随着智能手机和可穿戴设备等电子产品越来越轻薄，SiP(系统级封装)技术被广泛应用，SiP 技术将多个芯片和元器件封装在一个小型外壳中，类似于将一台小型电脑放进指甲盖大小的空间，这种技术虽然节省了空间但也带来了新的挑战，塑封后的 SiP 模块内部可能藏有微小的异物，如金属碎屑或灰尘颗粒，这些异物难以被发现，给产品质量带来隐患，作为半导体行业的 X 射线检测工艺工程师，我每天都在与这些“隐形杀手”打交道，目前行业面临三大难题：检测精度不足、参数设置不稳定、检测数据各自为政，我们最担心的是漏检和误检，漏检可能导致产品报废，而误检则浪费大量时间，今天际诺斯将结合客户的实际案例分享如何用新技术解决这些问题。
传统的 X 射线检测方法只能提供一个平面图像，就像拍一张“X 光片”，但 SiP 内部结构复杂，包含焊点、基板、芯片等多层结构，多角度旋转扫描技术让产品在 X 光下“转圈”，从不同角度拍摄，然后合成三维图像，即使异物藏在焊点后面也能被准确识别。
我们曾遇到一个棘手的案例：某客户生产的 SiP 模块在塑封后出现间歇性短路，传统检测方法无法找到原因，后来我们采用多角度旋转扫描，发现一个直径约 50 微米的金属碎屑卡在芯片和基板之间的缝隙里，这个角度在常规检测中完全被遮挡。
去年，我们为一家手机芯片封装厂优化检测程序，他们原来的检测方案只能识别直径 100 微米以上的异物，漏检率高达 15%，我们引入多角度旋转扫描后，将扫描角度从固定的 12 个增加到 36 个，并优化了扫描路径，结果，异物检出率从 77% 提升到 95%，提高了 23%，更重要的是，那些藏在焊点边缘和基板界面的微小异物(直径 30-50 微米)也能被清晰识别。
小贴士 ： 多角度扫描不是角度越多越好，建议先分析产品结构，找到异物最容易藏匿的“高风险区域”(比如焊点边缘、基板界面)，在这些区域增加扫描密度，其他区域保持常规扫描，既省时间又提高效率。
X 射线检测具有很强的穿透能力，能看穿塑封材料，但对微米级异物的定位精度有限，我们通过将多角度扫描与 X 射线检测结合，先利用 X 射线快速扫描，发现可疑区域，再用多角度扫描精确定位，同时，配合自动光学检测(AOI)进行二次验证，大大降低了漏检风险。
传统多角度扫描采用固定角度步长(比如每 30 度拍一张)，但实际生产中，异物在 SiP 复杂结构中的分布是有规律的，我们统计了 1000 个缺陷样本，发现约 65% 的异物出现在焊点边缘，20% 出现在基板界面，只有 15% 出现在其他区域，基于这个发现，我们开发了一种自适应旋转策略：系统会根据历史缺陷数据，自动识别高风险区域，在这些区域增加扫描角度密度(比如每 5 度拍一张)，而在低风险区域减少扫描密度(比如每 45 度拍一张)，如果实时图像显示某个区域有异常，系统还会动态调整扫描范围，优先覆盖可疑位置。
小贴士 ： 如果你的检测程序参数经常波动，可以尝试建立“缺陷概率分布图”，把过去 3 个月的所有检测数据整理出来，标记每个异物的位置，你就能发现规律，然后根据这个规律调整扫描策略，参数波动问题会明显改善。
差分成像技术听起来复杂，其实原理很简单，它通过比较相邻像素的亮度差异，来突出显示异物，就像在黑白照片里，如果背景是均匀的灰色，突然出现一个黑点，差分成像能让这个黑点变得更明显，这项技术特别适合检测微米级异物，因为它们与背景的对比度通常很低。
SiP 塑封后，材料本身会产生各种噪声(比如材料密度不均匀、表面粗糙度变化)，这些噪声很容易被误判为异物，差分成像通过计算像素间的差异，能有效过滤掉均匀的背景噪声，只保留那些“与众不同”的信号。
我们为一家汽车电子客户优化检测程序时，遇到了一个难题：他们的 SiP 模块使用了多种不同密度的材料，导致 X 射线图像背景噪声非常大，误检率高达 8%，我们引入差分成像技术后，将噪声过滤阈值从固定值改为动态调整，根据材料类型自动匹配最佳参数，结果，误检率从 8% 降到了 0.3%，而且检测速度还提高了 20%。
对于直径小于 30 微米的异物，传统检测方法几乎无能为力，但差分成像技术可以将检测灵敏度提升到 10 微米级别，我们曾用这项技术，成功检测出一个直径 12 微米的金属碎屑，它藏在芯片和塑封材料的交界处，如果没有差分成像，这个异物完全会被背景噪声淹没。
