BGA封装芯片因其优越的性能已经广泛应用于各种电子产品,相应的BGA焊球缺陷检测技术也变得至关重要。因基于X射线的检测技术能够有效检测焊球内部缺陷,所以它取代了传统的光学检测方法,成为了BGA焊球缺陷检测的主流检测技术。电路板的集成度越来越高,出现BGA焊球双层封装或电容、电阻等元器件与BGA芯片重叠布置的情况,导致传统X射线2D检测方法所获得的图像(即DR图像)中多种元器件信息重叠、焊球背景复杂,BGA焊球空洞缺陷检测的难度随之增大,而X射线3D检测方法所获得的图像(即CT图像)可以有效解决背景复杂的问题。除此之外,X射线图像中因散射光子串扰造成的边缘伪影会影响焊球及空洞的分割精度,从而影响焊球空洞率计算的准确性。因此,缺陷检测技术的优劣会直接影响BGA产品检测的效率和质量,也会影响焊接工艺的研究和改进。本文针对DR图像背景复杂和焊球存在边缘伪影的问题,在X射线3D检测方法的基础上,对BGA焊球空洞缺陷检测算法开展了研究,主要研究内容包括以下四个方面:首先,对X射线源和图像采集系统的特性进行分析,并完成了检测系统硬件部分的搭建;检测系统的管电压、管电流和曝光时间是CT测试的主要参数,会直接影响成像质量,因此对其进行了实验研究,并从图像灰度值、信噪比和样品穿透率等角度进行了分析,分析结果有助于实验过程中CT检测参数的选择。其次,针对CT图像中包含焊球图像和非焊球图像的问题,构建了焊球图像分类数据集,又因图像尺寸不固定的特点,搭建了3个不同深度的基于空间金字塔的卷积神经网络,并从损失值和准确率两个角度对其作出了评价。根据评价结果得出,包含5个卷积层的空间金字塔卷积神经网络模型更适合本数据集的分类,针对焊球图像的分类准确率最高为99.2%。然后,针对焊球图像中包含缺陷焊球和无缺陷焊球的问题,构建了缺陷焊球识别数据集,提出了一种改进的Faster R-CNN神经网络用于识别缺陷焊球。该网络模型根据识别目标均为近圆形的特点,对传统Faster R-CNN神经网络中的RPN层进行了简化。通过将改进后的网络模型与传统网络模型的训练结果从准确率和召回率两个方面进行对比,证明了改进的Faster R-CNN神经网络性能更加优越,准确率达到99.3%,召回率达到100%。最后,根据焊球边缘伪影区域的灰度变化特点以及灰度曲线的微分特性,提出一种基于改进的LOG边缘检测的缺陷分割算法。该算法先使用LOG算法检测焊球及空洞的粗边缘,再使用过零点模板对粗边缘进行细化。使用相同材质、同等直径的焊丝进行替代实验,实验表明,该算法的分割误差均小于直方图法、Otsu法、Canny算子法和LOG法,可以得到更加准确的分割边缘,分割误差约为1像素,并可以根据分割结果计算焊球空洞率。