In-Sight 3D-L4000 的獨特光學掃描引擎還可提供其他競爭解決方案所沒有的數項優點，包括人眼安全作業，同時對表面提供更多光線進而提高產量，可為測量值提供更準確的三維點雲，而且即使有碎片擋住 50% 的雷射，還是能夠測量 100% 的 In-Sight 3D-L4000 視野。

康耐視 In-Sight 視覺系統與深度學習 OCR 解決方案可確認上蓋與容器彼此符合，並精確反映出包裝內容，以及確認標籤符合內部程序與管制機關強制施行的品質標準。康耐視技術可確保在要求最嚴苛的環境中，也能高速讀取條碼與文字並將其解碼。

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。

安裝康耐視 In-Sight® 視覺系統，在用以將裝配層全部結合在一起的滾輪旋轉以檢視整個胎皮時，進行輪胎裝配檢測。一般只要點按幾下滑鼠就能完成設定視覺系統。視覺系統堅固耐用的工業設計能夠不受工廠生產環境的影響，執行既精確、準確度又高的測量作業。

標準機器視覺系統能成功計算藥瓶與安瓿瓶數量，不過康耐視深度學習更靈活有彈性，更能識別出藥瓶或安瓿瓶中的非計數錯誤，例如倒下、顛倒，或容器封蓋色彩錯誤的產品混淆問題，提升整體作業效率 (OEE)。組件定位工具以朝向各種方向的容器進行訓練，然後即可從所有可能的角度成功加以辨識，產生較一貫且可靠的計數方法。進行識別時，也會將視野最外緣的畸變情形考量在內。

光學字元辨識 (OCR) 與字元驗證 (OCV) 能讀取和確認印刷資料，並驗證規定要印刷的各式元素品質，例如標誌、日期/批次資訊及其他圖形。廣泛多樣的康耐視 Cognex In-Sight 視覺系統都提供這些讀碼工具。

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。

康耐視 Cognex 視覺系統搭配 OCR 技術，可偵測條碼存在與否，以及驗證其字母與數字鏈是否正確。面對要求嚴苛的 OCR，包括雷射標識或 DPM 文字，康耐視深度學習解決方案可確保會精準地讀取和驗證條碼。深度學習可使用 OCR 與字元驗證 (OCV)，將變形、歪斜及蝕刻不良的字元解碼。預先訓練的全方向字型庫無需設計其他程式或字型訓練，即可識別大部分文字。

康耐視輪胎解決方案採用字元讀取視覺工具，讓輪胎製造商在最嚴峻的條件下，還能以相當高的精準度讀碼。字元讀取視覺工具可精準地找到並讀取 DOT 字元，並順應因製模流程中的變化而改變的代碼外觀。

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。

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。

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。

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。

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。

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。

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。

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。

Cognex Deep Learning 讀取難讀背景上的印刷條碼。由於有預先訓練的字型庫，深度學習 OCR 工具可以輕鬆設定和部署。然後透過一小組眾多不同背景上所印刷文字的圖像組進行訓練，並學會識別文字，同時忽略背景，甚至當文字出現在非原始訓練組內的新引進背景時，也不是問題。當文字出現在新背景上時，OCR 工具不需要重新訓練，可讓生產線保持運轉而不會中斷或降低讀取準確度。

Cognex Deep Learning 可讀取軟質塑膠膜上的印刷 OCR 碼，其不僅難讀，背景甚至因許多不同分切部位或雞肉，而有不同變化。深度學習 OCR 工具隨附預先訓練的字型庫，而能輕鬆設定和部署。OCR 工具透過一小組文字歪斜、斜角和變形的圖像進行訓練，之後無論包裝底下的產品為何，都可以找到並讀取軟質食品包裝上的這類文字。

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。

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。

使用強大且小巧的 In-Sight 8505P 視覺系統，執行注射器的所有尺寸測量。In-Sight 8505P 具備 高動態範圍 Plus (HDR+) 技術，能克服玻璃的反光與折射，還有擋止器與液體的複雜度。這項成像系統技術可減少光暈與圖像雜訊，並提高邊線的對比度，改善尺寸精確度，同時維持低曝光時間。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。

康耐視深度學習可處理變化繁多的缺陷，因此是此應用的理想解決方案。缺陷探測工具會學習注射筒曲面和反光表面上各種不同的墨水轉印問題，然後識別墨水是否過濃、過淡或有髒汙的情況。使用高動態範圍 Plus (HDR+) 技術與圖案匹配軟體，可減少眩光、改善對比度、提高自動化移印檢測的速度。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 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。

