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

1. 光學薄膜常見外觀瑕疵檢驗：摺痕、手汗、殘膠、水汙、異物、黑線、油汙等
2. 可驗材料：上擴散膜、下擴散膜、複合膜、貼合膜以及增亮膜等

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。

SolVision 的 Segmentation 技術執行光學字元辨識 (Optical Character Recognition, OCR)，有別於傳統 AOI 的作業流程，不受物件底色、環境光線及字元種類多等限制，可精準識別個別編碼，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 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。

NGI 玻璃盤系列是利用玻璃透光特性，於玻璃盤上、下面皆可裝設鏡頭同時進行自動瑕疵檢測。

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. 即時自動對焦
2. Real Time 影像防震功能
3. Smart 量測功能
4. 明暗視野與 DIC 的全面性觀察
5. 超長景深合成功能
6. 超大範圍拼圖
7. 影像目標導航
8. AI 缺陷目標偵測
9. 3D Profile 量測

1. Die Bond / Wire Bond 多層 Chip 堆疊量測檢測皆可對應，再搭載人工智慧 AI 檢測系統，可提高檢出率準確率達99.99%
2. 距離:弧高、跨弧間之 Gap 間隙，線與線間距等任何平面或段差距離量測
3. 異常:線偏、球脫、斷線等外觀不良缺陷

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。

1. 圖像辨識率＞95%
2. 模型調整
3. 智慧分類
4. 可檢測氣孔、破洞、缺角、裂痕、細微裂裂痕、材料外表壓傷、髒污、刮傷、異物沾黏、材料變形

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。

1. AI 即時檢測；檢測運算速度可達50 FPS 以上
2. 檢測項目：銅 Pad 缺損、偏移、LED Bonding 異常(晶粒位置位移/旋轉)
3. 依據客戶需求可支援不同尺寸基板/Panel

NCI 輸送帶系列為自動化檢測入門款，是預算較低者的首選，適用需單面瑕疵檢驗之產品。

1. 超高速 AI 即時檢測
2. 檢測項目：晶粒缺陷、損傷、髒污、刮傷、缺晶
3. 巨量轉移後晶粒位置位移/旋轉量測
4. 依據客戶需求可支援“4~8” wafer 及不同尺寸 Panel

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。

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。

金屬沖壓件上可能出現的瑕疵種類繁多且形態不一，油汙及水漬更是不易觀察。另一方面，工件在取像時的亮度也各有差異，造成瑕疵檢測的執行相當不易。 使用所羅門 SolVision AI 影像平台的 Segmentation 技術，以不同亮度的各式瑕疵影像作訓練，經訓練的 AI 模型可輕易檢出各式沖壓件上的瑕疵，例如：淺刮痕、油汙、水漬 、毛邊大幅提升產品的表面品質。

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。

Matrox MIL10 文符辨識工具 SureDotOCR™ 專為挑戰噴墨與針字列印的點陣文字而開發，依指定點尺寸校正，可針對文字失真、背景不均與光照程度不同，皆可做辨識。

簡易的模組拖拉，輕鬆建製流程圖，導引手臂分檢包裝。

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。

透過 Matrox DA 軟體在產線上即時定位，可進行外觀尺寸量測、孔洞有無辨識、孔徑大小檢測與產品計數等各式相關檢測的應用。

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。

在組裝程序中偶有人為疏失，導致產品螺絲未完全鎖緊或配件有接縫瑕疵等情況。針對此種重複性高之組裝缺陷檢測，導入自動化將快速改善產品疏漏問題，更提高人力配置效能。 應用所羅門 SolVision 的 Segmentation 技術，針對螺絲與其他裝配位置進行影像定位，再進行初步辨識裝配卡榫程度並分類，進行 AI 模型的訓練，即可快速辨識電子零件之組裝完整度，而隨著學習的影像件數增加，亦能持續優化其檢測效力，有效提高產品的品質良率。

