1. 高速檢測檢測能力最高60PCS/秒(2M)。
2. AI 深度學習辨識瑕疵
3. 同步檢測數量最多同時檢測10個區塊。
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2M60張/秒或5M4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。

1. 取像時，雷射光以均勻的線條的形式投射到車輪，確保取像能有恆定亮度。為了確保項機能接受到足夠雷射，需要保持較高的曝光時間(exposure time)，這容易導致混入環境中的雜散光，而 Matrox MIL 能有效去除影像中的雜訊，提取必要的細節。
2. 除此之外，由於車輪滾過雷射和相機時，車輪的幾何形狀會有變化，相機、車輪、雷射三者之間的校準，以及透過 Matrox MIL 執行的幾何轉換的技術就尤其重要。
3. 透過手持式的高精度儀表檢測中，證明 TreadVIEW 在行駛的車輛上還能夠達到0.5mm 的精確度，且單次影像的檢測時間約0.5-1秒。在具體實踐的數據上，如果可以在 ±10 毫米的視野範圍內進行 ±0.5 毫米的測量，系統將能夠準確地建議是否需要立即或在未來某個時間採取補救措施。

1. 解像及缺陷檢出能力範圍可達 1.5um~5um
2. 檢出區域零死角，可達100%面板全區域覆蓋
3. 卓越的自主影像檢測技術可支援所有尺寸及不同觸控圖像設計
4. 缺陷智慧分類功能
5. 提供專業及客製化服務

康耐視輪胎解決方案採用字元讀取視覺工具，讓輪胎製造商在最嚴峻的條件下，還能以相當高的精準度讀碼。字元讀取視覺工具可精準地找到並讀取 DOT 字元，並順應因製模流程中的變化而改變的代碼外觀。

小巧的三維圖像解決方案必須簡單易用，並提供軟體讓內部技術人員能夠整合、管理和維護。In-Sight 3D-L4000 可與 In-Sight 軟體一起完美使用，而其是以眾人熟悉的試算表程式設計方法為基礎。有經驗與新手技術人員都能迅速、輕鬆地設定視覺工具。接下來，其餘的作業就交由軟體負責，判斷所設定平面上方與下方的每個像素，然後使用能與每位使用者清楚傳遞生產線健康狀況的簡單使用者視窗 (UI) 來強調特徵。真正的三維邊線、斑點 (Blob)，還有能以高速的高品質流程提供準確且一貫結果且專為三維圖像設計的其他工具，都可以輕而易舉地變更和維護。

1. Cognex Deep Learning 工具透過套用智慧演算法，學習正常結構分層與缺陷之間的差異，能夠更有效地找出微小裂縫。
2. 高度準確的檢測能挽救可能錯誤地分類為不良 (NG) 的良好晶片封裝，進而提升成品率。深度學習可以找出 WLCSP 上的微小裂縫，若使用傳統方法，這類缺陷可能會通過檢測，而只會過早在現場發生故障。

利用 Teledyne DALSA 的機器視覺檢測軟體 Sherlock，以及數個工業用相機，可即時在產線上進行玻璃瓶的瑕疵檢測，並剔除有氣泡的玻璃瓶。

康耐視深度學習可將這類識別流程簡化和自動化。分類工具可以從一組訓練圖像中，學習識別和分類輪胎不同的胎皮圖案。接著，根據其類別將輪胎與輪圈分組，確保會選取正確的組件並安裝在車輛上。

使用工業相機採用電腦視覺檢測，針對儀錶板進行高度量測

SSI 齒盤式系列為連續式影像篩選，適用可吊掛且頭徑大於桿徑3mm 之產品。

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。

Cognex Deep Learning 可迅速、輕鬆地探測到安全帶織品中的任何異常。其透過一小組合格織帶與縫製針法的圖像組進行訓練。缺陷探測工具隨後可以立即探測織帶織法或縫製針法的圖案和縫線中的任何錯誤。如果引進新的織帶或縫製針法設計，該工具可透過新設計的一小組圖像進行訓練，即能迅速學會接受該設計，不需要很長的停機時間。

Cognex Deep Learning 軟體可針對更大部分的晶圓執行自動化缺陷篩選。缺陷探測工具可完全忽略底下的晶圓層，即使是在晶圓層任意處的小缺陷也能發現，然後剔除任何異常者。其也可用於兩層式檢測系統，識別模稜兩可的情況，以及送到離線人工檢測站，以供進一步檢閱。

1. 對應不同的製程，可客製化調整檢測需求
2. 檢測結果進行精確的品質判別與分類
3. 對產品瑕疵分佈圖與個別瑕疵特徵進行檢視
4. 高速、非接觸、3D/2D 表面形貌量測

1. 檢測精度精確度99.9%含以上。
2. 檢測 OK 漏檢0.1%以下，NG 過殺3%以下。
3. 訓練模組時間約需3個月。
4. 系統具有標示檢測整個盤面相對應 OK/NG 圖塊顯示。

一系列相機都可用來拍攝焊接圖像進行分析。雖然可能需要三維相機才能測量焊接體積，但二維相機能夠提供所有其他缺陷探測所需的圖像，並可在流程開始之前，確保將點焊機置於適當位置。

