近年来SiP(系统级封装)技术发展迅速，芯片越做越小功能却越来越强，这给我们的检测工作带来了巨大挑战，传统的 3D CT 扫描方式虽然能看清芯片内部结构，但效率很低，一台设备扫描一个产品，往往需要七八分钟，而且参数波动大，今天调好的参数明天可能就不适用了，更麻烦的是检测数据都是孤立的，无法与生产线上的其他数据打通，一旦出现问题很难追溯原因，今天际诺斯想分享如何通过优化扫描路径将 SiP 3D CT 检测效率提升了 60%，这背后离不开 X 射线检测和无损检测技术的支持，SiP 封装内部结构复杂，有堆叠的芯片、密密麻麻的焊点，还有各种微小的线路，任何一个环节出问题，都可能导致整个产品报废，因此我们必须在保证检测精度的前提下，提升速度。
做 SiP 检测的核心目标是高精度地识别微小缺陷，比如焊点里的空洞或芯片底部的裂纹，但光有精度还不够，参数稳定性同样重要，如果今天的检测结果和明天不一样，那这个检测就失去了意义，，数据互联互通也是一个大问题，以前，检测完的数据只存在电脑里，与生产线的 MES(制造执行系统)完全不相关，出了问题，还得人工去翻记录，效率极低。
小贴士： 在调整 CT 扫描参数时，一定要和缺陷检测算法配合好，例如，提高分辨率可能需要增加曝光时间，但这会降低速度，找到平衡点很关键。
为了解决效率问题，我们提出了“局部高精度 + 整体快速扫描”的策略，简单来说，就是先快速扫一遍，找到可能有问题的地方，然后再进行精细扫描。
这一步就像“侦察兵”，用较低的精度快速扫描整个产品，初步定位潜在缺陷区域，，大部分时间都花在“找问题”上，而不是“看没问题的地方”。
找到“嫌疑人”后，再对关键区域进行精细化扫描，确保缺陷不被遗漏。
传统的“局部+整体”策略虽然有效，但依赖预设规则，遇到结构复杂的产品，效果不够理想，为此我们引入了注意力机制，在整体快速扫描阶段，AI 模型会实时分析图像特征，自动识别高概率缺陷区域，然后动态分配更高分辨率的扫描资源，这种“自适应聚焦”策略，比固定路径规划又减少了 15%-20% 的冗余扫描时间，同时把微小缺陷的检出率提升到了 99% 以上。
小贴士： 3D 重建技术与路径规划密切相关，好的路径规划可以减少不必要的投影角度，加快重建速度，同时保证图像质量。
光有策略还不够，还需要技术来实现，我们主要做了三件事：
这个算法可以辅助扫描路径决策，当 AI 发现某个区域异常时，它会自动通知设备，对该区域进行更细致的扫描。
以前扫描路径和参数设置都是人工操作，现在全部自动化了，设备控制系统会根据 AI 的指令，自动调整扫描路径、电压、电流等参数，大大提升了自动化程度。
针对参数波动大的问题，我们提出了“参数自愈”的概念，我们收集了历史扫描数据，利用时间序列分析和异常检测算法，建立了一个参数波动预测模型，当系统检测到参数即将偏离最优区间时，会自动触发补偿机制，比如调整曝光时间或滤波片，，不需要人工干预，就能解决漏检和误检问题。
小贴士： 引入自动化检测流程后，一定要搭配实时监控系统，一旦参数出现异常，系统能立刻报警并自动调整，避免产生批量不良品。
之前我们服务的是一家国内领先的 SiP 生产企业，年产量超过 100 万颗，产品主要用于智能手机和可穿戴设备，他们之前使用传统 3D CT 扫描方式，平均每件产品需要 8 分钟，效率低，漏检率高，经常有不良品流到下一道工序，更糟糕的是，数据无法共享，出了问题，工程师要花好几天才能找到原因，后来我们帮他们实施了“局部高精度 + 整体快速扫描”的方案，并引入了智能路径优化算法和参数自愈机制，针对数据孤立的问题我们还构建了“数据叙事”体系，检测数据不再只是合格/不合格标签，而是通过知识图谱技术，将每个缺陷与对应的工艺参数、设备状态、批次信息关联起来，形成可追溯的“缺陷-工艺”图谱，工程师可以通过图谱快速定位问题根源，例如，有一次我们发现某批次空洞率突然升高，通过图谱一查，发现是回流焊温度偏差了 0.5 度导致的，我们从“被动检测”变成了“主动工艺优化”。
扫描时间从平均 8 分钟/件降至 3 分钟/件，效率提升 62.5%，漏检率下降至 0.3%，误检率降低至 0.5%，实现了检测数据与 MES 系统对接，数据利用率大幅提升。
通过扫描路径优化，我们实现了 SiP 3D CT 检测效率与精度的双重提升，技术与工艺的深度融合，是推动行业进步的关键，未来，我们还会继续探索更智能、更高效的检测解决方案，让检测不再是生产的瓶颈，而是质量提升的助推器。
留言板
返回列表