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。

現今紗場依舊多以人工檢測為主，漏檢率高且耗費工時長，紗線瑕疵如：紙管汙點、變形、汙紗、破紗、拋紗、毛絲、雙色紗等種類眾多，使人工檢測不利於實際品質要求，自動光學檢測(AOI)面對不固定瑕疵時亦難以檢測，且誤判率高，仍需人工複檢。為使勞力成本配置於更有效益的工作上，紗線檢測應尋求更高效率的檢測解決方案。 使用 SolVision 的 Segmentation 技術，針對紙管及紗線上多種瑕疵進行特徵提取，做出 AI 模型的訓練，使 AI 學習辨識瑕疵特徵，快速且精準地找出各項缺陷，有效改善檢測速率、成品良率並降低品檢負擔，隨著學習件數的增加，能持續優化 AI 辨別瑕疵的能力，亦可將學習成果快速導入各項產線之中。

1. Web 版架構，透過網域可同時多人遠端登入上線
2. 整合及留存大量 AOI 設備檢出缺陷數據及圖片，可進行生產履歷統計分析、即時監控在線 AOI 設備缺陷檢出狀況、缺陷照片看圖及產片缺陷 Map 疊圖及缺陷類型判 Code 各項功能
3. 可結合 AI 進行大數據分析並回饋給予生產設備針對生產異常發出預警

GS2000可以在0.5秒內取得單個木板的影像，在影像處理與分析上，使用了類神經網路(Neural Network Classifier)以及 Bolb 模組，其中類神經網路是瑕疵檢測與分類的核心，而 Bolb 能更加突顯檢查孔洞、裂縫、裂口、污點、空隙等各種缺陷，有效提升類神經網路的處理效能與可靠度。

開發問世的新一代視覺系統讓機器視覺成為車輪叩件檢測的特選檢測技術。In-Sight 2000 視覺感測器能夠知悉元件良品的應有外觀，還能依需求比較許多不同特徵，判定其合格或不合格。In-Sight 2000 體積小巧、有可完全獨立運作的光源與鏡頭，而且堅固耐用，禁得起嚴峻的工廠環境考驗。

使用 Cognex Deep Learning，自行分析金屬活塞焊接縫變得相當簡單。工程師可在監視模式下使用康耐視深度學習缺陷檢測工具，基於一組代表各種焊接異常（包括焊縫重疊）的「不合格」樣本圖像及一組無任何異常的「合格」樣本圖像對軟體進行訓練。如此一來，無論是所需或成為剔除主因的所有異常都可識別為缺陷。在檢測的第二部分中，工程師可使用分類工具依類別對焊縫缺陷進行分類。透過將缺陷檢測工具與分類工具結合使用，汽車製造廠商可確保檢測系統識別所有焊縫，並對重疊焊縫成功進行分類。

運用所羅門 SolVision AI 影像平台的 Segmentation 技術，定位並標註晶圓上的微劃痕以及髒污等影像特徵，並藉以訓練 AI 模型。即便在具有研磨痕跡的影像背景之下，依然可以藉由 AI 視覺輕易地檢出深、淺的微劃痕及其他髒污瑕疵，並精準地偵測出瑕疵所在位置與面積。

由於銲接工廠屬高溫高熱的場域，入內需穿著基本防護，且銲道的瑕疵缺陷複雜且不規則，憑藉人工經驗檢測銲道，不容易維持品質一致。 使用 SolVision 的 Segmentation 技術，學習正常銲道、銲道過細或過粗及無銲道的外觀形狀，進行 AI 模型的訓練，讓 AI 學習瑕疵特徵，即可快速檢測銲道是否有瑕疵，挑出有缺陷的銲道進行修補，有效控制銲接製程品質。

