應用所羅門 SolVision AI 影像平台的 Classification 及 Segmentation 技術辨識瑕疵特徵。首先以 Classification 工具判斷晶圓是否具有過多瑕疵，汰除無法修復的不良品。其次運用影像處理技術分割晶圓影像，並以 Segmentation 工具偵測影像中的瑕疵，記錄其特徵、坐標、面積等資訊，大幅提升後續修補的效率。

1. Line Scan 高速檢測 + AI 缺陷分類
2. 支援 Silicon/Glass Wafer 正背面外觀缺陷檢測
3. 可應用於 CIS/IQC/OQC
4. 可搭載“8/12” EFEM，支援 SECS GEM200/300

1. 可讀取 KLARF 檔進行分區/分 Die/Defect size/Defect type 高速自動缺陷拍照
2. 提供 AI 即時缺陷檢測；即拍即檢即分類，處理速度可達 50 FPS 以上
3. 可搭載“8/12” EFEM，支援 SECS GEM200/300
4. 晶圓/封測製程各 QA 檢查站點/CP & FT 缺陷拍照及檢測

1. AI 即時缺陷檢測及分類，即檢即分類，處理速度可達 50 FPS 以上
2. 可搭載“8/12” EFEM，支援 SECS GEM200/300
3. Min defect size ≧ 0.3µm
4. 可搭載良率管理系統

使用康耐視深度學習解決這類型的應用非常有效。組件定位工具可輕鬆處理許多複雜的疫苗套組檢測，例如組件朝不同方向放置、彼此重疊、遺失，或套組的品項組合不同。訓練深度學習系統從各種不同的角度識別套組的組件，以及識別和區分新的組件，甚至是外觀類似的組件，輕而易舉。

Cognex Deep Learning 是相當可靠的醫用貼片檢測解決方案。其根據量測的藥物劑量與指定的位置，透過貼片上一系列可接受的液滴大小與形狀的圖像組以及不可接受液滴的圖像組進行訓練。接著，分類工具會建立可接受液滴形狀與大小的類別，然後將所有其他變化放入要剔除的類別。

所羅門結合機器視覺與人工智慧，運用 SolVision AI 影像平台的 Classification 功能創建 AI 學習模組，從資料庫中的影像特徵判斷沉澱情形。透過深度學習技術，可辨識不同顏色液體的沉澱情形，並精準分辨7種不同的沉澱樣態，進而判斷內容物的品質。

1. 解像及缺陷檢出能力範圍可達 1.5um~5um
2. 檢出區域零死角，可達100%面板全區域覆蓋
3. 卓越的自主影像檢測技術可支援所有尺寸及不同觸控圖像設計
4. 缺陷智慧分類功能
5. 提供專業及客製化服務

康耐視深度學習可將這類識別流程簡化和自動化。分類工具可以從一組訓練圖像中，學習識別和分類輪胎不同的胎皮圖案。接著，根據其類別將輪胎與輪圈分組，確保會選取正確的組件並安裝在車輛上。

1. 全中文化操作介面。
2. 適用於各種外型藥錠。
3. 統計功能(總檢測量/合格品數量/異常品數量)。
4. 異常圖片儲存及分類。
5. 檢測中可調整設定。
6. 完整剔除機構規劃(低,中,高速型/接觸及非接觸型)。

1. Cognex Deep Learning 最適合用於尋找朝向正確的未受損堅果、加以揀選，然後放到巧克力上的複雜問題。
2. 分類工具透過可接授與受損堅果圖像組進行訓練。該工具可迅速將堅果分類為可接受與不可接受類別。
3. 組件定位工具透過朝向正確的可接受堅果圖像組進行訓練，隨後無論同時出現的堅果數量多寡，都能在堅果通過面前時加以定位。
4. 結合這些工具確保能識別和定位可接受的堅果，以便撿料和放料機械手臂將其放到巧克力上。手動檢測或以其他形式的機器視覺進行這項工作，均無法達到相同的速度與準確度。

Cognex Deep Learning 可解決液體裝填袋與其他撓性容器在包裝和運送時的朝向問題。其可透過各種不同加上朝向標記的可能容器圖像組進行訓練。分類工具可精準地判斷所見每一袋的朝向，並將資料提供給檢料和放料機器人，再由其以正確的朝向撿放到二次包裝中的容器。

運用4台 AVT Prosilica GC1290C 做葡萄乾檢測，分檢其外觀大小後分裝封箱。

Cognex Deep Learning 可迅速、輕鬆地解決連接器安放位置檢測。裝配驗證工具透過一組功能正常的連線與接點圖像進行訓練，並在即使有反光且背景複雜的情況下，瞭解所有正確安裝的變化。訓練完成後，裝配驗證工具就能接受全系列的可接受組件，同時能剔除那些超出參數範圍的組件。