Cognex Deep Learning 的缺陷探測工具可在晶粒表面上找到不可接受且樣態眾多的塗裝缺陷，但對於基於規則的視覺檢測系統而言，卻是過於複雜或相當費時。該工具會檢查晶粒的表面，檢測各處是否混合出現任何裂縫、碎裂或焦痕。利用可展現缺陷類型與位置變化的許多不同圖像來訓練軟體。識別出潛在的目標檢測區之後，再由 Cognex Deep Learning 的分類工具將缺陷 (例如，裂縫、碎裂、塵斑等) 分類。使用這項資訊，可以改善流程以減少缺陷並提高成品率。

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。

Allied Vision Manta 系列相機符合 GigE Vision 的通訊協定，可支援 GeniCam 功能，串聯多台相機進行360°無死角100%全檢，該案例使用12台 Allied Vision Manta 工業相機，架設6個檢測站，進行汽車或航空使用的螺絲及扣件的瑕疵檢測。取像速度快，每分鐘可檢測達500個。

半自動檢查設備、全自動出料、高速高精密檢測、精準瑕疵標記、權限管理、尺寸確認、外觀檢查、智慧化檢測資料統計、不良品分析、報表輸出、支援遠端校正管理。

SCI 系列為連續式螺絲拉帽光學影像篩選機

工程師可在非監視模式下使用康耐視深度學習缺陷檢測工具，基於一組「合格」安全氣囊圖像對軟體進行訓練，以創建安全氣囊的參考模型。偏離模型正常外觀的所有特徵都會描繪成異常。如此一來，Cognex Deep Learning 能可靠且一致地探測出所有異常，例如小孔，裂縫，破洞以及不尋常的縫製圖案。迅速識別出織品的缺陷區域並回報，完全無需昂貴的缺陷資料庫。

1. 高速檢測具有檢測能力30公尺/分。
2. 檢測寬度最大360mm。
3. 卷軸直徑最大卷軸直徑450mm。
4. 高解析度線掃相機採用彩色8K，黑白16K。
5. 學習功能具有 AI 人工智慧功能學習辨識 OK/NG 品，即可檢查瑕疵。
6. 檢測能力瑕疵點彩色0.12mm2黑白0.06mm2以上均可檢出。
7. 瑕疵門檻可以設定瑕疵長寬門檻，超過的均可檢出。
8. 標記瑕疵具有瑕疵標記能力，可選用畫筆或雷射標記。
9. 管理功能具有管理級，工程師及作業員級，可以設定操作權限。
10. 即時顯示具有即時顯示掃描圖面縮圖及全圖。
11. 自動紀錄具有可記錄瑕疵數量，統計表及曲線圖顯示於畫面。
12. 瑕疵照片可針對瑕疵照片選擇是否存檔。

RGI 雙面式系列利用輸送帶翻轉或雙玻璃盤檢測,可同時檢驗雙面瑕疵,但瑕疵也可能因透過玻璃折射或髒汙影響而無法篩出。

1. 高速檢測最高1000PCS/分。
2. 檢測轉盤直徑250mm-700mm。
3. 標準機台長850mm×寬850mm×高1800mm。
4. 高解析度面相機採用1.3M-25M。
5. 學習功能具有 AI 自動學習功能辨識學習 OK 品，即可檢查 NG 瑕疵品。
6. 檢測能力瑕疵點彩色0.01mm2黑白0.005mm2以上均可檢出。
7. 瑕疵門檻可以設定瑕疵長寬門檻，超過的均可檢出。
8. 標記瑕疵具有瑕疵標記能力，具選別器可以分料至 OK/NG/NULL 三個料斗。
9. 管理功能具有管理級，工程師及作業員級，可以設定操作權限。
10. 即時顯示具有即時顯示檢測縮圖及全圖。
11. 自動紀錄具有可記錄瑕疵數量，統計表及曲線圖顯示於畫面。
12. 瑕疵照片可針對瑕疵照片選擇是否存檔。

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。

1. 紡織布料常見外觀瑕疵檢驗：斷經、毛頭、色差、髒污、白點、摺痕、壓痕、破損等
2. 可驗布種：平織布、針織布、玻纖布、不織布、貼合布以及刷毛布

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。

Cognex Deep Learning 可迅速、輕鬆地解決連接器安放位置檢測。裝配驗證工具透過一組功能正常的連線與接點圖像進行訓練，並在即使有反光且背景複雜的情況下，瞭解所有正確安裝的變化。訓練完成後，裝配驗證工具就能接受全系列的可接受組件，同時能剔除那些超出參數範圍的組件。

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。

該系統能夠先拍攝料件的影像，並以此為基礎創建一個模型(Golden sample)，而後就能以此為基準來辨識與對位相同的料件，並同時進行尺寸量測。透過量測檢驗的零件即可用於組裝；異常的則先送回料件存放區。

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。

Cognex Deep Learning 可從一系列合格與不合格的所安裝彈簧箍夾鉗圖像組學習。分類工具可迅速判斷夾鉗是否功能正常，或標示出需要先加以修正才能進一步繼續組裝車輛的潛在問題。

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。

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

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。

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