CN116012285A - 一种基于激光超声的bga焊点缺陷检测系统及检测方法 - Google Patents

Abstract

本发明涉及一种基于激光超声的BGA焊点缺陷检测系统及检测方法，属于芯片检测领域。本发明的系统包括激光超声发射装置、激光超声检测装置、数据处理计算机、可移动检测平台和摄像机。本发明的基于激光超声的BGA焊点缺陷检测系统能够自动进行数据记录，自动对焦，减少人工成本。本发明基于激光超声的检测方法：使用机器学习方法，提前对有缺陷和无缺陷样本进行模型训练，在检测过程中，自动识别样本中是否含有缺陷。本发明的方法相较于其它BGA焊点检测方法具有非破坏性、速度快、精度高、成本低等特点。

Description

一种基于激光超声的BGA焊点缺陷检测系统及检测方法

技术领域

本发明属于芯片检测领域，具体涉及一种基于激光超声的BGA焊点缺陷检测系统及检测方法。

背景技术

随着集成电路朝着高度集成化的方向进一步发展，其中球栅阵列(Bal l GridArray,BGA)成为了主流电子封装技术，这种封装方式能够有效减小输出电压的扰动性，同时可减少数据传输的延迟时间。BGA封装的技术特点在于芯片下方焊球以阵列形式排布，大幅减小了器件体积的同时，也能增加引脚的排布数量，因此广泛应用于高性能处理器等多管脚芯片的集成封装中。

BGA封装器件的更新有力地推动了芯片焊接技术地发展，使得焊球面积越来越小，数量越来越多，焊接工艺越来越精细，对焊球的质量保障也提出了越来越高的要求。BGA焊球的质量参数包括：焊球数量，焊球直径，焊球中心点等，当参数不满足要求时产生的质量缺陷为焊球缺失/冗余，焊球变形，焊球位置错误，焊球桥接等。这些缺陷会导致芯片无法正常工作。

现有BGA焊点检测方法主要分为有损检测和无损检测，由于任务特点，我们首先排除有损检测。在无损检测中，主流方法是基于X射线的检测，但测试设备较为昂贵。现有针对BGA封装芯片的视觉检测系统，其检测精度较差，检测效果不佳，且在进行芯片贴装后，无法有效判断BGA封装芯片与PCB板之间连接是否存在缺陷。目前国际上研究热点是基于激光超声的检测方法，该方法速度快，精度高，成本低，有望得到更广泛的应用。

现有BGA封装芯片焊球非破坏性检测方法，以X射线检测和机器视觉检测为主。其中，X射线检测设备体积大，价格高昂，但能够对焊球内部进行检测。现有针对BGA封装芯片的视觉检测系统，其检测精度较差，检测效果不佳，无法有效判断BGA封装芯片及焊球在生产过程中所存在的缺陷，并且对焊球检测结果的记录与跟踪缺乏自动化手段。

针对BGA焊点缺陷问题，通常分为两类检测手段，分别是破坏性检测和非破坏性检测。

破坏性检测方法包括：

1.红墨水试验法

该方法适通过观察印制电路板(PCB)及芯片组件的焊点染色情况，从而对焊接开裂情况进行判定，可以考察电子零件的焊接是否存在虚焊、假焊、裂缝等瑕疵。

红墨水试验的原理是利用液体的渗透性。将焊点置于红色染剂中，让染料渗入焊点裂纹，干燥后将焊点强行分离，通过观察开裂处界面颜色状态来判断焊点是否断裂。

2.切片分析法

该方法是进行PCB失效分析的重要技术，切片分析较红墨水试验更费时，切片分析的流程包括：取样、清洗、真空镶嵌、研磨、抛光、微蚀、分析，切片质量的好坏将直接影响失效部位确认的准确性，因此对检测人员的能力要求很高。在切片分析的基础上，可以采用SEM和EDS对焊点的失效原因进行进一步分析。

由于破坏性检测后的芯片无法再使用，因此只能用于对BGA焊点的采样抽检或故障分析，无法保证焊点的百分之百的可靠。这类场景应该使用非破坏性检测。

非破坏性检测方法包括：

1.目检法

该方法通过高倍放大镜对焊点进行观察，从外观上初步检测焊点是否存在明显缺陷。该方法检测的局限性很大，只能用作初步判断，无法判断焊点内部是否存在其他缺陷或焊点表面是否有空洞等。

