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。

運用 SolVision AI 影像平台的 Segmentation 技術，將影像樣本中的瑕疵特徵予以標註並藉以訓練 AI 模型，完成訓練的 AI 模型即可自動檢出並標註晶粒邊緣崩裂瑕疵的位置，大幅降低晶片在後續封裝製程中斷裂的風險。

運用所羅門 SolVision AI 影像平台的 Segmentation 技術，將影像樣本中球桿頭上的細微瑕疵逐一標註，藉以訓練 AI 模型，訓練完成後的 AI 模型即能不受品牌商標、設計紋路及金屬光澤的影響，定位並標註所有細微的表面瑕疵。

可快速檢測杯子，並檢查出瑕疵出來，分別有四站檢查右側、左側、杯底及杯口等部位，確保其完整性。

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。

漸層玻璃瓶皆經過噴砂製程霧面處理，製作過程常見的瑕疵類型為色澤不均或者瓶身出現黑點，而這些瑕疵因無法明確定義且樣式不固定，難以採用自動光學檢測 AOI 方法進行檢測。 所羅門結合機器視覺與人工智慧使用 SolVision 以玻璃瓶瑕疵影像訓練 AI 模型，運用 Segmentation 技術找出並學習瑕疵影像的特徵條件，在拍攝所有角度之瓶身影像後，以訓練完成的 AI 模型即可快速檢出玻璃瓶身各角度之瑕疵分布，並標註出缺陷位置。

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。

1. 對應產品:G+G、TP+LCM。
2. 檢測解析度:10μm。
3. 檢測精度:長或寬,30μm 以上檢出。
4. 檢測項目:盒內氣泡、異物、貼合精度。
5. 特別功能:可作產品分層，以僅檢出盒內缺陷。
6. 機台軟體建立基本 AOI 框架，可規劃機台可自我學習軟體，客戶端可自行建立缺陷 code，讓機台可深入辨識學習，以達到最終智慧判定分類檢查機。

1. 使用 Matrox Imaging 的軟體、硬體零件及深度學習系統。深度學習技術擴展了圖像處理的領域，透過系統化的建置，大大地省去了成本、時間及人力，同時產品品質得到了極大的提升。
2. 團隊透過收集8000張以上的零件影像，手動標記分類出 OK 及 NG 後，使用 MIL CoPilot 的互動式環境來進行訓練及建立模型，最後將模型導入 Matrox DAX 進行新圖像的自動判讀分類。

1. 全彩/多頻譜掃描 (RGB CCD 感測器)，瑕疵檢出範圍廣
2. 多重閃頻曝光技術，可同時檢出不同光源瑕疵
3. 模組線性度校準 (CCD) ，可有效檢測寬幅的色差瑕疵
4. 可做瑕疵拼接，達到大瑕疵的檢出可能
5. 整合 encoder，可輸出瑕疵地圖

1. 消弭非當層線路圖形干擾；當層線路缺陷有效檢出
2. 可對應4 Layer RDL 細微線路 L/S=2µm 線路產品
3. Die to Die & Die to CAD

1. 按客戶要求檢知孔徑尺寸，檢測精度:1μm
2. 表面外觀缺陷:異物、開口缺口、凹凸、鏽斑、斷開、開口遮蔽等

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。

此視覺系統可以透過區域網路串連到工廠的主 PC 系統，方便管理用戶登入、即時圖像、缺陷圖像及系統設置，而圖像亦可自動儲存到主 PC 上。，提供品保和其他部門查看。直觀的用戶界面搭配觸控螢幕，可用於監視和控制生產數據和檢查條件，亦可取得檢測結果及錯誤報告等資訊。

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。

1. 5-8inch≤12S，1-12inch≤20S，12.1-17inch≤35S。
2. 過檢率≤3%，漏檢率≤0PPM，以滿足客戶管控出貨量率。
3. 使用先進的演算法，可穩定檢測 ITO MICRO SCRATCH。
4. 可生成每日生產檢測明細及具備 MES 上傳功能，便產品資訊查詢。

