内焊球空洞是BGA封装芯片的主要缺陷,可能会导致电气故障.目前,常用的检测方法是人工对照芯片X光影像检查,此类方法检测准确率低且时间、人力资源消耗大.因此,基于深度学习的自动化芯片缺陷检测方法越来越受到关注.芯片空洞检测与语义分割任务对应,但受限于数据缺乏高质量标注,模型准确率通常偏低,主动学习框架是潜在的解决方案.文中基于主动学习和U-Net++构建了芯片空洞率检测模型,通过等距划分将数据集分为多个子集,每个子集采用训练-预测-标注-扩展的框架循环优化U-Net++模型.在BGA封装芯片数据集上进行实验,模型分割平均Dice系数达到了80.99％,总体准确率达到了94.89％,达到了预定目标.首次将主动学习引入芯片检测领域,经实验验证可以有效提升芯片数据的标注水平,使得模型的分割准确率有所提高.