2.机器视觉检测法

该方法与目检法类似，只是检测主体由人变为了计算机，主要分为2D检测和3D检测。其中，3D检测为了重建3D图像，必须依赖于结构光，才能得到较准确的3D图像重建结果。该方法与目检法类似，无法对焊球内部，及被遮挡的焊点进行检测。

2.X射线检测法

该方法是一种无损的物理透视方法，利用X射线透视元器件，检测元器件的内部封装情况，如气泡、裂纹、绑定线异常等。

3.2D X射线法

该方法利用记录X射线穿透不同密度物质后其光强度的变化，产生的对比效果可形成影像，用以分析待焊点内部有问题的区域。该方法能判别空焊、虚焊等BGA焊接缺陷，以及BGA、PCB等内部位移的分析，架桥、短路方面的缺陷点。

4.3D X射线断层扫描法(CT扫描)

该方法很好的解决了2D X射线法的局限性问题，能够呈现三维立体图像，且具有高密度分辨率和高空间分辨率，可以准确、清晰的观察BGA焊点的焊接质量和结构缺陷，还能显示出缺陷在焊接内部的形状、位置和大小。

在上述的非破坏性检测方法对焊点进行检测的过程中，目视检测和2D X射线检测均存在局限性，而3D X射线断层扫描能较完美的解决焊点缺陷检测问题，但测试费用较昂贵。

5.激光超声检测方法(LUI)

激光超声检测BGA焊点缺陷的原理是将一束脉冲激光聚焦待测芯片封装表面，由于芯片封装材料的热弹性产生微小形变，进而产生超声波，然后再通过检测装置去采集超声波信号的过程。由于不同的BGA焊点缺陷引起振动会有微小差异，进而可以通过激光超声检测装置检测到不同的信号。但该方法目前还在实验阶段，还未有正式产品问世。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是如何提供一种基于激光超声的BGA焊点缺陷检测系统及检测方法，以解决BGA焊点缺陷检测存在的问题。

(二)技术方案

为了解决上述技术问题，本发明提出一种基于激光超声的BGA焊点缺陷检测系统，该系统包括激光超声发射装置、激光超声检测装置、数据处理计算机、可移动检测平台和摄像机；

激光超声发射装置，用于通过激光热能转化成芯片封装的振动从而产生超声波，或通过压电转换装置将电信号转为超声信号；

激光超声聚焦控制系统连接激光超声发射装置和激光超声检测装置，用于控制激光超声发射装置在垂直方向的前进或后退，从而调整激光超声的聚焦程度；

激光超声检测装置连接激光超声聚焦控制系统和数据处理计算机，用于检测BGA封装芯片封装表面的纳米级振幅的激光回波振动；

可移动检测平台连接数据处理计算机，且通过夹具夹持待测BGA封装芯片，在X、Y方向进行移动，内置平台水平检测装置，保证系统的水平移动，且能够检测当前环境是否存在能够影响检测实验的强烈振动；

摄像机连接数据处理计算机，能够对焦图像，用于芯片字符识别与芯片位姿获取，并且具有能够伸缩控制的摄像头；

数据处理计算机，用于采集、分析、记录测试数据，运行芯片字符识别算法和芯片位姿控制算法；芯片位姿控制时，数据处理计算机通过图像处理算法，在摄像头视野中，对目标BGA封装芯片进行图像匹配，匹配成功后进行进一步的对焦，保证字符能够清晰显示，以进行BGA封装芯片的字符识别；芯片字符识别时，通过摄像头对芯片标识字符进行识别，将待测芯片标识信息、及相关测试信息存储到数据库中。