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

1. 兩種尺寸瓶身一機共用：同時支援兩種容量的 Vial 瓶(10ml 與 20ml)，換線無須更換治具，操作人員直接上手，輕鬆切換不同尺寸的瓶身。
2. Tray 盤自動分離並落盤+自動將 Vial 瓶裝盤：宇瞻獨家設計 Tray 盤自動分離機構，可將原本為節省空間套在一起擺放的 Tray 盤自動分開，獨立放置到產線中；搭配推瓶和真空取瓶機構，一次可將數十個 Vial 瓶自動放置於 Tray 盤內，大幅提升整體包裝效率及產能。
3. 高度客製化：針對客戶既有產品、產線與 Tray 盤瓶進行設計，節省變革與轉型成本。
4. AOI 標籤光學檢測站：整合既有前後端設備，檢測瓶身標籤是否完整貼合、標籤位置是否歪斜與標籤是否正確印製批號；一旦檢測到不良品，機構會自動排除，避免不良品進入下一個站點。
5. 客製化資料庫：保留 ESG 機聯網智慧設備升級彈性。

1. 高速檢測檢測能力最高60PCS/秒(2M)。
2. AI 深度學習辨識瑕疵
3. 同步檢測數量最多同時檢測10個區塊。
4. 檢測面積2mm2-200mm2。
5. 檢測相機採用2M-25M 高速面相機。
6. 檢測精度相機搭配鏡頭解析度0.001mm-0.05mm。
7. 量測能力每秒可檢測2M60張/秒或5M4張/秒。
8. 分類詳細記錄量測數據分別依相機順序存入各個目錄檔案夾中，依日期及排序。自動依日期時間為建立檔名。
9. NG 照片處理自動產生目錄檔案夾，並自動依日期時間為檔名建立。檢測中點選畫面中 NG 縮圖或圖塊，可彈出該完整照片。
10. 即時量測趨勢圖可以顯示各軸的最近1000筆的數據顯示。
11. 操作方式具有作業模式(只顯示數據)，工程模式(含即時影像)和調機模式。

1. 取像時，雷射光以均勻的線條的形式投射到車輪，確保取像能有恆定亮度。為了確保項機能接受到足夠雷射，需要保持較高的曝光時間(exposure time)，這容易導致混入環境中的雜散光，而 Matrox MIL 能有效去除影像中的雜訊，提取必要的細節。
2. 除此之外，由於車輪滾過雷射和相機時，車輪的幾何形狀會有變化，相機、車輪、雷射三者之間的校準，以及透過 Matrox MIL 執行的幾何轉換的技術就尤其重要。
3. 透過手持式的高精度儀表檢測中，證明 TreadVIEW 在行駛的車輛上還能夠達到0.5mm 的精確度，且單次影像的檢測時間約0.5-1秒。在具體實踐的數據上，如果可以在 ±10 毫米的視野範圍內進行 ±0.5 毫米的測量，系統將能夠準確地建議是否需要立即或在未來某個時間採取補救措施。

自動檢查中藥丸、中藥錠、保健丸等外部瑕疵和尺寸，如形狀、破損、裂痕、異色、異物、污點等高精度篩選要求

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

小巧的三維圖像解決方案必須簡單易用，並提供軟體讓內部技術人員能夠整合、管理和維護。In-Sight 3D-L4000 可與 In-Sight 軟體一起完美使用，而其是以眾人熟悉的試算表程式設計方法為基礎。有經驗與新手技術人員都能迅速、輕鬆地設定視覺工具。接下來，其餘的作業就交由軟體負責，判斷所設定平面上方與下方的每個像素，然後使用能與每位使用者清楚傳遞生產線健康狀況的簡單使用者視窗 (UI) 來強調特徵。真正的三維邊線、斑點 (Blob)，還有能以高速的高品質流程提供準確且一貫結果且專為三維圖像設計的其他工具，都可以輕而易舉地變更和維護。

Cognex Deep Learning 最適合用來在密封和運送之前，以視覺檢測容器中的眾多品項。缺陷探測工具可透過一小組以正確茶包數量適當裝盒的圖像組進行訓練。缺陷探測工具隨後可識別包裝盒內的任何異常，包括對位、數量、方向或可見字串與標籤的錯誤。接著可將識別出的紙盒送回，更正錯誤和重新包裝。

1. Cognex Deep Learning 工具透過套用智慧演算法，學習正常結構分層與缺陷之間的差異，能夠更有效地找出微小裂縫。
2. 高度準確的檢測能挽救可能錯誤地分類為不良 (NG) 的良好晶片封裝，進而提升成品率。深度學習可以找出 WLCSP 上的微小裂縫，若使用傳統方法，這類缺陷可能會通過檢測，而只會過早在現場發生故障。