康耐視 AI 工具，可協助 Mini LED 螢幕製造商將接合流程的相關瑕疵降至最低，例如焊料體積和接合 LED 晶粒在接觸墊之間的定位。檢測系統使用代表良好和不良 (NG) 結果的一系列圖像進行訓練。它會學習標記顯著缺陷，同時忽略允差範圍內的異常情況。這些工具可定位並識別目標檢測區 (ROI) 以及該區域內任何潛在的重大缺陷。生產經理可以使用此資訊，以更有效率的方法管理顯示螢幕的品質，進而降低成本並提高盈利能力。

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。

Cognex Deep Learning 提供有效的檢測解決方案，結合人工鑑別微小變化的能力與自動化系統的可靠性，一致性與速度。工程師可在監督模式下使用 Cognex Deep Learning 軟體的缺陷檢測工具，在一組具有代表性的已知「合格」和「不合格」壓縮環圖像上對基於深度學習的軟體進行訓練。技術人員可在已知的「不合格」圖像出現長條刮痕處，及在有正常變化與鏽點與小裂痕等可容許缺陷的「合格」圖像加上註釋。依照這些圖像，Cognex Deep Learning 可學會活塞的自然形狀與表面特徵，及一般的刮痕外觀。

康耐視 In-Sight 2800 系列視覺系統是體積精巧的智慧相機，可安裝在空間有限的菸草業製造機器中。In-Sight 2800 可安裝在馬口鐵器皿上方，系統中配備的大功率整合光源，可提供區分鬆散菸草與小袋的必要照明。表面缺陷工具搭配使用篩檢程式工具，可識別指出有穿孔狀況的亮度與對比度差異。對於色彩與小袋材質非常類似的褐色菸草，此功能特別實用。In-Sight 2800 能夠可靠地檢測容器，並可在有缺陷的口嚼菸袋送到消費者手中之前剔除這些口嚼菸袋。

1. 錫膏檢測：機器視覺可檢查是否有滑落或遭清理、橋接及呈峰狀的痕跡。透過視覺檢查錫膏位置與形狀，以閉合迴路控制 PCB 網版印刷流程。
2. 表面安裝裝置檢測：機器視覺可檢測引線長度、寬度、間距、彎曲度、引線存在與否、晶片尺寸，以及錫球位置、尺寸及間距。
3. 自動光學檢測 (AOI)：以視覺測試組裝的電路板時會檢測元件的位置，並檢查是否有缺少、反置或不正確的元件。

追蹤定位解決方案透過在每個掃描點擷取代碼圖像，並將其解碼資料存入中央資料庫，以確保完全遵守食品安全與可追溯性法律。無論條碼品質或方向為何，康耐視讀碼器都能以 99.9% 的讀取率，可靠地讀取一維條碼與二維碼。圖像式讀碼器具備速度與精準度，可確保所有形狀與尺寸的包裝都能適當地分類、挑選、存放或出貨，以及在需要召回產品時，輕鬆地識別並定位。In-Sight 視覺系統採用基於 AI 的 OCR 工具，可讀取字母數位日期/批號，並將資訊儲存在中央資料庫中，該資料庫可以跟蹤和追溯整個供應鏈中的貨物。

康耐視 AI 技術結合使用高動態範圍 (HDR+) 技術，是微粒狀物質檢測的理想解決方案。康耐視 AI 解決方案會以出現在藥瓶與安瓿瓶中的各式微粒狀物質類型進行訓練，包括各種不同的形狀與大小、當中是否混有氣泡，以及透過玻璃藥瓶與安瓿瓶的一系列反光與折射所見到的外觀。

基於規則的視覺系統難以因應密封變化、透明度或 Tyvek 進而調整，Cognex Deep Learning 解決方案對此可作為附加與替代方案。深度學習能可靠地識別異物、無效密封、汙染、標籤，以及會影響包裝完整性的塗裝缺陷。採用 100% 視覺檢測，可以減少操作人員錯誤，並達到最高效率。深度學習還可進一步即時強調問題，讓操作人員或機器清楚指出問題，稍後再將問題分類。