进一步地，激光超声检测装置为激光干涉仪或激光扫描摄像机。

本发明还提供一种基于激光超声的BGA焊点缺陷检测方法，该方法包括如下步骤：

步骤S1、建立基于激光超声回波的BGA合格焊点与缺陷焊点的训练数据集，并进行BGA焊点激光超声回波分类模型训练；

步骤S2：模型训练结束后，对待测带有BGA焊点的芯片进行图像检测，将摄像机自动对焦到芯片的标识字符，记录待测芯片信息；

步骤S3：将待测芯片移动到激光超声发射装置正对位置处；

步骤S4：将激光超声发射装置自动对焦到最佳检测位置；将激光超声发射装置沿垂直方向移动，直到超声回波的信号信噪比最大为止；

步骤S5：对待测芯片的BGA焊点进行激光超声回波检测；

步骤S6：对各处激光超声回波检测数据进行处理、分析，然后送入步骤S1训练得到的的BGA焊点激光超声回波分类模型中进行计算，分类；

步骤S7：将测试结果录入数据库系统。

进一步地，所述步骤S1具体包括如下步骤：

S11、首先挑选多个具有BGA合格焊点以及具有BGA典型缺陷焊点的PCB板卡，将其分别放置在测试平台上，对其标识字符进行识别并录入系统，用于测试数据的统一管理；

S12、对PCB板卡进行激光超声检测，并记录各BGA封装芯片的超声回波数据作为合格超声回波数据数据集、不合格的超声回波数据集；

S13、以BGA封装芯片超声回波数据作为模型输入，以BGA焊点的缺陷或完好状态作为分类结果，进行模型训练，得到训练后的BGA焊点激光超声回波分类模型。

进一步地，所述步骤S12的检测过程包括：焊点是N*N的矩阵，由芯片左上角开始，到右下角为止，将整个芯片分为(N/3)*(N/3)的网格，即每个网格中有9个焊点，检测平台沿每个网格中心位置进行蛇型移动，在各个位置处分别进行超声回波检测。

进一步地，所述步骤S13中，激光超声回波分类模型选用CNN卷积神经网络模型。

进一步地，所述步骤S13中，在BGA焊点激光超声回波分类模型的训练过程中，通过对比分类结果与回波数据对应的类型标签，选取不同的核函数进行优化调整，类型标签包括虚焊、空穴、裂缝、桥接及无缺陷；将合格训练数据集、不合格训练数据集输入优化调整后的BGA焊点激光超声回波分类模型进行模型训练，当训练结果收敛时，得到最优回波检测模型。

进一步地，所述步骤S2具体包括：将待测BGA封装芯片置于可移动检测平台上，检测平台分别沿X轴、Y轴规律移动，先由原点，沿X轴平移，后回到原点，在Y轴上移动某一固定距离后，再沿X轴移动，直到待测芯片处于摄像机视野中为止；该过程中，数据处理计算机利用提前拍摄好的BGA封装芯片图像作为匹配模板，不断使用图像匹配算法，对拍摄到的图像进行处理，当视野中的待测芯片图像与被匹配图像一致时停止对X轴、Y轴的移动。

进一步地，所述步骤S2中，对待测芯片的标识符进行识别前，通过梯度评价算法，对字符清晰度进行判断，通过数据处理计算机的控制，微调摄像机焦距，达到最佳的聚焦状态，通过OCR算法将芯片信息采集录入芯片缺陷管理数据库系统，记录当前芯片出厂编号、测试时间信息。

进一步地，所述步骤S6具体包括：对各处超声回波检测数据首先进行小波变换去噪处理，然后将检测数据送入步骤S1的BGA焊点激光超声回波分类模型中进行计算，分类，获得该处位置的9个焊点中是否存在有缺陷的焊点；如果存在缺陷，再对这局部的9个焊点位置分别进行超声回波检测，确定是哪一个焊点处存在缺陷。

(三)有益效果

本发明提出一种基于激光超声的BGA焊点缺陷检测系统及检测方法，本发明的基于激光超声的BGA焊点缺陷检测系统能够自动进行数据记录，自动对焦，减少人工成本。

本发明基于激光超声的检测方法：使用机器学习方法，提前对有缺陷和无缺陷样本进行模型训练，在检测过程中，自动识别样本中是否含有缺陷，

本发明的方法相较于其它BGA焊点检测方法具有非破坏性、速度快、精度高、成本低等特点。

附图说明

图1为本发明基于激光超声的BGA焊点缺陷检测系统结构图。

具体实施方式

为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

本发明利用激光超声检测原理(LUI，laser ul trasonic inspect ion)，充分发挥LUI的检测速度快、检测速度高、低成本的检测优势，实现一套可用、好用的检测装置及相应检测方法。

