所羅門的SolVision為壓花石膏板的生產提供了一個嵌入AI的視覺品質控制解決方案，石膏板是一種被廣泛使用的建築材料。製造商經常在石膏板上創新設計以推廣使用。這創造了復雜的壓花，使品質檢查因這些複雜的圖案變得挑戰性。SolVision平台使用分割技術來識別石膏板上的髒污、過大的壓花、不清晰的圖案，和其他細微的缺陷，這些都是透過傳統光學檢查或人工干預難以識別的。

應用所羅門 SolVision AI 影像平台的 Classification 及 Segmentation 技術辨識瑕疵特徵。首先以 Classification 工具判斷晶圓是否具有過多瑕疵，汰除無法修復的不良品。其次運用影像處理技術分割晶圓影像，並以 Segmentation 工具偵測影像中的瑕疵，記錄其特徵、坐標、面積等資訊，大幅提升後續修補的效率。

現今紗場依舊多以人工檢測為主，漏檢率高且耗費工時長，紗線瑕疵如：紙管汙點、變形、汙紗、破紗、拋紗、毛絲、雙色紗等種類眾多，使人工檢測不利於實際品質要求，自動光學檢測(AOI)面對不固定瑕疵時亦難以檢測，且誤判率高，仍需人工複檢。為使勞力成本配置於更有效益的工作上，紗線檢測應尋求更高效率的檢測解決方案。 使用 SolVision 的 Segmentation 技術，針對紙管及紗線上多種瑕疵進行特徵提取，做出 AI 模型的訓練，使 AI 學習辨識瑕疵特徵，快速且精準地找出各項缺陷，有效改善檢測速率、成品良率並降低品檢負擔，隨著學習件數的增加，能持續優化 AI 辨別瑕疵的能力，亦可將學習成果快速導入各項產線之中。

運用所羅門 SolVision AI 影像平台的 Segmentation 技術，定位並標註晶圓上的微劃痕以及髒污等影像特徵，並藉以訓練 AI 模型。即便在具有研磨痕跡的影像背景之下，依然可以藉由 AI 視覺輕易地檢出深、淺的微劃痕及其他髒污瑕疵，並精準地偵測出瑕疵所在位置與面積。

由於銲接工廠屬高溫高熱的場域，入內需穿著基本防護，且銲道的瑕疵缺陷複雜且不規則，憑藉人工經驗檢測銲道，不容易維持品質一致。 使用 SolVision 的 Segmentation 技術，學習正常銲道、銲道過細或過粗及無銲道的外觀形狀，進行 AI 模型的訓練，讓 AI 學習瑕疵特徵，即可快速檢測銲道是否有瑕疵，挑出有缺陷的銲道進行修補，有效控制銲接製程品質。

所羅門結合機器視覺與人工智慧，運用 SolVision AI 影像平台的 Classification 功能創建 AI 學習模組，從資料庫中的影像特徵判斷沉澱情形。透過深度學習技術，可辨識不同顏色液體的沉澱情形，並精準分辨7種不同的沉澱樣態，進而判斷內容物的品質。

襪品瑕疵形態多樣，包括：勾紗、皺褶、勾破等，且形狀大小與出現位置皆不固定，傳統 AOI 適合用於整塊布疋的檢測，對於不固定的瑕疵檢測有困難，且容易發生錯殺，仍需人工進行複檢。 搜集襪子勾紗、皺褶等瑕疵的影像，以 SolVision 的 Segmentation 技術完成 AI 模型的訓練。可快速且精確地找出瑕疵、分類不同瑕疵並剔除不良品，把關產品品質、提升生產效率，透過對瑕疵進行分類與分析，更能夠優化整體製程。

回焊過程中，過多的錫膏量或是印刷偏移可能導致錫球間短路，此類瑕疵過去多以人工目視方式檢測，效率不彰且影響產線效能。由於多餘錫膏在高溫下的流動型態無法預測，亦難以傳統光學檢測 AOI 方式檢出。 使用所羅門 SolVision AI 影像平台的 Instance Segmentation 技術，將影像樣本中的回焊短路瑕疵定位並標註，藉以訓練 AI 模型。應用訓練完成的模型即可輕易檢出相鄰錫球間的短路情形。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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. 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

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。

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。

運用 SolVision AI 影像平台的 Segmentation 技術，以瓶蓋側文字及條碼影像樣本訓練 AI 模型並執行光學字元辨識(Optical Character Recognition, OCR)，即可於高速生產的飲品產線中精準辨識外包裝上的產品資訊，除檢出印刷不良的產品外，亦大幅強化產線溯源管理及紀錄存留的效率。

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。

PTP 包材以透明 PVC 材質的泡殼結合鋁箔背膜為主，然而泡殼為透明材質，在快速運作的包裝產線中極易反射光線影響視覺判斷，造成產品包裝瑕疵率偏高的情形。運用 SolVision AI 影像平台的 Segmentation 技術，以包裝良品及具各種瑕疵類型的影像樣本訓練 AI 模型。訓練完成的模型可即時且迅速地辨識每一泡殼的包裝及填充情形，並將偵測到的瑕疵予以標註並分類。

目前仍採用人力進行自行車車身號碼的辨識與登錄，耗費人工且效率低，若使用自動光學辨識 AOI 進行字元辨識，因不鏽鋼管表面為圓弧曲面，打光容易造成反射，讓位於曲面上的烙碼看不清楚，不論以人工或者自動光學檢測，針對曲面、反光不鏽鋼管上字樣的辨識皆較為困難。 所羅門結合機器視覺與人工智慧，使用 SolVision Segmentation 技術，針對不鏽鋼管上的數字形狀所呈現的光澤，做 AI 模型的訓練，對於光學字元辨識可以得到極佳的辨識效果。

