BGA X線インライン検査のAXIしきい値設計と偽陽性削減アルゴリズム
BGA X線インライン検査におけるAXIしきい値設計の重要性
BGA（Ball Grid Array）は高密度実装が可能な半導体パッケージとして普及が進んでいますが、実装基板の内部欠陥の検出にはインライン自動X線検査（AXI）が不可欠です。
しかし、X線画像による非破壊検査では、検出精度向上と同時に、誤認識（偽陽性）の発生を抑えることが現場の大きな課題です。
この問題を解決するためには、AXIのしきい値設計と偽陽性削減アルゴリズムの工夫が求められます。
ここでは、BGA X線インライン検査におけるしきい値設計の考え方と、誤検出を低減するための先進的なアルゴリズムの設計例について詳しく解説します。
AXIにおけるしきい値とは
X線画像検査装置（AXI : Automated X-ray Inspection）は、はんだ接合部や内部のコンポーネントの検査において、画像内の特徴量を解析して良否判定を自動化します。
この際、健全なはんだ部と不良なはんだ部を判別するために設定される基準値を「しきい値」と呼びます。
しきい値は、画素の濃度値やボールサイズ、ボイド率などに設定され、これを超えた場合に異常とみなします。
しかし、しきい値が適切でないと、正常な部品が誤って不良と判定される偽陽性や、不良が見逃される偽陰性のリスクが高まります。
しきい値の種類
BGAのX線検査で主に用いられるしきい値には以下のようなパラメータがあります。
・X線輝度値（画素レベルでの灰度差）
・ボイド面積率（はんだ内に占める空隙面積の比率）
・ボール径（基準値からの外れ率）
・はんだ高さ
・ズレ量や変形量
それぞれのしきい値は、検出ターゲットとなる欠陥種別（例：ボイド、未はんだ、オープン、ズレなど）ごとに最適な基準値を設定する必要があります。
しきい値設計の考え方と最適値の導出
AXIのしきい値設定は、「現場歩留まり」と「品質保証」の最適バランスが非常に重要です。
過度に厳しいしきい値設定は、ラインにおける不良表示（アラーム）が多発し、生産効率を著しく損ないます。
逆に、緩すぎると実際の不良が見逃されるため、信頼性を担保できません。
データ分析に基づく統計的決定
実際のBGA実装基板から多量のサンプルデータ（良品・不良品双方）を収集し、X線画像解析により特徴量（しきい値候補）を抽出します。
各特徴量について、良否に関する分布（ヒストグラムや散布図）を作成し、その重なり度合い（分離度）を可視化します。
ROC曲線（受信者操作特性曲線）やAUC（曲線下面積）を活用し、最も検出力と誤判定抑制のバランスが取れるしきい値を統計的に導出します。
しきい値最適化フロー
1. サンプル収集と特徴量計測
2. 良否データへのラベル付与
3. 各特徴量について閾値を可変させて判定感度（TPR）・特異度（TNR）を算出
4. ROC曲線上の最適点（Youden Index最大点など）を探索
5. 現場評価・フィードバックでしきい値を微調整
このように、現場データと統計的手法を組み合わせることで、最適なしきい値の自動設定や、工程変更時の迅速な再設定が可能になります。
偽陽性（False Positive）とは
AXI検査システムで問題になるのが「偽陽性」すなわち、正常品が誤って不良と判定されることです。
偽陽性が多いと、生産ラインに余計な手直し工程が発生し、人手による確認作業やコストが増大します。
また、量産現場では、誤って不良判定を受けた製品の再検査や分解、部材の再投入などにより納期遅延や歩留まり悪化を招きます。
従って、しきい値設計において偽陽性の極小化は最重要テーマの一つです。
偽陽性削減のためのアルゴリズム設計
偽陽性を減らすには単純なしきい値判定だけでなく、より高度な検出アルゴリズム・AI技術の導入が有効です。
以下では、主な偽陽性削減手法を解説します。
1. 複数パラメータによる多元判定（マルチバリアント法）
画像特徴量が複数利用可能な場合、単一のパラメータではなく、ボイド率・密度・形状・面積など複数のしきい値条件によるAND/OR判定を行うことで、真の欠陥パターンとの区別度を向上させます。
例えば、ボイド率が基準値を超えても、形状が規則的であれば良品と判断するなどのマルチルール設計が可能です。
2. 画像フィルタリングとノイズ低減
X線画像には必ず一定のノイズやばらつきが存在します。
前処理段階でメディアンフィルタやガウシアンフィルタなどの画像平滑化処理を導入し、ノイズ起因の偽陽性を低減させます。
また、欠陥と見なすべき特徴が微弱な場合には、適応的なしきい値調整アルゴリズム（例：ローカルしきい値法）も有効です。
3. ROI最適化と特徴点抽出
画像全体を盲目的に判定するのではなく、BGAボール部周辺など優先度の高い領域（Region Of Interest）を自動抽出し、最も信頼度の高い特徴量でのみ判定を行うことで、偶発的な誤判定を抑えます。
4. 機械学習・AIによる良否分類
近年では教師あり機械学習アルゴリズム（SVM、Random Forest、CNN等）を用いて、画像特徴量または画像そのものから良品・不良品を自動分類するアプローチが台頭しています。
人によるラベル付きデータを十分に用意し、AIモデルを訓練すれば、人為的なしきい値設計よりも高精度な判定と偽陽性削減が期待できます。
また、False Positive発生時のデータを逐次追加学習し、モデルの再訓練を行うことで、継続的な判定精度向上が可能です。
適用事例：ボイド検出における偽陽性削減
BGA実装では、ボイド（はんだ内空隙）が致命的な不良の一つですが、微小ボイドや光学的な斑による誤検出が増えがちです。
従来法では一律にボイド率5%以上で不良とした場合、偽陽性が増大します。
近年の対応策として、以下のようなアルゴリズムが有効です。
Dynamic Thresholdingとアンサンブル法
同一基板内でボイド率の分布が大きく変動する場合、一律なしきい値ではなく、基板単位・部品単位ごとに自動最適化されるダイナミックしきい値が有効です。
加えて、複数パラメータや複数モデル（アンサンブル学習）を組み合わせることで、判定の信頼性が高められます。
形状分析とクラスタリング
ボイドが真円に近ければ許容、異形・偏心であれば不良判定といったように、ボイド形状の幾何学的特徴でクラスタリング（K-means等）し、疑陽性だけを弾く運用も実現されています。
AXIしきい値設計・判定アルゴリズムの今後
BGAの微細・高密度化が更に進むなか、従来の経験則ベースのしきい値設定と単純な画像閾値判定では限界が訪れています。
今後は、現場データの自動収集・分析（ビッグデータ化）と、AIやディープラーニングベースの自動判別技術の融合がますます求められるでしょう。
また、偽陽性・偽陰性それぞれの発生根拠となる画像特徴やモデル内部の判断根拠を「見える化」するAI Explainability（説明可能AI）の導入も今後重要なテーマとなります。
まとめ
BGA X線インライン検査におけるAXIしきい値設計は、品質保証と生産効率の両立に不可欠な要素です。
単なる画一的な基準値の設定ではなく、実データに基づきしきい値を最適化し、多角的な特徴量判定やAI学習アルゴリズムを併用することが、偽陽性削減と高信頼検査の鍵となります。
最新のAI技術や画像処理アルゴリズムを積極的に活用し、現場特性に合わせてしきい値設計を進化させることで、BGA製品の高品質管理と生産性向上を実現することが可能です。