利用 Teledyne DALSA 的機器視覺檢測軟體 Sherlock，以及數個工業用相機，可即時在產線上進行玻璃瓶的瑕疵檢測，並剔除有氣泡的玻璃瓶。

Cognex Deep Learning 能以高精準度解決檢測大量藥片時的問題。透過從許多不同角度拍攝的可接受藥片圖像進行訓練。然後，即使是原始訓練組中所未包含的任何異常藥片，缺陷探測工具也可以探測出來，同時將所有可接受的藥片送交進行主要包裝。

康耐視 In-Sight 2800 視覺系統可為菸草業製造廠商提供易於使用、具成本效益的解決方案進行這項重要檢測。In-Sight 2800 視覺系統可使用邊緣、對比度、色彩及像素計數工具，找出並區分稅章的特徵，然後將合格/不合格的結果傳遞至可程式邏輯控制器 (PLC)。整合光源可提供必要的對比度，檢測有光澤與低反差特徵。以生產線速度精準地完成此項檢測，可避免重工、成本高昂的廢料和不必要的退貨。In-Sight 2800 視覺系統檢測可使用 In-Sight 資源管理器軟體搭配 EasyBuilder 配置環境，輕鬆設定和維護。

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)。

藥錠膠囊檢查篩選機可自動精準檢測藥錠、片劑、硬膠囊、軟膠囊等藥劑。只需簡單設定，即可輕鬆準確檢查各種形狀、顏色、異物、污點等外部瑕疵。

透過使用 In-Sight 視覺系統，食品與飲料製造廠商可確保標籤會放在產品的正確位置，以及避免因品質而召回產品，或品牌商譽受創。同樣地，自動化檢測可在錯位的標籤沿著供應鏈進一步造成問題之前，識別出錯誤。標籤對準檢測可結合光學字元辨識 (OCR) 與其他 In-Sight 視覺工具一起使用，確保整體標籤易讀性與合規性。

康耐視深度學習具備高動態範圍 Plus (HDR+) 技術，可提供均勻照明，還有較深的景深，不需要複雜且昂貴的照明，即可讓活塞擋止器上對比度較低的缺陷更清楚明顯。HDR+ 和標準 HDR 之間的不同，在於其能針對移動中的組件高速完成單次採集，而標準 HDR 需要其靜止不動，而且要擷取多張圖像，才能獲得相同的結果。

康耐視深度學習的缺陷探測工具以一小組樣本圖像進行訓練，學習針套的正常外觀。然後，就能認出針套中代表有針尖突出情況的少許變化，同時可接受針套表面的外觀變化。

康耐視深度學習可探測許多不同的微小斜面針尖缺陷。缺陷探測工具使用一小組樣本圖像進行訓練，以高倍率放大呈現可接受的斜面範圍。光線上的任何變化都可顯露針頭表面結構，高反射性表示表面光滑，而暗淡無光澤表示可能存在瑕疵。這個相同的程序也可讓針頭尺寸檢測顯露針尖的內徑與外徑。

1. 注射器凸緣檢測適合採用康耐視深度學習，原因是其以一系列不同角度的凸緣進行訓練；儘管其變化繁多、透明，而且幾何形狀複雜，甚至是以人工檢測都會疏漏的極細微缺陷，都能夠區分出可接受與不可接受的凸緣。
2. 康耐視深度學習缺陷探測工具可輕鬆適應因供應廠商改變而出現的些微形狀變化，讓遭到誤拒的合格凸緣減至最少，傳統機器視覺需要大規模重新設計程式才能做到。

SSI 齒盤式系列為連續式影像篩選，適用可吊掛且頭徑大於桿徑3mm 之產品。

襪品瑕疵形態多樣，包括：勾紗、皺褶、勾破等，且形狀大小與出現位置皆不固定，傳統 AOI 適合用於整塊布疋的檢測，對於不固定的瑕疵檢測有困難，且容易發生錯殺，仍需人工進行複檢。 搜集襪子勾紗、皺褶等瑕疵的影像，以 SolVision 的 Segmentation 技術完成 AI 模型的訓練。可快速且精確地找出瑕疵、分類不同瑕疵並剔除不良品，把關產品品質、提升生產效率，透過對瑕疵進行分類與分析，更能夠優化整體製程。