ECS 渦電流篩選機用於檢測熱處理良否、硬度、材質混淆

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。

「 數位孿生 AI 檢測系統 」在現實世界與元宇宙中皆有一套相同的自動化系統，且即時同步運作。檢測系統採用兩個視覺相機，其中一台相機搭配 AI 檢測軟體做瑕疵檢測；另一台相機整合機器手臂及輸送帶追蹤系統，精準地夾起移動中的 PCB，並依照 AI 檢測結果分放到 OK 或 NG 區域。

1. 完整業界各式尺寸與產品檢測經驗
2. 可搭配各式暫存區、卡匣、人檢站、抽屜、高空輸送機、廢料車等需求規劃
3. 依客戶需求彈性化的軟體設計以符合客戶操作習慣
4. 可將統計資料電子檔上傳工廠製造系統或直接報表輸出
5. 完整的教育訓練與技術支援服務體系

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. AI 即時檢測；檢測運算速度可達50 FPS 以上
2. Open/Short/Dent 缺陷檢出
3. 有效避免銅顆粒/異色/異物假點
4. 提供 SAP/mSAP 製程閃蝕蝕刻前電鍍銅線路

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。

1. 高速檢測檢測能力最高 1PCS/秒(2M)。
2. AI 深度學習辨識瑕疵。
3. 可調整檢測軌道。
4. 檢測面積 2mm2 -200mm2。
5. 檢測相機採用2M-25M 高速面相機。
6. 檢測精度相機搭配鏡頭解析度0.001mm-0.05mm 。
7. 量測能力每秒可檢測2M 60張/秒或5M 4張/秒。
8. 分類詳細記錄量測數據分別依相機順序存入各個目錄檔案夾中，依日期及排序。自動依日期時間為建立檔名。
9. 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 縮圖或圖塊，可彈出該完整照片。
10. 即時量測趨勢圖可以顯示各軸的最近1000筆的數據顯示。
11. 操作方式具有作業模式(只顯示數據)，工程模式(含即時影像)和調機模式。

LEDA Monocle 是一套人工智慧自動光學檢查（AI-AOI）軟體，可用於隱形眼鏡缺陷檢測。結合凌華科技強大效能的 AI 機器視覺系統，它提供了完整的 AI-AOI 解決方案，可以設置產品缺陷標準，根據這些標準準確檢測產品，解決以往人工目檢中誤報率高的問題，幫助隱形眼鏡製造商，檢測智慧化，順利提高品質檢驗的準確性和速度。

硬碟支架製造過程出現的瑕疵種類繁多，包括金屬的壓傷、表面白霧、孔批麟、孔黑等等，透過人工檢測不容易逐一檢出，然而微小的缺陷在組裝過程可能造成孔隙無法對齊等問題發生。 使用 SolVision 的 Segmentation 技術，針對金屬支架上瑕疵的形狀來訓練 AI 模型，AI 學習瑕疵特徵後，能夠快速檢測出硬碟金屬支架上的各類微小瑕疵。

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。

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。

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。

1. 解像及缺陷檢出能力範圍可達 3um~10um
2. 可對應 LTPS 產品，針對 COA 產品可支援外圍線路
3. 區檢測，同時支援 BM 區檢測功能
4. 卓越的自主影像檢測技術可支援所有尺寸、不同圖像設計及任意形狀的面板產品
5. 缺陷智慧分類功能

1. 針對 CELL 切割斷面量測，將相機架設於滾輪輸送帶兩側，待輸送帶夾片定位之餘同時取像，後將進行影像量測，以及將量測後資訊依指定之格式儲存於檢測電腦內。
2. 硬體改造範圍：取像模組固定於定位滑台與之同動，讓產尺寸切換後無需再調整取像模組。
3. 量測範圍：拍攝切割後斷面之垂直面，在取像範圍內量測其刀痕深度。

1. 內建特殊鏡頭及光源
2. 全中文化操作介面
3. 產品微調整快捷頁面
4. 統計功能(總檢測量/合格品數量/異常品數量)
5. 異常圖片儲存及分類
6. 檢測中可調整設定
7. 完整剔除機構規劃(低,中,高速型/接觸及非接觸型)
8. 設備最快可以處理1000pcs/分鐘