所羅門結合機器視覺與人工智慧使用 SolVision AI 影像平台的 Feature Detection 工具，定義 PCBA 佈局中各元件組裝位置的特徵，並以定義後的影像樣本訓練 AI 模型。透過訓練完成的 AI 模型，可即時地檢出元件缺件或組裝錯誤等異常情形及位置。

該系統能夠先拍攝料件的影像，並以此為基礎創建一個模型(Golden sample)，而後就能以此為基準來辨識與對位相同的料件，並同時進行尺寸量測。透過量測檢驗的零件即可用於組裝；異常的則先送回料件存放區。

康耐視 PatMax 技術與色彩工具可辨識設計與稅章，不論方向，角度，光源及其他會影響生產線上品項外觀的狀況有何變化，都不是問題。PatMax 會使用一組邊界曲線，學習物件的幾何形狀，然後搜尋影像中的類似形狀，而不依靠特定的灰階。受損或破裂的產品會在送交包裝或配送之前剔除，避免因退貨而耗資甚鉅，及保護銘牌商譽。

Cognex Deep Learning 可從一系列合格與不合格的所安裝彈簧箍夾鉗圖像組學習。分類工具可迅速判斷夾鉗是否功能正常，或標示出需要先加以修正才能進一步繼續組裝車輛的潛在問題。

所羅門結合機器視覺與人工智慧使用 SolVision AI 影像平台的 Segmentation 技術，在影像樣本中定位並標註鋁基板上的刮痕、髒污等異常及瑕疵情形，透過 AI 深度學習，即可自動且即時地檢出並定位鋁基板上的各式瑕疵，大幅提升產線生產效率。

除了判斷包裝是否密封之外，若要找出問題的根源，須進一步確認密封不完全的型態與原因，但因為密封缺陷的各類型態差異甚小，且物件表面呈高反光，不論是人眼或自動光學檢測(AOI)皆不易找出缺陷並將之分類。 所羅門結合機器視覺與人工智慧使用 SolVision 的 Classification 工具，由影像定義出密封完好的狀態，並與多種缺陷作比較，包括下方密封不確實、下方與側邊皆未密封、下方與側邊密封不確實等，可即時檢出沒有密封完整的包裝並將缺陷分類。

深度學習系統可以將定位、識別及分類單一圖像內多項特徵的工作自動化。其會依照各種不同品項的尺寸、形狀及表面特徵來歸納和區分其特徵。使用者能訓練組件定位與裝配驗證工具，找到所需找出的每一種品項。經過訓練之後，可將圖像分割成不同區域，讓工具檢查品項存在與否，以及驗證其種類是否正確。無論所朝方向和照明條件為何，深度學習還可以在盒中找到和識別插頁，避免發生產品召回並確保病患安全。

1. 解像及缺陷檢出能力範圍可達 3um~5um
2. 檢出區域可同時涵蓋光罩區及外框區
3. 檢測技術可支援不同圖像設計及任意形狀的光罩產品
4. 缺陷智慧分類功能

康耐視 2D 視覺系統搭載邊緣學習，可執行合格/不合格檢測，並在檢測到有缺陷的品項或包裝時將其剔除。嵌入式邊緣學習工具僅需使用少數將包裝分類為合格 (所有品項皆存在) 與不合格 (遺漏一或多個品項) 的圖像，即可進行訓練。即使在熱縮膜包覆下，也能確認所有瓶子與產品都在，協助食品與飲料製造廠商防止作業出錯誤，並維護客戶滿意度。

1. 高速檢測 + AI 缺陷分類
2. 檢測項目：顯示區及外圍 Fan-Out 區線路 Open/Short、異物、髒污、刮傷
3. 依據客戶需求可支援不同尺寸基板/Panel

金屬機殼刮傷瑕疵相當細微，在一般光線下因為金屬材質容易反光，人員以目視方式難以檢出瑕疵，容易發生外觀品質不良的問題。 利用 SolVision 的 Segmentation 技術，針對瑕疵的外觀形狀建立瑕疵缺陷資料庫，分類特定缺陷例如：明顯瑕疵、細微瑕疵與極細微瑕疵等，以深度學習辨識明顯瑕疵，並忽略可接受的微小缺陷，有效提升檢測精準度及速率，確保產線成品能毫無缺陷地進入裝配程序。

簡易的模組拖拉，輕鬆建製流程圖，導引手臂分檢包裝。

使用像素計數工具，In-Sight 2000 感測器可檢測相關的液體存在與否。瓶中填裝量不足時顯示的像素會太少，而瓶中填裝量過多時則會顯示太多。檢測不合格的瓶子會觸發剔除功能。

