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。

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。

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

輪胎在製程的環節經歷許多高壓、高負荷與高溫差的工序，其場域機台、材料產生之粉塵加上印刷程序的長期運作，使內胎表面字跡模糊且刷色深淺不齊，影響內胎編碼的辨識度，大量產出後不利於人工辨識，若使用傳統 AOI 檢測，在數字印刷不清楚的狀況下，亦無法有效辨識。 使用所羅門 SolVision 的 Segmentation 技術，針對輪胎內胎編碼的數字與形狀進行拍攝，進行 AI 模型訓練，再以光學字元辨識 (Optical Character Recognition, OCR)的方式，精準辨別各項編碼字跡，即便是印刷不完整或刷色過淺的字元，皆能成功辨識，有效改善編碼辨識的正確率。

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。

引擎號碼係以烙印方式印刷在引擎上，執行引擎號碼取像時，亦容易受到陰影干擾，產生字體、背景明暗不均的情形，無法以機器讀取號碼。即使以人工目視方式，仍不易在產線上快速識別引擎上的編碼。 使用所羅門 SolVision AI 影像平台的 Segmentation 技術，以不同亮度的影像樣本訓練模型並執行光學字元辨識(Optical Character Recognition, OCR)，將影像中的引擎號碼轉為數值資訊，即時登錄至原廠資料庫系統中與車身號碼連結。

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。

利用 SolVision 的 Feature Detection 功能學習 Tray 盤所需辨識的定位點，再藉由 Segmentation 技術執行光學字元辨識 (Optical Character Recognition, OCR)，能夠大幅優化傳統 AOI 的作業流程，不受識別畫面位移、歪斜及其字元缺陷等限制，精準識別個別料件來源，而隨著學習件數的增加，亦能持續優化 AI 辨別字元的能力，使辨識字元不再困難。

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。

1. ProVision 視覺設備–能夠結合視覺量測與搬運自動化兩大功能，以進行大批次的生產。
2. 此設備一共使用了五台 Dalsa 線掃描相機，能夠處理最大“21x25”的面積，並且擁有5um/pixel 的精度(Resolution)，每秒可以檢查並量測 PCB 板上60多個不同的電子零件。
3. 首次取得影像時，每台相機都會先位一個基準點，並量測 PCB 的整體的灰階值，以利後續的影像二值化與尺寸量測。其影像分析與處理，皆可以透過 Matrox 影像卡上面的運算功能，以減輕在 PC 上的處理。

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。

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。

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。

採用傳統自動光學檢查檢測塑料缺陷時，由於瑕疵種類及位置多變，易遇瑕疵樣品不足使得瑕疵定性定量困難，導致檢測精準度不足，若退而維持人工，檢測速度相對緩慢且品質不一致，在辨識上依舊困難重重。 利用 SolVision 的 Segmentation 技術，針對橡膠成品的瑕疵形狀與顏色建立瑕疵資料庫，再利用 AI 學習瑕疵的特徵，可辨識種類及位置多變的瑕疵。隨著學習影像的增加，亦持續優化 AI 視覺檢測的能力，顯著提升橡膠瑕疵辨識的精準度，有效解決橡膠成品瑕疵不固定的檢測問題。

電源供應器內部元件及線路多元且複雜，檢測接點時容易受到背景干擾而影響視覺判斷。另一方面，線材屬易變形的材質，依組裝人員的不同而呈現不同排列、收納情形。以上因素使人工及傳統光學檢測皆不易執行，難以於產線端有效管控產品品質。 使用所羅門 SolVision 的 Segmentation 技術，依據影像中線材顏色及端子台組接情形定義正確及錯誤的特徵樣態並訓練 AI 模型。經訓練的 AI 模型可以精準地偵測並定位線材錯接的瑕疵，即時將不良品檢出。

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。

在扣具生產上最為常見為射出成型瑕疵為脫模劑油汙、白點、毛邊及殘屑，其中屬油汙瑕疵最難檢出。白點、毛邊及殘屑在影像中尚有明顯的特徵，而具油汙瑕疵的產品與一般良品在外觀上極為相似，不易檢出。 運用所羅門 SolVision AI 影像平台的 Segmentation 及 Classification 技術，分別針對各類表面瑕疵型態執行深度學習，訓練完成的 AI 模型即可即時檢出包括油汙在內的各類瑕疵類型。

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。

宇瞻枕式瓶獨立機台檢測，可取代人力多項目檢，其特殊夾具設計取得專利發明設計。機台一機多用，使用９支精密光學鏡頭，可同時檢驗3種瓶內與4種瓶外瑕疵並支援15ml 以內5種枕式塑膠瓶藥水．配合檢測室的空間環境，採用 U 型設計，以利整體機台體積縮小．搭配轉盤夾具機構、視覺判讀軟體、人機介面資訊顯示。

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。

專為 PIN 而設計的高精度 PIN 檢測機，精細檢查，保障產品品質。

運用 SolVision AI 影像平台的非監督式學習工具 Anomaly Detection，以不具瑕疵的影像樣本(Golden Sample)執行 AI 深度學習，並輔以資料擴增技術提升 AI 模型對於標準樣本的辨識度。訓練完成的 AI 模型即能辨別受測物件與標準樣本的相異之處，定位並標註封裝晶片內邊緣微裂瑕疵的位置，完全不受穿透成像特性的影響。

運用 Solomon SolVision 的 Anomaly Detection Tool 非監督式檢測工具，學習 PCBA Golden Sample 的影像做 AI 模型訓練，可辨識欲檢測的 PCBA 與 Golden Sample 差異之處並標示為不良，使檢測效率大幅提升。

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。

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。

SMD 電容體積較小，平時拿取已經不易，要觀察缺陷，便需在顯微鏡等級的微觀工具下觀察，且因 MLCC 非常脆弱，檢測過程也必須非常小心，提高檢測的困難度。 使用 SolVision 的 Segmentation 技術，學習電極上凸出部分的瑕疵形狀及位置，建立 AI 模型，在 AI 學習瑕疵特徵之後，即可快速檢測電容凸出部分的缺陷，大幅提升整體製程的良率。

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。

1. 針對各種尺寸偏光板、增亮膜、導光板或彩色濾光片等進行瑕疵檢測
2. 異物、摺痕、壓痕、PVA 紋路…等，各類瑕疵檢出
3. 三部分移動檢驗，多重視角、不同光源、多方向性手法進行量測
4. CCD 可依 pixel 及 pitch 大小選擇不同解析度，作為瑕疵量測判定
5. 可選擇線性相機 與 面性相機進行不同瑕疵、不同精度混合檢測
6. 一體性及客製化設計，減少無謂的調整及開發費用
7. 可整合生產履歷，掃描條碼連結工單及序號，客製資料庫完成溯源系統

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。

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。

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。