，检测成本也相应减少。这充分证明了 DaoAI 3D AI-AOI 检测设备在提高检测效率和产品质量方面的显著成效。

本文由人工智能生成。文中客户案例为基于产品真实能力的模拟场景，成效数字为示例性质；官方标定口径以产品页为准。