传统差分成像依赖固定阈值来区分信号和噪声，但 SiP 塑封后的背景噪声具有“结构依赖性”——不同材料界面(比如芯片与塑封料、焊点与基板)的噪声模式完全不同，如果用一个固定阈值，很容易漏检或误检，我们提出了“噪声指纹”建模方法：先为每种典型封装结构(比如 BGA 焊点、QFN 封装、芯片堆叠)建立专属的噪声模式数据库，检测时，系统会先识别当前区域属于哪种结构，然后匹配对应的“噪声指纹”，主动扣除背景噪声，再提取异物信号，，即使异物信号很微弱，也能被准确识别。
小贴士 ： 建立“噪声指纹”数据库时，建议从最简单的结构开始，比如先收集 100 个无缺陷的焊点图像，提取它们的噪声模式，然后逐步扩展到其他结构，一步步积累，数据库会越来越完善。
不是所有异物都需要“一视同仁”，一个直径 50 微米的金属碎屑，如果卡在焊点之间，可能导致短路，风险等级很高;但如果它只是漂浮在塑封材料内部，不接触任何电路，风险就低得多，因此我们需要建立一套科学的分类体系。
根据我们的经验，异物风险等级主要取决于两个因素：尺寸和位置。
尺寸分级：小于 20 微米的异物，通常风险较低(除非位置敏感);20-50 微米属于中等风险;大于 50 微米属于高风险。
位置分级：焊点区域、芯片与基板界面、芯片与塑封料界面属于高风险区域;塑封材料内部、基板边缘属于低风险区域。
我们为客户制定了一套标准化检测流程：先根据产品类型选择对应的检测参数模板，然后自动扫描并识别异物，系统会根据尺寸和位置自动计算风险等级，高风险异物直接标记为“不合格”，中等风险异物需要人工复核，低风险异物可以忽略，这套流程让检测效率提升了 40%，而且不同工程师的操作一致性从 60% 提高到了 95%。
我们将异物按尺寸分为三级：微米级(10-50 微米)、亚毫米级(50-500 微米)、毫米级(500 微米以上)，同时按位置分为五类：焊点区域、基板界面、芯片界面、塑封材料内部、其他区域，针对不同组合制定差异化的检测灵敏度参数，比如焊点区域的微米级异物，检测灵敏度要设置到最高;而塑封材料内部的亚毫米级异物，灵敏度可以适当降低。
同一个异物在不同工艺阶段或不同产品等级下，风险权重应该不同，比如一个直径 30 微米的金属碎屑出现在焊点边缘，在塑封后检测时风险等级可能是“中等”，但如果这个产品已经通过了老化测试(温度循环、振动测试)，这个异物的风险就会降低，因为它在恶劣环境下都没有引发问题，我们建立了一个动态权重模型：将异物检测结果与产品生命周期数据(比如温度循环次数、振动测试结果)关联，系统会自动查询该产品已经经历过的测试，然后调整风险等级判定标准，比如，如果产品已经通过了 1000 次温度循环测试，那么焊点区域的微米级异物风险等级会自动降低一级，这个模型还支持“一键优化”：工程师只需要输入产品类型和可靠性等级(消费级、工业级、车规级)，系统就会自动匹配最佳参数，我们的一位客户反馈，使用这个模型后，参数调整时间从原来的 2 小时缩短到 5 分钟，而且漏检率降低了 30%。
高精度识别需要精细的参数配置，但参数太多又容易导致波动，我们的解决方案是“模块化参数”：将检测参数分为基础参数(如电压、电流、曝光时间)和高级参数(如扫描角度、差分阈值、噪声过滤等级)，基础参数由系统自动优化，高级参数由工程师根据产品类型选择模板。
一键优化功能不是简单的“自动设置”，而是基于大数据分析，系统会收集所有检测数据，分析哪些参数组合效果最好，然后自动推荐最佳方案，比如，当检测一种新型 SiP 封装时，工程师只需要输入封装类型和材料信息，系统就会自动匹配最接近的历史参数模板，然后根据实时检测结果微调。
数据孤立是行业通病：X 射线检测数据、自动光学检测数据、电性能测试数据各自独立，无法互相验证，我们通过建立统一的数据平台，将三种检测数据整合在一起，当 X 射线检测发现一个可疑异物时，系统会自动调取该位置的自动光学检测图像和电性能测试结果，进行综合判断，误检率降低了 50% 以上。
X 射线检测擅长发现内部异物，自动光学检测擅长发现表面缺陷，我们将两者数据融合，实现“内外兼修”，比如X 射线检测发现一个内部异物后，自动光学检测会重点检查该位置对应的表面区域，看是否有裂纹或气泡，如果两者都发现异常，风险等级自动提升;如果只有一方发现异常，则需要人工复核。
SiP 塑封后异物检测，已经从“能不能看到”发展到“能不能精准识别”的阶段，多角度旋转扫描、差分成像、动态权重模型等技术的融合，让检测能力大幅提升，未来随着人工智能和大数据技术的深入应用，检测系统将更加智能，能够自动学习、自我优化，只有不断优化检测体系才能应对越来越复杂的封装挑战。
留言板
返回列表