傳統上，搭配基於規則的視覺統使用自動光學檢測 (AOI) 系統無法運作良好。透過深度學習檢測疑似不良 (NG) 的情況，可強化檢測流程的可靠性。AOI 機器會使用 Cognex Deep Learning 工具，挑出疑似 NG 的情況並將圖像提供給系統。缺陷探測工具可動態擷取目標檢測區，而分類工具可將不同的缺陷分類，區分有缺陷與可接受的引線接合。將缺陷分類，不僅有助於發現流程中的問題，避免在生產線下游進行所費不貲的重工，同時還可成功識別微米級的缺陷，改善 IC 晶片成品率與壽命表現。

運用 SolVision AI 影像平台的 Segmentation 技術，針對點滴袋體上的名稱、濃度、容量等影像資訊訓練 AI 模型，學習影像特徵，藉此快速辨識並分類各式輸液品項。

1. 全中文化操作介面。
2. 產品微調整快捷頁面。
3. 統計功能(總檢測量/合格品數量/異常品數量)。
4. 異常圖片儲存及分類。
5. 檢測中可調整設定。
6. 完整剔除機構規劃(低,中,高速型/接觸及非接觸型)。
7. 設備最快可以處理1200pcs/分鐘。

Cognex Deep Learning 可輕鬆確認吸管是否存在且未受損。其可透過一小組內含未受損吸管圖像組，以及狀態不可接受的各種不同遺失、受損或錯位吸管的圖像組進行訓練。分類工具學會忽略任何背景，將所有圖像分成可接受或不可接受狀態。由於不需要識別和定義特定缺陷，因此分類流程特別迅速。只需要判斷可接受/不可接受。

Cognex Deep Learning 工具可協助驗證 OK 與 NG 探針標記之間的差異，能夠以更短的時間，更輕鬆地進行探針標記檢測。軟體用以進行訓練的圖像廣泛多樣，包括顯示正確探針標記的圖像與顯示不可接受探針標記的圖像。隨後即可將不可接受的標記分類為「壓力相關」或「偏離中央」。

1. 流水線 AI 即時檢測，快速精準省時
2. Chip 於 tray 盤內放片不正/傾斜/掉落/疊片均可檢出

1. 可提供不同倍率拍照圖像
2. 複合拍照頭設計(可支援1~4組 Review Head)
3. 可對應不同 AOI 設備產出的缺陷資料
4. 缺陷智慧分類功能

1. 使用 Matrox Imaging 的軟體、硬體零件及深度學習系統。深度學習技術擴展了圖像處理的領域，透過系統化的建置，大大地省去了成本、時間及人力，同時產品品質得到了極大的提升。
2. 團隊透過收集8000張以上的零件影像，手動標記分類出 OK 及 NG 後，使用 MIL CoPilot 的互動式環境來進行訓練及建立模型，最後將模型導入 Matrox DAX 進行新圖像的自動判讀分類。

康耐視深度學習是以角度與旋轉方向各異的一系列不同圖像訓練，而且分類工具可以穩健地將烤漆色彩分類。接著，在進行選擇時，康耐視深度學習會檢查整個圖像，適當加權計算圖像內的各項變化、反光、折射、粒度及色度，以選出最符合者。

Cognex Deep Learning 工具提供更簡單的方式，來學習和分類碎裂與毛邊痕跡，以及與切割流程後的正常切口痕跡區分。輕鬆訓練軟體，識別所有碎裂與毛邊，分類為可接受或不可接受，以及忽略在誤差範圍內的正常痕跡。

1. 組件定位工具可透過少量含有所需美式臘腸片數或其他配料量的披薩圖像組進行訓練。接著，即使彼此相接或重疊，也能識別、找到美式臘腸切片並計算數量，同時忽略底下的起司與醬料變化。如果配料數量不在規定的限制內，披薩就會遭到剔除。
2. 缺陷探測工具可透過可接受披薩的圖像組進行訓練，即使披薩上面有多種不同配料，也不是問題。接下來會探測任何實體汙染物，包括不適合此披薩種類的配料，同時忽略底下的起司與醬料變化。
3. 分類工具可透過一組為工廠內所生產全系列披薩種類加上標記的圖像進行訓練。之後便可區分各種不同差異，並加以分類，以便放入適當包裝，並精準地進入庫存。這些工具可以全部一起使用，幫助製造廠商自動化加工食品檢測，確保只有最高品質的產品會離開工廠，最終放在客戶的廚房餐桌上。

運用 SolVision AI 影像平台的 Segmentation 技術，以瓶蓋側文字及條碼影像樣本訓練 AI 模型並執行光學字元辨識(Optical Character Recognition, OCR)，即可於高速生產的飲品產線中精準辨識外包裝上的產品資訊，除檢出印刷不良的產品外，亦大幅強化產線溯源管理及紀錄存留的效率。

