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。

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。

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。

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。

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。

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。

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

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。

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。

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。

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。

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。

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。

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。