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 工具提供更簡單的方式，來學習和分類碎裂與毛邊痕跡，以及與切割流程後的正常切口痕跡區分。輕鬆訓練軟體，識別所有碎裂與毛邊，分類為可接受或不可接受，以及忽略在誤差範圍內的正常痕跡。

「 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. 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。

康耐視 VisionPro 軟體提供快速準確的方法，在包裝 Mini LED 前對其進行計數。作業人員可以輕鬆訓練軟體，識別、定位和計算極微小的 LED 晶粒圖案。計數工具會尋找灰階像素值圖案定義的功能。無論影像之間的像素強度如何變化，它都能迅速準確地找到圖案。每次執行時，它可以定位成千上萬顆晶粒，並定位小至 4x4 像素的晶粒圖案。控制系統會儲存製造歷史記錄和貼附在成品包裝的條碼標籤的結果。

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。

採用 X/Y 龍門移動平台，可個別或整合搭載色度/膜厚/OD 光譜儀量測模組，應用於各塗佈製程後的色度/膜厚/OD 不均及異常的自動精密量測

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. 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

康耐視深度學習的缺陷探測與分類工具使用許多不同合格與有缺陷的焊接連接變化進行訓練，並學習將功能性與塗裝瑕疵精準地分類和區分。不使用基於規則的傳統機器視覺，而改用基於範例的方法，可以縮短應用開發時間。

使用缺陷探測工具，工程師透過一組加上註釋說明金色與電氣電容器兩者均分類為「合格」組件的圖像，以監督模式訓練軟體。在運作期間，模型會將所有電氣與金色電容器擷取和區分為同一類型。在檢測的第二部分，分類工具可學會每種電容器的屬性，同時容許相同類型內的變化。如此一來，即使視覺上看起來類似，也可以依據色彩與標識區分不同的電氣電容器。Cognex Deep Learning 可在運作期間，根據訓練期間的開發的模式，精準分類和區分單一圖像內的電容器。

1. 全中文化一對多操作介面。
2. 一對多畫面微調整快捷頁面。
3. 各畫面獨立統計功能(總檢測量/合格品數量/異常品數量)。
4. 獨立畫面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800pcs/分鐘。
8. 分站式獨立機構。

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。

康耐視 In-Sight 系列等獨立 2D 機器視覺系統嵌入了 BeadInspect 等進階軟體，以快速分析膠珠形狀、尺寸和外觀。如果需要更強大的檢查，許多 2D 系統可配備 VisionPro 深度學習，這是一種影像分析軟體，使用人工智慧 (AI) 透過比較數千個「好的」和「壞的」影像來將缺陷與可接受的膠珠分開。當檢測系統需要測量膠珠的高度或輪廓時，如 In-Sight 3D-L4000 等 3D 機器視覺系統是最有效的解決方案，使用無斑點藍色雷射來捕捉高品質影像並將眩光降至最低。

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。

全自動檢查設備、全自動入出料、高速高精密檢測、精準瑕疵標記、即時良率統計圖、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

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。

1. 解像及缺陷檢出能力範圍可達 10um~100um
2. 可對應單板未切割前尺寸、切割後“12~75”基板尺寸及異形產品
3. 檢出區域可同時涵蓋面內區域及玻璃切割邊緣
4. 缺陷分類功能

可檢測槽孔形狀、阻塞、搓牙歪斜、不良、螺紋大小徑、節距、螺絲頭部寬度、厚度、螺絲彎曲、表面磨傷等瑕疵，並提供智慧化檢測資料統計、不良品分析、報表輸出及支援遠端校正管理

Cognex Deep Learning 能可靠地驗證組裝的輪圈螺栓正確無誤。組件定位工具可使用位置與角度各異的各個螺栓範例圖像進行訓練。完成之後，隨即能在複雜且不易分辨的視野中，可靠地識別各個輪圈螺栓存在與否，確認螺栓數量正確且位於輪圈的正確位置。

