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。

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 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。

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 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。

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 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。

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。

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。

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 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。

食品生產線製程中可能產生雜質異物，如橡皮筋、塑膠物、鋼絲、機台零件、碎骨、魚刺等，食品衛生客訴案件除了造成品牌名譽受損外，更可能被要求巨額的賠償。安口跨域合作推出食品應用 X 光檢測機，適用於食品業、製藥業和化工廠，能檢測出人眼難以辨識的微小汙染物，如鋼絲、不鏽鋼削屑、塑膠片等，並兼具檢核食品數量及缺損的功能。

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。

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。

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。

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。

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。

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。

康耐視視覺系統利用多維成像驗證瓶蓋高度和傾斜度。In-Sight 視覺系統搭配邊緣檢測技術，測量瓶蓋最上方與瓶頸之間的距離，以及瓶蓋最上方的水平位置，確認符合預先制訂的限制。如此一來，視覺系統可以判斷瓶蓋是否牢牢地旋緊，達到安全密封狀態。瓶蓋高度與傾斜度檢測不合格的瓶子都會遭到剔除。

此套視覺檢測系統，除了解決製造商原有的包裝方向及計數問題之外，另識別出許多錯誤，包括：果汁盒的歪斜、遺失、壓扁、掉落、轉動或多餘、整箱包裝後產品缺漏、倒置或倒轉、損壞的標籤等等。

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。

康耐視機器視覺執行香菸包裝檢測，協助菸草業製造廠商避免銷售有缺陷或空無一物的香菸包裝。In-Sight 7800 視覺系統會在香菸包裝繞著裝配輪高速移動時進行檢查，並在外覆紙遺失或遭扯破時，讓系統停下。集成光源搭配白光 LED，可讓成像系統達到最佳性能，而且幾乎不需要使用成本高昂的外部光源。使用分佈圖與對比度工具，在 In-Sight 資源管理器軟體中輕鬆設定，In-Sight 7800 即可解決此應用。

所羅門結合機器視覺與人工智慧，運用 Solomon SolVision AI 影像平台的 Segmentation 技術執行缺陷檢測(Defect Identification)。在快速且大量生產的油炸食品加工產線中，辨識多種不同的瑕疵樣態，進而將不良品即時檢出。

1. 康耐視 In-Sight 3D-L4000 搭配使用 In-Sight 軟體與三維視覺工具，能迅速完成金屬罐品質檢測、減少重工並提高生產力。
2. 二維與三維視覺均以點雲測量值為基礎，並不只是高度圖，In-Sight 3D-L4000 可為先進的機器視覺應用測量斑點 (Blob) 與特徵之間的距離，並能比傳統的雷射掃描解決方案達到更高準確度。由於採用先進的光學設計，並可使用 In-Sight 軟體環境輕鬆設計程式，其中包括三維邊線、三維斑點 (Blob)、平面尋找和許多其他功能，因此還具備其他優勢，包括更出色的性能與安全。

在檢查產品的液位與瓶蓋位置正確之後，視覺系統會檢測閉合狀態，以驗證密封完整性，還會特別驗證防竄改帶與安全密封存在與否。機器視覺系統可檢測缺陷，並可透過精準且一貫的檢測，確認包裝完整性。三維雷射位移感測器可確保安全密封覆蓋整個開口，蓋緣周遭無氣泡或起皺，也無任何孔洞或穿孔。機器視覺技術可檢測安全密封的邊緣並測量其高度，寬度，相對位置及空隙尺寸 (若有的話)，來和預先制定的限制比較。竄改密封尺寸與預先制定的限制不符者都會遭到剔除，以減少產品召回的風險。

運用 SolVision AI 影像平台的 Segmentation 技術，定位、標註影像樣本中雞蛋裂隙瑕疵的位置並據以訓練 AI 模型，訓練完成後即可透過 AI 檢測蛋殼表面的孔隙及裂痕情形再予以分級，提升雞蛋食用的安全性及商品價值。

不同口味的咖啡以不同顏色膠囊做區分。一盤咖啡膠囊作為標準組，另一盤咖啡膠囊作為對照組。運用 SolVision 的 Feature Detection 工具，學習各個咖啡膠囊的影像，若有任意一個咖啡膠囊的位置於盤中擺放錯誤，SolVision 可立即檢測到錯誤之處並以框標示出來，可成功辨識高反光且顏色差異小的咖啡膠囊。