为实现以上目的，本发明通过以下技术方案予以实现：

如图1所示，一种基于激光超声的BGA焊点缺陷检测系统，包括：

激光超声发射装置、激光超声检测装置、数据处理计算机、可移动检测平台、摄像机等。

激光超声发射装置：用于通过激光热能转化成芯片封装的振动从而产生超声波，或通过压电转换装置将电信号转为超声信号。

激光超声聚焦控制系统：连接激光超声发射装置和激光超声检测装置，可控制激光超声发射装置在垂直方向的前进或后退，从而调整激光超声的聚焦程度。

激光超声检测装置：连接激光超声聚焦控制系统和数据处理计算机，用于检测BGA封装芯片封装表面的纳米级振幅的振动，以下简称激光回波，可使用激光干涉仪、激光扫描摄像机等。

可移动检测平台：连接数据处理计算机，且通过夹具夹持待测BGA封装芯片，可在X、Y方向进行移动，内置平台水平检测装置，可保证系统的水平移动，且能够检测当前环境是否存在能够影响检测实验的强烈振动。

摄像机：连接数据处理计算机，能够对焦图像，用于芯片字符识别与芯片位姿获取，并且具有能够伸缩控制的摄像机。

数据处理计算机：用于采集、分析、记录测试数据，运行芯片字符识别算法和芯片位姿控制算法；芯片位姿控制时，数据处理计算机通过图像处理算法，在摄像头视野中，对目标BGA封装芯片进行图像匹配，匹配成功后进行进一步的对焦，保证字符能够清晰显示，以进行BGA封装芯片的字符识别；芯片字符识别时，通过摄像头对芯片标识字符进行识别，将待测芯片标识信息、及相关测试信息存储到数据库中。

本发明的基于激光超声的BGA焊点缺陷检测方法，包括如下步骤：

步骤S1、建立基于激光超声回波的BGA合格焊点与缺陷焊点的训练数据集，并进行BGA焊点激光超声回波分类模型训练。

S11、首先挑选多个具有BGA合格焊点以及具有BGA典型缺陷焊点的PCB板卡，将其分别放置在测试平台上，对其标识字符进行识别并录入系统，用于测试数据的统一管理。

S12、对PCB板卡进行激光超声检测，并记录各BGA封装芯片的超声回波数据作为合格超声回波数据数据集、不合格的超声回波数据集。

检测过程为，以焊点是N*N的矩阵为例，由芯片左上角开始，到右下角为止，将整个芯片分为(N/3)*(N/3)(向上取整)的网格，即每个网格中有9个焊点，检测平台沿每个网格中心位置进行蛇型移动。在各个位置处分别进行超声回波检测。

S13、将合格超声回波数据数据集、不合格的超声回波数据集分别输入激光超声回波分类模型中(如可利用CNN卷积神经网络模型或其他可用于数据分类的机器学习模型)，用以训练该模型。以BGA封装芯片超声回波数据作为模型输入，以BGA焊点的缺陷或完好状态作为分类结果，进行模型训练，得到训练后的BGA焊点激光超声回波分类模型。

优选地，在BGA焊点激光超声回波分类模型的训练过程中，通过对比分类结果与回波数据对应的类型标签(即BGA封装芯片的缺陷，如虚焊、空穴、裂缝、桥接等，以及无缺陷状态)，选取不同的核函数进行优化调整。

优选地，将合格训练数据集、不合格训练数据集输入优化调整后的BGA焊点激光超声回波分类模型进行模型训练，当训练结果收敛时，得到最优回波检测模型。

步骤S2：模型训练结束后，对待测带有BGA焊点的芯片进行图像检测，将摄像机自动对焦到芯片的标识字符，记录待测芯片信息。

将待测BGA封装芯片置于可移动检测平台上，检测平台分别沿X轴、Y轴规律移动，先由原点，沿X轴平移，后回到原点，在Y轴上移动某一固定距离后，再沿X轴移动，直到待测芯片处于摄像机视野中为止。该过程中，数据处理计算机利用提前拍摄好的BGA封装芯片图像作为匹配模板，不断使用图像匹配算法，对拍摄到的图像进行处理，当视野中的待测芯片图像与被匹配图像一致时停止对X轴、Y轴的移动。