Cognex Deep Learning 能可靠地檢測已包裝醫療套組是否有缺陷。套組內含朝向各種不同角度的組件，還有構造各異的軟管，其可透過形形色色的完整套組圖像進行訓練。然後，組件定位工具就能找到並確認所有必要組件都存在，可能的外觀變化繁多難測，也不是問題。在組裝期間受損的組件不在允許的變化範圍之內，並會導致該套組無法通過最終檢測。

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。

結合智慧相機與深度學習軟體一起使用，運用光學字元辨識 (OCR) 將受損的條碼解碼。由於有深度學習預先訓練的字型庫，軟體內的深度學習讀碼工具開箱即可使用，大幅縮短開發時間。使用者只需要定義目標檢測區，並設定字元大小即可。引進新字元時，不必具備視覺專業知識，也可以重新訓練這項穩健的工具，讀取傳統 OCR 工具無法解碼的應用特有條碼。

康耐視深度學習的文字與字元讀取功能可將變形、歪斜、受損或低反差代碼可靠並精準地解碼。只要以一組不同角度、光源、受損情況及有其他變化的 OCR 代碼圖像訓練即可。

Cognex Deep Learning OCR 工具能使用預先以一千個字元訓練的內建字型庫，讀取曲面字串、低對比字元，以及變形、歪斜及蝕刻不良的條碼。OCR 工具也提供重新訓練功能，讓使用者得以解決無法在第一回合自動識別的全新或特定字元。迅速又準確地讀取晶片的識別號碼，不僅可改善可追溯性，還可確保擷取到正確的資訊，以在未來需要時提供。

康耐視深度學習會以許多已插入針頭的不同可接受噴嘴進行訓練。可接受範圍以外的針頭與注射器組裝特性，包括氣泡、裂縫、針頭接合黏膠不足、錐頭有問題，或有其他內含物，都會標示為缺陷並從生產線中剔除。由於可輕鬆以新的針頭長度與量測值訓練康耐視深度學習，製造廠商可避免像使用傳統機器視覺那樣，再次經歷冗長且複雜的程式設計流程。

1. Cognex Deep Learning 可迅速並可靠地解決 PCB 裝配驗證。透過合格與不合格 PCB 的圖像組進行訓練。三項不同的深度學習工具可在單一處理站以統一作業檢測這些電路板，而不會造成生產延宕。
2. 裝配驗證工具會檢查所有組件是否都出現在正確的位置。缺陷探測工具會標記任何焊料問題、電路板中組件、晶片的損壞處、或其他瑕疵。OCR 工具會讀取電路板與組件上所有文字的字元，並將讀取的字元輸出成文字字串。

1. 康耐視已為 MLCC 檢測專門構建塗裝光學檢測 (COI) 機器，其中結合自訂照明與深度學習視覺工具。首先，專為 MLCC 檢測自訂的照明模組可將電容器主體與端子上不相關表面變化減至最少，同時讓容易錯過的缺陷顯露出來。
2. 透過 AOI 機器檢測 MLCC 之後，再利用 COI 機器檢測，以減少誤報次數，以及減少從生產線撤下的合格組件數量。和人工檢測相比，這部機器可提供更快的速度、精準度，還可提供流程改善資料。

Cognex AI 技術幫助 MicroLED 製造商識別顯示器面板上的缺陷晶粒。這套系統使用代表良好與不良 (NG) 結果的一系列圖像進行訓練，讓軟體略過在誤差範圍內的變化，並且只標記重大缺陷。這套分析工具會在面板中的區域執行作業，可找出 MicroLED 中的細微缺陷。生產經理可以使用分類工具分類各種缺陷，使用這些資料最佳化上游流程並提高整體生產效率。在早期製程中識別和修復缺陷符合成本效益，可協助製造商為客戶提供高品質面板。

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。

康耐視深度學習的設計能夠區分真正的缺陷與可接受的塗裝異常，因此可解決這些複雜的檢測類型。缺陷探測工具以種類廣泛的玻璃藥瓶、各種不同角度來進行訓練，完整學習正常組件的變化，包括可接受的塗裝缺陷範圍。接著，對藥瓶進行掃描，分析並標示可接受範圍之外的任何特徵，同時減少由塗裝缺陷造成的誤報情況。

解決方案就是結合使用標準機器視覺與深度學習。視覺系統會從瓶頸下方和由上往下等許多不同角度檢測封蓋，確認尺寸正確、定位適當，以及有無其他問題。康耐視深度學習可檢測無法預測的刮痕、穿孔及其他缺陷，並能分辨單純的塗裝缺陷與功能性缺陷。同時採用這些技術，可改善品質、減少不必要的廢料，以及增加產量。