回焊過程中，過多的錫膏量或是印刷偏移可能導致錫球間短路，此類瑕疵過去多以人工目視方式檢測，效率不彰且影響產線效能。由於多餘錫膏在高溫下的流動型態無法預測，亦難以傳統光學檢測 AOI 方式檢出。 使用所羅門 SolVision AI 影像平台的 Instance Segmentation 技術，將影像樣本中的回焊短路瑕疵定位並標註，藉以訓練 AI 模型。應用訓練完成的模型即可輕易檢出相鄰錫球間的短路情形。

Cognex Deep Learning 可迅速、輕鬆地探測到安全帶織品中的任何異常。其透過一小組合格織帶與縫製針法的圖像組進行訓練。缺陷探測工具隨後可以立即探測織帶織法或縫製針法的圖案和縫線中的任何錯誤。如果引進新的織帶或縫製針法設計，該工具可透過新設計的一小組圖像進行訓練，即能迅速學會接受該設計，不需要很長的停機時間。

Cognex Deep Learning 軟體可針對更大部分的晶圓執行自動化缺陷篩選。缺陷探測工具可完全忽略底下的晶圓層，即使是在晶圓層任意處的小缺陷也能發現，然後剔除任何異常者。其也可用於兩層式檢測系統，識別模稜兩可的情況，以及送到離線人工檢測站，以供進一步檢閱。

1. 對應不同的製程，可客製化調整檢測需求
2. 檢測結果進行精確的品質判別與分類
3. 對產品瑕疵分佈圖與個別瑕疵特徵進行檢視
4. 高速、非接觸、3D/2D 表面形貌量測

1. 檢測精度精確度99.9%含以上。
2. 檢測 OK 漏檢0.1%以下，NG 過殺3%以下。
3. 訓練模組時間約需3個月。
4. 系統具有標示檢測整個盤面相對應 OK/NG 圖塊顯示。

一系列相機都可用來拍攝焊接圖像進行分析。雖然可能需要三維相機才能測量焊接體積，但二維相機能夠提供所有其他缺陷探測所需的圖像，並可在流程開始之前，確保將點焊機置於適當位置。

Cognex Deep Learning 的缺陷探測工具可在晶粒表面上找到不可接受且樣態眾多的塗裝缺陷，但對於基於規則的視覺檢測系統而言，卻是過於複雜或相當費時。該工具會檢查晶粒的表面，檢測各處是否混合出現任何裂縫、碎裂或焦痕。利用可展現缺陷類型與位置變化的許多不同圖像來訓練軟體。識別出潛在的目標檢測區之後，再由 Cognex Deep Learning 的分類工具將缺陷 (例如，裂縫、碎裂、塵斑等) 分類。使用這項資訊，可以改善流程以減少缺陷並提高成品率。

應用所羅門 SolVision 的 AI 影像平台的 Segmentation 技術建立 AI 學習模組，自動學習並偵測爬膠、溢膠的特徵及位置。結合資料擴增技術，模擬接著劑溢出的可能情形，使 AI 學習更多特徵樣態以提升精準度。另一方面，增加多項正確類別提升辨識強度，有效降低環境因素的干擾。

Allied Vision Manta 系列相機符合 GigE Vision 的通訊協定，可支援 GeniCam 功能，串聯多台相機進行360°無死角100%全檢，該案例使用12台 Allied Vision Manta 工業相機，架設6個檢測站，進行汽車或航空使用的螺絲及扣件的瑕疵檢測。取像速度快，每分鐘可檢測達500個。

半自動檢查設備、全自動出料、高速高精密檢測、精準瑕疵標記、權限管理、尺寸確認、外觀檢查、智慧化檢測資料統計、不良品分析、報表輸出、支援遠端校正管理。

SCI 系列為連續式螺絲拉帽光學影像篩選機

工程師可在非監視模式下使用康耐視深度學習缺陷檢測工具，基於一組「合格」安全氣囊圖像對軟體進行訓練，以創建安全氣囊的參考模型。偏離模型正常外觀的所有特徵都會描繪成異常。如此一來，Cognex Deep Learning 能可靠且一致地探測出所有異常，例如小孔，裂縫，破洞以及不尋常的縫製圖案。迅速識別出織品的缺陷區域並回報，完全無需昂貴的缺陷資料庫。