对待测芯片的标识符进行识别前，通过梯度评价等算法，对字符清晰度进行判断，通过数据处理计算机的控制，微调摄像机焦距，达到最佳的聚焦状态，通过OCR算法将芯片信息采集录入芯片缺陷管理数据库系统，记录当前芯片出厂编号、测试时间等信息。

步骤S3：将待测芯片移动到激光超声发射装置正对位置处。

将上一步骤中，芯片所处的绝对位置计算出来，再由激光超声发射装置与视觉摄像机的相对位置在平面上的投影，得出目标位置，计算出检测平台沿X轴、Y轴应运动的距离，并将待测芯片移动到该位置。

步骤S4：将激光超声发射装置自动对焦到最佳检测位置。

将激光超声发射装置沿垂直方向移动，直到超声回波的信号信噪比最大为止。

步骤S5：对待测芯片的BGA焊点进行激光超声回波检测。

按照步骤S1中的激光超声回波检测过程，对待测芯片进行激光超声回波采集。

步骤S6：对各处激光超声回波检测数据进行处理、分析，然后送入步骤S1训练得到的的BGA焊点激光超声回波分类模型中进行计算，分类。

对各处超声回波检测数据首先进行小波变换去噪处理，然后将检测数据送入步骤S1的BGA焊点激光超声回波分类模型中进行计算，分类，获得该处位置的9个焊点中是否存在有缺陷的焊点。如果存在缺陷，再对这局部的9个焊点位置分别进行超声回波检测，确定是哪一个焊点处存在缺陷。

步骤S7：将测试结果录入数据库系统。

本发明的基于激光超声的BGA焊点缺陷检测系统能够自动进行数据记录，自动对焦，减少人工成本。

本发明基于激光超声的检测方法：使用机器学习方法，提前对有缺陷和无缺陷样本进行模型训练，在检测过程中，自动识别样本中是否含有缺陷，

本发明的方法相较于其它BGA焊点检测方法具有非破坏性、速度快、精度高、成本低等特点。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于激光超声的BGA焊点缺陷检测系统，其特征在于，该系统包括激光超声发射装置、激光超声检测装置、数据处理计算机、可移动检测平台和摄像机；

激光超声发射装置，用于通过激光热能转化成芯片封装的振动从而产生超声波，或通过压电转换装置将电信号转为超声信号；

激光超声聚焦控制系统连接激光超声发射装置和激光超声检测装置，用于控制激光超声发射装置在垂直方向的前进或后退，从而调整激光超声的聚焦程度；

激光超声检测装置连接激光超声聚焦控制系统和数据处理计算机，用于检测BGA封装芯片封装表面的纳米级振幅的激光回波振动；

可移动检测平台连接数据处理计算机，且通过夹具夹持待测BGA封装芯片，在X、Y方向进行移动，内置平台水平检测装置，保证系统的水平移动，且能够检测当前环境是否存在能够影响检测实验的强烈振动；

摄像机连接数据处理计算机，能够对焦图像，用于芯片字符识别与芯片位姿获取，并且具有能够伸缩控制的摄像头；

数据处理计算机，用于采集、分析、记录测试数据，运行芯片字符识别算法和芯片位姿控制算法；芯片位姿控制时，数据处理计算机通过图像处理算法，在摄像头视野中，对目标BGA封装芯片进行图像匹配，匹配成功后进行进一步的对焦，保证字符能够清晰显示，以进行BGA封装芯片的字符识别；芯片字符识别时，通过摄像头对芯片标识字符进行识别，将待测芯片标识信息、及相关测试信息存储到数据库中。