Cognex Deep Learning 解決方案可定位、分析並能分類複雜的檢測問題，阻止有缺陷的產品進入供應鏈。深度學習結合如人類一般的檢測能力與電腦化系統的自動化和再現性功能。使用機器人，還可以增強這項能力，確保機器處理與視覺工具共同作業，檢測操作人員有時所沒看到的最複雜異常。最終結果就是能減少召回事件、降低重工成本，以及完整擷取圖像與全程可追溯性。

運用機器視覺和深度學習技術，製造廠商可確保以符合 ISO 標準的方式生產口罩，並在出貨之前發現有缺陷的口罩。康耐視 In-Sight 8402 視覺系統可檢測如耳帶和掛帶熔接處等的口罩組件存在與否，同時還測量口罩寬度，確保製造的尺寸正確。不過，許多缺陷都難以預測，也難以使用傳統機器視覺演算法撰寫程式。最少只要使用 50 個樣本圖像，即可訓練康耐視深度學習，輕鬆地找到如裂縫、汙點縫製錯誤等缺陷，並將之分類。

康耐視 AI 視覺系統和軟體可協助製造商識別並分類真正的 LED 晶粒瑕疵。這個先進的視覺解決方案使用代表良好與不良 (NG) 結果的一系列圖像進行訓練，讓軟體只會標示出重大缺陷。定位工具能夠識別目標檢測區 (ROI)。定義 ROI 之後，由缺陷探測工具識別該區域內的缺陷。接著，由分類工具將缺陷進行分類。使用這項資訊，生產經理不僅可提升成品 LED 的成品率，還能使用分類資訊解決並修正生產問題，進而提高盈利能力。

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。

缺陷探測工具可以探測漏焊、橋接焊料、遺失組件、錯位組件缺陷探測，甚至是許多以人工檢測無法看到的其他微小錯誤，並會在圖像上加以強調顯示，以供進一步處理。

In-Sight 視覺系統搭配特徵擷取技術，使用照明與軟體演算法，來建立高對比圖像，增強元件上的三維特徵。其可擷取標籤遭扯破、裂開或變形等錯誤與缺陷。單色與彩色機型可識別色彩錯誤，以及檢驗標籤在尺寸、形狀、色彩及材質方面的一致性與品質。這項品質控制舉措可減少發生錯誤，協助達到標籤品質標準並確保客戶滿意度。

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 提供簡單的解決方案，甚至不必以「不合格」圖像進行訓練，就能識別所有異常特徵。相反的，工程師可在非監督模式中使用缺陷探測工具，透過「合格」圖像的樣本來訓練軟體。Cognex Deep Learning 可學會晶片引線與針腳的正常外觀與位置，以及將偏離常軌的所有特徵描繪為有缺陷。

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」。

Cognex Deep Learning 工具可協助製造廠商識別和分類真正的封膠缺陷。這個先進的視覺解決方案使用呈現良好與不良 (NG) 結果的一系列圖像訓練，可讓軟體略過在誤差範圍內的異常，以及標示真正的重大缺陷。康耐視定位工具能夠識別目標檢測區 (ROI)。定義 ROI 之後，由缺陷探測工具識別該區域內的缺陷。接著，由分類工具將多種不同類型的缺陷分類。使用這項資訊，生產經理不僅可提升成品 IC 的成品率，還能使用分類資訊解決生產問題並加以修正，進而提高獲利率。

Cognex Deep Learning 能可靠地檢測這些類型的產品，避免將有缺陷的品項送到客戶手上。其透過一小組完好無損品項的圖像組，和另一組含有各種不同塗裝損壞的品項圖像組進行訓練。分類工具隨後可迅速將口香糖或其他品項分類成可接受與不可接受類別。透過其他類型的視覺檢測並無法達到這種做法的品質水準。

康耐視 AI 型解決方案，可幫助高功率 LED 製造商辨識重大封裝瑕疵並進行分類。我們使用代表良好與不良 (NG) 結果的一系列圖像，對這個進階視覺解決方案進行訓練，讓軟體篩選在可接受範圍內的異常狀況，只標示出相應的瑕庛。定位工具能夠識別所要檢測的目標檢測區 (ROI)。定義 ROI 之後，由瑕疵探測工具識別該區域內的任何主要瑕疵。