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。

Matrox DA4.0軟體採流程圖式的使用者介面，使用者可以輕易地經由內製的軟體開發工具 SDK，做檢測寶特瓶檢測的需求，包括：液面高低檢測、瓶蓋、安全環與套標高低等檢測。

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。

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。

1. 設計了一款位於玻璃螢幕下方、由兩個2D Basler 攝影機組成的創新自動光學檢測站，當 IV 袋內的異物下降到底部時，放置在 IV 袋上方的照明系統使 SolVision 的複雜人工智慧演算法能夠檢測到異物
2. SolVision 成功以100%的檢測準確率檢測到所有異物
3. 檢測週期為每個袋子500毫秒，超過了客戶設定的目標
4. 成功檢測並顯著減少整體檢測時間，超出客戶預期

1. AI 學習功能:可透過學習 OK 樣本，自動分析瑕疵位置，可大幅提升瑕疵的檢出率。
2. 多光場偵測:透過亮場/暗場兩種光源，提高對彩片圖紋檢測的能力，使軟體可檢出被圖紋遮擋的瑕疵。
3. 熱圖分析功能:可透過熱區圖分析瑕疵位置和嚴重程度，輔助人員分析和判斷檢測結果。
4. 瑕疵分類功能:可透過 AI 訓練不同瑕疵的圖片，將 NG 照片進行瑕疵分類，以利產線人員分析生產情況。
5. 報表功能:每次結批後可自動產出該批的生產報表，包含所有檢測結果、生產良率、瑕疵比例等數據。
6. 警報功能:可設定連續 NG 數量，自動停機並警報作業員，即時處理異常狀況。
7. 本系統能夠檢測以下瑕疵和不良狀況：邊缺、毛邊、氣泡、附加物、毛屑、圖紋少墨、圖紋印偏、裂紋等瑕疵。

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」。

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. 運用三台 Allied Vision 的 Guppy F-146B 的成像技術，無需連接顯微鏡便能檢查小於70微米的 IC 打線(Wire Bonding)。
2. 能用於計數、高度量測或是是否有斷裂情形等瑕疵檢測。

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。

1. 高速檢測具有檢測能力24公尺/分。
2. 同步檢測數量最多同時檢測6條。
3. 檢測帶寬8mm 及12mm。顏色透明，黑白均可。
4. 檢測相機採用2M 高速面相機，150張/秒。
5. 檢測精度相機搭配鏡頭解析度0.011mm。
6. 量測能力載帶 P2FEP0X0Y0等六個尺寸。依最大值，最小值，平均值排列存檔紀錄。
7. 分類詳細記錄各條載帶量測數據分別依載帶順序存入各個目錄檔案夾中依日期及各捲排序。自動依日期時間為建立檔名。
8. 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 時間文字條，可彈出該照片。
9. 即時量測趨勢圖可以顯示各軸的最近1000筆的 P2,E,F,P0數據，可選單軸或是四軸顯示。
10. 操作方式具有 A 作業模式(只顯示數據)，B 工程模式(含即時影像)，C 調機模式。
11. 即時顯示卷帶子已拍攝照片數，顯示 EFP2三個數據的公差值，做為動態調機的依據。
12. 品管等級可以選擇1-5各等級各有不同的公差級距。
13. 檢測模型針對數千種載帶只需10幾種檢測模型。點選合適模型即可套用各式載帶。
14. 整體品質管控可將 P2EF 及瑕疵檢出結果分項累計在一捲中發生的次數。作為整捲 OK/NG 品質判斷依據。

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。

1. 利用 AOI 光學檢測系統，快速準確地檢查瓶胚是否有瑕疵問題。
2. 數據學習技術，適應多種瓶胚檢測需求。
3. 透過精確的檢測，迅速將有瑕疵的瓶胚排除，提高生產效率。
4. 集中的占地範圍，有效節省空間。

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

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。