2.如权利要求1所述的基于激光超声的BGA焊点缺陷检测系统，其特征在于，激光超声检测装置为激光干涉仪或激光扫描摄像机。

3.一种权利要求1或2所述的系统的基于激光超声的BGA焊点缺陷检测方法，其特征在于，该方法包括如下步骤：

步骤S1、建立基于激光超声回波的BGA合格焊点与缺陷焊点的训练数据集，并进行BGA焊点激光超声回波分类模型训练；

步骤S2：模型训练结束后，对待测带有BGA焊点的芯片进行图像检测，将摄像机自动对焦到芯片的标识字符，记录待测芯片信息；

步骤S3：将待测芯片移动到激光超声发射装置正对位置处；

步骤S4：将激光超声发射装置自动对焦到最佳检测位置；将激光超声发射装置沿垂直方向移动，直到超声回波的信号信噪比最大为止；

步骤S5：对待测芯片的BGA焊点进行激光超声回波检测；

步骤S6：对各处激光超声回波检测数据进行处理、分析，然后送入步骤S1训练得到的的BGA焊点激光超声回波分类模型中进行计算，分类；

步骤S7：将测试结果录入数据库系统。

4.如权利要求3所述的基于激光超声的BGA焊点缺陷检测系统，其特征在于，所述步骤S1具体包括如下步骤：

S11、首先挑选多个具有BGA合格焊点以及具有BGA典型缺陷焊点的PCB板卡，将其分别放置在测试平台上，对其标识字符进行识别并录入系统，用于测试数据的统一管理；

S12、对PCB板卡进行激光超声检测，并记录各BGA封装芯片的超声回波数据作为合格超声回波数据数据集、不合格的超声回波数据集；

S13、以BGA封装芯片超声回波数据作为模型输入，以BGA焊点的缺陷或完好状态作为分类结果，进行模型训练，得到训练后的BGA焊点激光超声回波分类模型。

5.如权利要求4所述的基于激光超声的BGA焊点缺陷检测系统，其特征在于，所述步骤S12的检测过程包括：焊点是N*N的矩阵，由芯片左上角开始，到右下角为止，将整个芯片分为(N/3)*(N/3)的网格，即每个网格中有9个焊点，检测平台沿每个网格中心位置进行蛇型移动，在各个位置处分别进行超声回波检测。

6.如权利要求4所述的基于激光超声的BGA焊点缺陷检测系统，其特征在于，所述步骤S13中，激光超声回波分类模型选用CNN卷积神经网络模型。

7.如权利要求4所述的基于激光超声的BGA焊点缺陷检测系统，其特征在于，所述步骤S13中，在BGA焊点激光超声回波分类模型的训练过程中，通过对比分类结果与回波数据对应的类型标签，选取不同的核函数进行优化调整，类型标签包括虚焊、空穴、裂缝、桥接及无缺陷；将合格训练数据集、不合格训练数据集输入优化调整后的BGA焊点激光超声回波分类模型进行模型训练，当训练结果收敛时，得到最优回波检测模型。

8.如权利要求3所述的基于激光超声的BGA焊点缺陷检测系统，其特征在于，所述步骤S2具体包括：将待测BGA封装芯片置于可移动检测平台上，检测平台分别沿X轴、Y轴规律移动，先由原点，沿X轴平移，后回到原点，在Y轴上移动某一固定距离后，再沿X轴移动，直到待测芯片处于摄像机视野中为止；该过程中，数据处理计算机利用提前拍摄好的BGA封装芯片图像作为匹配模板，不断使用图像匹配算法，对拍摄到的图像进行处理，当视野中的待测芯片图像与被匹配图像一致时停止对X轴、Y轴的移动。

9.如权利要求8所述的基于激光超声的BGA焊点缺陷检测系统，其特征在于，所述步骤S2中，对待测芯片的标识符进行识别前，通过梯度评价算法，对字符清晰度进行判断，通过数据处理计算机的控制，微调摄像机焦距，达到最佳的聚焦状态，通过OCR算法将芯片信息采集录入芯片缺陷管理数据库系统，记录当前芯片出厂编号、测试时间信息。

10.如权利要求3所述的基于激光超声的BGA焊点缺陷检测系统，其特征在于，所述步骤S6具体包括：对各处超声回波检测数据首先进行小波变换去噪处理，然后将检测数据送入步骤S1的BGA焊点激光超声回波分类模型中进行计算，分类，获得该处位置的9个焊点中是否存在有缺陷的焊点；如果存在缺陷，再对这局部的9个焊点位置分别进行超声回波检测，确定是哪一个焊点处存在缺陷。

Images