對於探測螺紋玻璃瓶頸的微小缺陷問題，Cognex Deep Learning 就是絕佳解決方案。其透過可接受的玻璃容器頸口圖像組進行訓練。然後，缺陷探測工具便可識別缺口、內含物及裂縫等異常，同時接受廣泛多樣的潛在玻璃頸口外觀。

康耐視配備彩色與形狀識別工具的視覺產品可以加速分類流程並防止出錯。利用彩色與圖案匹配工具來識別元件，並檢測有無缺陷，包括損壞的元件和缺少的特徵。

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。

康耐視深度學習能可靠地識別會影響產品密封度的異物、無效密封、汙染，以及許多其他問題。採用 100% 視覺檢測，可以減少操作人員錯誤，並達到最高效率。深度學習還可進一步即時強調問題，讓操作人員或機器清楚指出問題，稍後再將問題分類。

康耐視深度學習可即時定位、分析及分類複雜的汙染問題，阻止大量生產線的汙染物進入供應鏈。深度學習結合如人類一般的檢測能力與電腦化系統的自動化、縮放及再現性功能。使用機器人，還可以增強這項能力，確保機器處理與視覺工具共同作業，檢測操作人員有時所沒看到的最複雜異常。最終結果就是能減少召回事件、降低重工成本，以及完整擷取產品影像與全程可追溯性。

VisionPro 深度學習是高度可自訂的軟體，使用人工智慧 (AI) 分析數千張註釋影像，偵測具有挑戰性的環境中的缺陷，例如圓柱形和軟包電池芯表面。EtherInspect 是 VisionPro 支援的視覺軟體，可使用內建範本和工具加速部署。搭配 In-Sight D900 等模組化 2D 硬體使用時，這些解決方案可讓使用者快速處理 EoL 電動車電池檢查。當強大的缺陷偵測比速度更重要時，如 In-Sight 3D-L4000 等 3D 解決方案可提供更準確、更精確的測量和表面檢測。

線掃描康耐視工業用攝影機 (CIC) 的曝光時間短，非常適合電極塗層檢測等高速連續作業。結合 VisionPro 深度學習軟體，該解決方案可以隔離不良對比環境中的細微缺陷，如霧面黑色電極塗層。

康耐視深度學習使用彩色相機，精準地驗證捲繞流程已毫無錯誤地完成。缺陷探測工具可從一組訓練圖像學習，當中包含零錯誤的捲繞方式，還有針對許多不同重疊、錯位、交叉狀況和出現在各種不同位置的其他可能錯誤加上標籤的圖像。

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。

康耐視的 In-Sight 9912 視覺系統提供將此計數步驟自動化的解決方案。每個盒子都包含如標誌、產品名稱或數字代碼等標識。當料箱來到相機面前時，In-Sight 9912 會使用 PatMax 物件定位技術，迅速找到選擇的標識或圖案，然後計算在料箱中找到的數量。系統的大視野與高解析度光學件配置，最適合用於大型料箱與很遠的檢測距離。In-Sight 9912 會在平板電腦或膝上型電腦等的顯示螢幕或網頁式 HMI 上顯示結果，讓操作人員可以查看檢測結果。

Cognex Deep Learning 最適合用來對組裝與包裝的裝置進行 X 光檢測與驗證。裝配驗證工具透過含有未受損組件且正確組裝的裝置圖像組進行訓練，並學會全系列的可接受位置變化與各種不同組件的位置。完成訓練之後，及可迅速識別和剔除那些出現彎曲、位置不正確或遺失組件，以及藥物量不正確的組裝，同時接受全系列正確組裝的裝置。

小巧卻強大的 In-Sight 8000 系列視覺系統可檢測電子菸，協助菸草業製造廠商確保其產品不含有害碎片。In-Sight 8402 搭配外部條形燈，可輕鬆架設在機器內，均勻地照明檢測區域，以及檢查濾嘴。由於興趣區相當小，因此縮小視覺系統的視野 (FOV) 提供 2MP In-Sight 8402 可清楚識別瑕疵的額外解析度，同時跟上高速運作的機器。和所有 In-Sight 一樣，In-Sight 8000 系列可使用 In-Sight 資源管理器軟體搭配直覺式 EasyBuilder 配置環境，迅速又輕鬆地設定和部署。

