Массивы шариковых выводов или шарикова сетка, по английски называемые как Ball Grid Array (сокр. BGA) широко используются в полупроводниковых схемах высокой плотности для повышения электрической надежности и минимизации коротких замыканий. Электрические соединения формируются через массив шариков припоя на нижней стороне корпуса, что позволяет создавать компактные межсоединения между BGA и печатной платой.
Пластиковые BGA-компоненты с ламинированными подложками широко используются в крупносерийном производстве. В процессе пайки оплавлением термическое напряжение и перепады температуры могут деформировать печатную плату или корпус, вызывая такие дефекты, как несмачивание, перекрытие шариков припоя, холодные паяные соединения и пустоты. Эти дефекты могут привести к коротким замыканиям или снижению надежности соединения, поэтому точный контроль качества пайки BGA-компонентов имеет решающее значение.
Традиционный оптический контроль не позволяет оценить паяные соединения BGA, расположенные под корпусом. Для обнаружения внутренних дефектов необходим рентгеновский контроль; однако рентгеновские снимки часто имеют низкий контраст и высокий уровень фонового шума.
Системы контроля, основанные на правилах, испытывают трудности в таких условиях. Различия в форме и плотности припоя снижают надежность обнаружения и увеличивают количество ложных срабатываний, ограничивая эффективность контроля в производственных условиях.
Наша система использует глубокое обучение для анализа рентгеновских снимков при контроле пайки BGA. Модель ИИ обучается на размеченных данных о дефектах, включая несмачивание, перекрытие шариков припоя, отклонения в размерах и короткие замыкания.
Модель выявляет едва заметные дефекты на зашумленных изображениях с низким контрастом, которые традиционные алгоритмы не могут надежно обнаружить. Благодаря SolVision повышается согласованность результатов контроля и снижается количество ложных срабатываний, что обеспечивает стабильный контроль качества в режиме реального времени.
Классификация дефектов пайки BGA