所羅門結合機器視覺與人工智慧使用 SolVision 的 Segmentation 技術，針對白色與透明塑膠件的各種紋路與形狀做 AI 模型訓練，可有效檢出塑膠件的組裝錯誤，同時提高缺陷檢測的效率，使整體製程更為完善。

1. 高速檢測具有檢測能力30公尺/分。
2. 檢測寬度最大360mm。
3. 卷軸直徑最大卷軸直徑450mm。
4. 高解析度線掃相機採用彩色8K，黑白16K。
5. 學習功能具有 AI 人工智慧功能學習辨識 OK/NG 品，即可檢查瑕疵。
6. 檢測能力瑕疵點彩色0.12mm2黑白0.06mm2以上均可檢出。
7. 瑕疵門檻可以設定瑕疵長寬門檻，超過的均可檢出。
8. 標記瑕疵具有瑕疵標記能力，可選用畫筆或雷射標記。
9. 管理功能具有管理級，工程師及作業員級，可以設定操作權限。
10. 即時顯示具有即時顯示掃描圖面縮圖及全圖。
11. 自動紀錄具有可記錄瑕疵數量，統計表及曲線圖顯示於畫面。
12. 瑕疵照片可針對瑕疵照片選擇是否存檔。

RGI 雙面式系列利用輸送帶翻轉或雙玻璃盤檢測,可同時檢驗雙面瑕疵,但瑕疵也可能因透過玻璃折射或髒汙影響而無法篩出。

1. 高速檢測最高1000PCS/分。
2. 檢測轉盤直徑250mm-700mm。
3. 標準機台長850mm×寬850mm×高1800mm。
4. 高解析度面相機採用1.3M-25M。
5. 學習功能具有 AI 自動學習功能辨識學習 OK 品，即可檢查 NG 瑕疵品。
6. 檢測能力瑕疵點彩色0.01mm2黑白0.005mm2以上均可檢出。
7. 瑕疵門檻可以設定瑕疵長寬門檻，超過的均可檢出。
8. 標記瑕疵具有瑕疵標記能力，具選別器可以分料至 OK/NG/NULL 三個料斗。
9. 管理功能具有管理級，工程師及作業員級，可以設定操作權限。
10. 即時顯示具有即時顯示檢測縮圖及全圖。
11. 自動紀錄具有可記錄瑕疵數量，統計表及曲線圖顯示於畫面。
12. 瑕疵照片可針對瑕疵照片選擇是否存檔。

康耐視強大的模組化 In-Sight 7800 系列機器視覺系統可解決此應用。使用數項工具 (分佈圖、邊緣…) 和位於濾嘴上方的外部條形燈，In-Sight 7800 可以檢測濾嘴與濾嘴紙之間的對比度差異，確保有濾嘴存在且位在正確位置。接著，邊緣工具可檢測內凹濾嘴尾端的切割缺陷，從高速生產線中剔除不合格者。In-Sight 7800 安裝簡單，並可使用 In-Sight 資源管理器軟體輕鬆設定。此外，可以在具有網路功能的 HMI 上監控檢測結果。

緞帶色彩繽紛的特性使得自動光學檢測困難度高，由於織面花樣複雜，較難找出特定的特徵點，自動光學檢測(AOI)容易因為花紋和顏色的變化而發生瑕疵漏檢或誤判的情況。 使用 SolVision 中的 Segmentation 技術檢測各種顏色、花紋的緞帶，能夠精確找出裂孔、脫絲等瑕疵的位置、大小及形狀，不論是檢測速度或是精準度都能達到標準。而透過記錄與分析瑕疵的樣態，可回溯找出製作過程中的問題所在，改善產品製程。

1. 紡織布料常見外觀瑕疵檢驗：斷經、毛頭、色差、髒污、白點、摺痕、壓痕、破損等
2. 可驗布種：平織布、針織布、玻纖布、不織布、貼合布以及刷毛布