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。

In-Sight 視覺系統搭配 OCRMax 技術，可偵測日期和批代碼存在與否，以及驗證其字母與數字鏈是否正確。面對要求嚴苛的 OCR，包括雷射銘刻、打點或化學刻蝕的 DPM 文字，康耐視 AI OCR 工具可確保精準讀取和驗證條碼。這些工具可使用 OCR 與字元驗證 (OCV)，解碼變形、歪斜及蝕刻不良的字元。預先訓練的全方向字型庫無需設計其他程式或字型訓練，即可識別大部分文字。

在相同的光源條件下，Cognex Deep Learning 可迅速識別孔隙，而其他方法卻還在設法檢測。工程師可用一組代表「合格」與「不合格」的汽缸圖像，利用遮罩篩檢程式調整興趣區，消除軸中鏤空的明亮圓平面，在數分鐘內完成訓練軟體。技術人員可在監視模式下使用康耐視深度學習缺陷檢測工具，對標記為「不合格」的圖像中的氣孔進行注釋，並調整參數，包括特徵尺寸，比例，寬高比和剪切模量，以確保所創建的參考模型充分考量所有外觀變化。描述正常汽缸的「合格」圖像可協助軟體學會可容許何種類別的些微鑄造異常與變化。工程師能重新訓練系統，調整參數並增加其他圖像，直到模型能歸納出正常的汽缸外觀並辨識出異常情形為止。在執行期間，基於深度學習的軟體可在毫秒內檢測每個圖像，將帶有孔隙的特徵描繪為缺陷，並將其他特徵視為正常。

康耐視 VisionPro 軟體提供快速準確的方法，在包裝 Mini LED 前對其進行計數。作業人員可以輕鬆訓練軟體，識別、定位和計算極微小的 LED 晶粒圖案。計數工具會尋找灰階像素值圖案定義的功能。無論影像之間的像素強度如何變化，它都能迅速準確地找到圖案。每次執行時，它可以定位成千上萬顆晶粒，並定位小至 4x4 像素的晶粒圖案。控制系統會儲存製造歷史記錄和貼附在成品包裝的條碼標籤的結果。

許多現代三維視覺解決方案提供簡單易用的斑點 (Blob)、體積及邊線採集器工具，解決複雜的食品檢測應用。In-Sight 3D-L4000 智慧相機搭配使用康耐視 In-Sight 軟體可以精簡流程，以熟悉的試算表格式輕鬆使用這些工具。In-Sight 3D-L4000 提供最高品質的 2K 解析度與專利的無斑點藍光雷射光學件配置，為在線式測量值產生更準確的三維點雲。由於 In-Sight 3D-L4000 可產生完整的三維點雲，而不只是表面上方的高度圖，因此可以更準確地套用三維斑點 (Blob) 工具來識別不同但相接的物體，例如容器中的餅乾。In-Sight 3D-L4000 提供許多真正的三維演算法，可用來體積測量值，例如圓柱體之間的距離。

Cognex Deep Learning 最適合用來探測微小且無法預知的缺陷。其透過巧克力的圖像組進行訓練，當中涵括所有可接受類型的變化範圍。隨後無論缺陷類行為何，缺陷探測工具都可將偏離可接受範圍的任何一顆巧克力標示為異常。這一些都要予以移除以維持品質標準。

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。

康耐視 AI 圖像分析軟體針對表面檢測外觀缺陷時，可靠度與人工檢測人員相當，但卻擁有電腦化系統的速度。缺陷探測工具能以訓練圖像為基礎，構成可靠的形狀與紋理模型，在標準照明下，即使圖像品質不良，也能發現粗糙材質上的缺陷。其再由此將表面紋理變化識別為異常，然後使用分類工具再分類為碰撞或掛擦。持續向市場提供優質產品，可提升客戶的滿意度，並改善品牌忠誠度。

康耐視的 In-Sight 7800 系列視覺系統可精準地讀取香菸稅章上的 OCR 代碼，協助菸草業製造廠商符合嚴格的菸草法規。In-Sight 7905 使用 PatMax 物件定位工具，尋找並定位稅章上的圖案。接著，使用曝光分布圖與 OCR 工具，找到字元並讀取 OCR 代碼。In-Sight 7905 能以很小的檢測距離完美無暇地運作，從高速進行列印的機器擷取和檢測高解析度、高對比度且沒有變形的圖像。