1. 全中文化操作介面。
2. 產品微調整快捷頁面。
3. 統計功能(總檢測量/合格品數量/異常品數量)。
4. 異常圖片儲存及分類。
5. 檢測中可調整設定。
6. 完整剔除機構規劃(低,中,高速型/接觸及非接觸型)。
7. 設備最快可以處理1200pcs/分鐘。

Cognex Deep Learning 可輕鬆迅速地辨別咖啡豆的不同顏色、大小和特徵，所以很適合用來分類咖啡豆。其可透過每一種送來入倉的咖啡豆圖像組進行訓練。即使不同類型的豆種看起來非常相似，分類工具也能區分出不同的類型，同時接受每種類型本身的自然變化。缺陷探測工具可在一批咖啡豆送去調配之前，注意當中是否有任何實體雜質。

1. 解像及缺陷檢出能力範圍可達 3um~10um
2. 可對應 LTPS 產品，針對 COA 產品可支援外圍線路
3. 區檢測，同時支援 BM 區檢測功能
4. 卓越的自主影像檢測技術可支援所有尺寸、不同圖像設計及任意形狀的面板產品
5. 缺陷智慧分類功能

1. 內建特殊鏡頭及光源
2. 全中文化操作介面
3. 產品微調整快捷頁面
4. 統計功能(總檢測量/合格品數量/異常品數量)
5. 異常圖片儲存及分類
6. 檢測中可調整設定
7. 完整剔除機構規劃(低,中,高速型/接觸及非接觸型)
8. 設備最快可以處理1000pcs/分鐘

使用缺陷探測工具，工程師透過一組加上註釋說明金色與電氣電容器兩者均分類為「合格」組件的圖像，以監督模式訓練軟體。在運作期間，模型會將所有電氣與金色電容器擷取和區分為同一類型。在檢測的第二部分，分類工具可學會每種電容器的屬性，同時容許相同類型內的變化。如此一來，即使視覺上看起來類似，也可以依據色彩與標識區分不同的電氣電容器。Cognex Deep Learning 可在運作期間，根據訓練期間的開發的模式，精準分類和區分單一圖像內的電容器。

1. 全中文化一對多操作介面。
2. 一對多畫面微調整快捷頁面。
3. 各畫面獨立統計功能(總檢測量/合格品數量/異常品數量)。
4. 獨立畫面異常圖片儲存及分類。
5. 檢測中可調整設定。
6. 完整剔除機構規劃(低,中,高速型/接觸及非接觸型)。
7. 設備最快可以處理800pcs/分鐘。
8. 分站式獨立機構。

1. 解像及缺陷檢出能力範圍可達 10um~100um
2. 可對應單板未切割前尺寸、切割後“12~75”基板尺寸及異形產品
3. 檢出區域可同時涵蓋面內區域及玻璃切割邊緣
4. 缺陷分類功能

使用 Solomon 的核心 AI 機器視覺系統 SolVision，一個 AI 模型能夠迅速而精確地識別每個朝鮮薊的方向和角度，使用其莖部作為參考點，而不管莖部本身的大小。SolVision 還允許通過各種通訊協議匯出 AI 檢測結果。

1. 康耐視 AI 視覺系統與軟體是肉類品質檢測的有效解決方案。它們可針對加上標籤的每塊分切肉品或禽肉部位圖像組進行訓練。然後，分類工具便可接受一系列自然變化，同時精確地將每一塊分類，確保其可獲得應有的分級，讓產品能以最高的合理價格出售。
2. 無論來自破損包裝、機械或其他來源，缺陷探測工具都可迅速發現任何一丁點的實體汙染物，並在產品送交出貨之前予以標示。如此可確保出貨的所有分切部位都經過正確地分類和定價，進而提高客戶滿意度和營收。

雷射銲接依功率密度大小區分為雷射熱傳導銲接、雷射深熔銲接兩類，具有不同的銲縫特徵。由於產品的焊接位置、樣式不盡相同，無法透過傳統光學檢測辨別銲縫的環狀分布、漏銲等成品樣態，因此產線終端皆是以人工方式執行檢測，常造成銲接品質不一的情形。 應用 Solomon SolVision AI 影像平台的 Classification 及 Segmentation 技術，能夠以銲縫特徵影像訓練 AI 模型，辨識銲接功率及漏銲瑕疵，並可透過深度學習，精準偵測銲縫的魚鱗紋數量及分布。

1. Cognex Deep Learning 可透過可能的全系列引擎類型與組件配置進行訓練。組件與中心距離的遠近，可導致視野寬廣的鏡頭呈現不同角度的引擎組件。無論組件以何種角度呈現，分類工具都可學會識別每項組件。
2. 為了精確進行引擎裝配驗證，分類工具要學習引擎類型，還有不同機油濾芯、接線、軟管及其他組件類型所需的位置，並立即標示出任何有遺失或有不正確安裝組件的引擎，以便在備妥引擎以供安裝於車輛中之前識別出錯誤。