可檢測線缺陷、區域缺陷、異物、刮傷、起泡等瑕疵，並提供智慧化檢測資料統計、不良品分析、報表輸出及支援遠端校正管理

採用高精度光學取像量測模組並結合特殊平台及光源設計，可提供 CD/Overlay 高精度量測

1. AI 即時缺陷檢測；高速拍照，即拍即檢即分類
2. 自動線寬距/孔徑量測

可依據不同客戶在生產製造流程需求上提供適合的 AI 缺陷分類判定解決方案

1. 完美的檢測功能：AOI 玻璃破片在線檢查系統擁有 CCD 玻璃視覺線上檢測功能，專門用於檢測各類玻璃在生產過程中出現的破片、缺角、裂邊等常見缺陷，保證產品品質。
2. 即時的缺陷檢測：系統可以在生產過程中及時發現產品表面的瑕疵點資訊，時刻反映生產線表面的缺陷訊息，隨時掌握產品品質狀況，即時調整生產流程。
3. 完全取代人眼檢測：系統完全取代人眼進行表面檢測，大大節省了人力成本，同時提高了檢測的準確性和效率，讓生產線運行更加順暢。
4. 節省生產成本，提高品質：系統不僅節省了生產成本，提高了產品的品質，讓客戶滿意度和市場競爭力得到提升！

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。

康耐視 DataMan 讀碼器使用 1DMax 搭配 Hotbars 與 2DMax 搭配 PowerGrid 讀碼演算法，能可靠地識別印在標籤上或直接模壓或雷射蝕刻在電路板上的一維條碼與二維碼。這可讓機器運作發揮最大潛力。康耐視機器視覺系統提供光學字元辨識 (OCR) 與字元驗證 (OCV)，可依序號識別電路板與高價元件，或讀取原始條碼標籤中未納入的資訊。

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。

1. Cognex Deep Learning 可透過可能的全系列引擎類型與組件配置進行訓練。組件與中心距離的遠近，可導致視野寬廣的鏡頭呈現不同角度的引擎組件。無論組件以何種角度呈現，分類工具都可學會識別每項組件。
2. 為了精確進行引擎裝配驗證，分類工具要學習引擎類型，還有不同機油濾芯、接線、軟管及其他組件類型所需的位置，並立即標示出任何有遺失或有不正確安裝組件的引擎，以便在備妥引擎以供安裝於車輛中之前識別出錯誤。

該軟體只需要工程師設定目標檢測區與字元大小。完成設定後，不需要訓練，工具預先訓練的字型庫即可將字元解碼。在非常難以讀取字元的情況下，可以使用多種字元變化，直接重新訓練軟體。

1. 解像及缺陷檢出能力範圍可達 1um~5um
2. 可對應 G3.5~G10.5基板尺寸
3. 檢出區域零死角，可達100%面板全區域覆蓋
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
6. 提供專業及客製化服務

1. AI 即時缺陷檢測；高速拍照，即拍即檢即分類
2. 自動線寬距/孔徑量測

1. 量測渦輪葉片各種特徵
2. 檢查葉片上是否有瑕疵及缺陷
3. 驗證零件上的字元標記是否正確

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。

1. 預測精確度>95%
2. P 判錯率<5%
3. 60秒內偵測100張影像(包含下載、預處理、預測及上傳)

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。

結合 AI 影像辨識平台 AIWinOps 提供智慧製造解決方案，將 AI+AOI 技術應用於石化產業、高爾夫球產業、半導體產業、機械零件製造產業及紡織業等。

1. 研發和進料檢驗用的 AOI 機器
2. 能夠檢查彈簧探針的尖端磨損、不完整/損壞、異物
3. 探針直徑（針對針）：>=0.1mm，具有多種冠狀頭類型
4. 檢測範圍和速度：X 軸：至少 10 個探針；Y 軸：2.3 毫米/秒；Z 軸：手動調整

1. 能夠捕捉和檢查每個單元的具有 12 個面的六面體
2. 待檢查的缺陷：異物、凹痕、污漬、變形、污染、溢出和剝落
3. Microsoft Azure 雲端機器管理用於 AI 模型的訓練、再訓練、驗證和監控