由於 BGA 銲點集中於封裝下方，銲接後無法以目視或傳統光學檢測方法確認銲接品質，必須透過 X 光(X-ray)設備穿透取像以檢測是否發生假銲瑕疵。X 光影像係具背景雜訊的灰階影像，成像上不具明顯邊緣，難以撰寫邏輯來辨識影像中的瑕疵。 運用 SolVision AI 影像平台的 Segmentation 技術，將 X 光影像中錫球重疊的假銲瑕疵予以標註並藉以執行 AI 模型的深度學習。經訓練後的 AI 即可在具背景雜訊、無明顯影像邊緣的條件下，將假銲瑕疵精準檢出。

汽車車頂係一流線造型，其銲道具有高低落差，以致各位置取像的亮度不一，隨機生成的氣孔瑕疵也因此具有特徵上的差異，難以針對此類情形訂定規則以檢測銲道氣孔瑕疵。 運用所羅門 SolVision AI 影像平台的 Segmentation 技術，將各種亮度的銲道氣孔瑕疵影像進行標註，藉以訓練 AI 模型，即能不受影像亮度影響檢測出銲道上各處的氣孔瑕疵。

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。

使用所羅門 SolVision 的 Segmentation 技術針對各類瑕疵進行學習，同時可設定 OK 類別避免錯殺誤判，並以資料擴增功能增加 AI 學習的範圍，不僅能有效檢測出各類瑕疵，在雜亂或複雜的背景中，也能精確檢出邊緣凸起、黑邊或黑點，對較不明顯的缺陷也有很好的辨識效果。

運用 SolVision AI 影像平台的 Segmentation 技術執行缺陷檢測(Defect Identification)，在複雜的取像背景中偵測並標註多樣細微瑕疵，以利使用者即時監測並排除承載盤異常情形。

雷射銲接依功率密度大小區分為雷射熱傳導銲接、雷射深熔銲接兩類，具有不同的銲縫特徵。由於產品的焊接位置、樣式不盡相同，無法透過傳統光學檢測辨別銲縫的環狀分布、漏銲等成品樣態，因此產線終端皆是以人工方式執行檢測，常造成銲接品質不一的情形。 應用 Solomon SolVision AI 影像平台的 Classification 及 Segmentation 技術，能夠以銲縫特徵影像訓練 AI 模型，辨識銲接功率及漏銲瑕疵，並可透過深度學習，精準偵測銲縫的魚鱗紋數量及分布。

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。

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。

運用所羅門 SolVision AI 影像平台的 Segmentation 技術，將影像樣本中各類型瑕疵予以標註並藉以訓練 AI 模型，經深度學習後即可於品管端精準辨識口罩上是否有瑕疵，進而將不良品汰除。

運用所羅門 SolVision AI 影像平台的 Segmentation 技術，以各式 LED 基板上瑕疵影像樣本訓練 AI 模型，經深度學習的 AI 即可精準地將瑕疵檢出並標註。此外，透過 Detect Region 工具將視野分區，除了可遮罩無須檢測的區域，亦可指認瑕疵生成的所屬區域，達到分區檢測的目的。

有螺紋的金屬套件之側螺紋面，容易因搬運造成工件碰撞受傷，或在加工過程中車削刀的刀痕。由於圓柱體套件容易滾動，再加上體積小不易拿取，即使搭配強光與顯微設備，以人眼檢測仍屬不易，容易發生誤檢與漏檢。 運用所羅門 SolVision ，以金屬套件瑕疵影像進行 AI 模型的訓練，使用 Segmentation 技術，可學習刀痕與碰撞瑕疵的特徵，在 AI 模型訓練完成後便可輕易檢測出小型金屬套件上人眼不易辨識的瑕疵，挑出有瑕疵的物件，讓出貨的金屬套件整體品質更好。

晶片於晶盤中跳料的情形係屬隨機，所致的瑕疵型態多樣且難以預測瑕疵所產生的位置。對 AOI 而言，幾乎無法針對跳料瑕疵設定邏輯並據以檢測。 運用 SolVision AI 影像平台的 Segmentation 技術，以具疊料、空料、歪斜錯置、反轉等瑕疵的影像樣本訓練 AI 模型，AI 訓練完成後即可輕易且迅速地辨識並標註晶盤上產生收納異常的位置。

晶圓切割係半導體及光電業界非常重要的製程，若無法在切割製程中維持高良率、高效率並保有晶片特性，將大幅影響整體產能。晶圓切割刀的品質控管主要透過外觀瑕疵的檢測，常見的外觀瑕疵包括刀體上的不規則紋路、多鑽等情形。由於晶圓切割刀本身即具有環狀條紋，形成複雜影像背景，嚴重影響機器視覺對於瑕疵的偵測。 運用 SolVision AI 影像平台的 Feature Detection 工具，將影像樣本中的不規則紋路及多鑽瑕疵標註並訓練 AI 模型，AI 視覺便可即時檢出晶圓切割刀體上的各式瑕疵。

由於固晶技術是封裝製程中的重中之重，執行上對於速度與精準的要求極高。然而製程影像的紋理十分複雜，傳統光學檢測無法利用撰寫邏輯的方式偵測角度、位移偏差及缺漏等瑕疵，時常造成漏檢、誤判、錯誤定位等缺失，大大影響封裝產線的生產效率。 運用 Solomon SolVision AI 影像平台強化位移與角度資訊的可靠性，精準檢測固晶系統的製造誤差及異常情形。另一方面，AI 模組亦可延伸學習不同的晶片形式，針對不同類型的封裝產品執行分析與檢測。