使用分佈圖工具，In-Sight 7800 可檢測代表包裝不良的反光不均與缺少反光的情況。安裝在外部條形燈後方的視覺系統，可提供所需的高解析度、速度及大視野 (FOV)，可靠地檢測繞著裝配輪高速移動的香菸拉紙。整合式鏡頭搭配 IP67 級別的鏡頭蓋，保護系統不受骯髒香菸製造機器中的碎片影響。使用 In-Sight 資源管理器設定的 In-Sight 7800，簡單易用且部署容易，並可輕鬆地與工廠自動化環境整合。

康耐視的 In-Sight 2000 視覺感測器可確保能確切依照規格切割香菸。使用邊緣檢測工具，In-Sight 2000 可找到香菸濾嘴紙的兩端，並識別應該切割香菸條的中點。In-Sight 2000 的規格尺寸小巧，可以安裝在香菸機器的狹小空間內。其還具備大功率的集成光源，提供必要照明，加上數個可提供大視野的鏡頭選項，可近距離工作範圍內擷取高解析度圖像。

康耐視的 In-Sight 2000 視覺感測器最適合用來解決此雙重檢測。其規格尺寸非常小，只有 92 x 60 x 52mm，可以安裝在狹小空間內。大功率的集成光源與光學件配置可在檢測距離很近時，提供高對比度、高解析度的圖像。使用此最佳圖像，感測器能夠檢測濾嘴紙對準情況並探測點膠。In-Sight 2000 會將檢測結果傳送至可程式設計邏輯控制器 (PLC)，可在發現缺陷時，迅速讓機器停下，以避免浪費和可能會在香菸製造機器中造成阻塞的情況。

Cognex Deep Learning 可以將大型出貨紙箱中的濾嘴數量 100% 計算出來，解決這個要求嚴苛的應用。康耐視將定位工具，安裝在頭頂上方的2900萬像素的攝影機及與箱子平行放置的功能強大的外部條形燈結合使用，可對裝有4,000多個過濾嘴的運送箱進行計數。使用一小組樣本圖像，即可輕鬆訓練 Cognex Deep Learning，識別各種類型濾嘴上的缺陷，包括白色、活性碳及內凹在內，確保無論濾嘴的尺寸、色彩及形狀為何，都能精準地計數。

康耐視 AI 型技術可以找出並分類出現在香菸盒上的撕裂或穿孔等缺陷，協助識別會對品質造成影響的潛在生產問題。

康耐視三維雷射位移感測器可為大托盤中的每個晶片高速提供高解析度的三維圖像，並能以微米級的精準度探測和適當安放位置有無任何差異。識別之後，系統會將量測資訊傳回可程式設計邏輯控制器 (PLC) 或機器人，以調整並精準地拿起歪斜或錯位的晶片。

1. 康耐視深度學習軟體可透過單個圖像自行執行多種特徵的定位和識別任務。Cognex Deep Learning 會依照尺寸，形狀及表面功能特徵來歸納和區分各種不同巧克力的功能特徵。
2. 使用者可對定位工具進行訓練，用於定位必須找到的每種類別的巧克力。使用者可創建各種類別巧克力的資料庫，以供定位工具進行定位，然後可將定位工具用於進行包裝驗證。
3. 經過訓練後，圖像可被分割為不同的區域，定位工具將能在這些區域內檢測巧克力的存在性，並驗證巧克力的類別是否正確。還可在單一生產線有不同包裝變化時，建立多個配置。如此一來，使用者只須使用一項工具，就可將巧克力包裝驗證流程自動化。

機器視覺解決方案可在產品裝配期間測量所分配的食品體積，以確保食物份量。三維位移感測器提供的三維體積測量相當精確，專為測量食物份量而設計。三維校準可讓製造廠商設定處理期間的食物份量和切點，以讓份量均一且始終一致。康耐視三維位移感測器經工廠校準，能夠檢測立體的食品。康耐視三維雷射位移感測器可掃描個別份量的尺寸，以確定份量符合預先制訂的規格。掃瞄後就能進行視覺檢查及體積測量。

康耐視深度學習的缺陷探測與分類工具使用許多不同合格與有缺陷的焊接連接變化進行訓練，並學習將功能性與塗裝瑕疵精準地分類和區分。不使用基於規則的傳統機器視覺，而改用基於範例的方法，可以縮短應用開發時間。

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。