Fehlererkennung

Das KI-Modell kann trainiert werden, um Defekte auf der Trockenbauplatte genau zu erkennen und zu lokalisieren, um die Produktqualität und den Produktionsertrag zu verbessern.

Fehlerhafte Wafer weisen in der Regel auch subtile Defekte auf, die zufällig auf der Oberfläche verteilt sind, was es AOI-Systemen (Automated Optical Inspection) erschwert, Regeln für effiziente Inspektionen festzulegen.

SolVision überwinde die Herausforderungen bei der Inspektion von Laser-Schweißarbeiten mit KI und ermöglicht eine präzise Fehlererkennung zur Verbesserung der Schweißqualitätskontrolle.

SolVision detects defective electrodes on passive electronic components to significantly improve overall production yield.

Übermäßiger Kleber kann auf dem Chip verbleiben oder auf die Leiterplatte überlaufen und dazu führen, dass der Chip kippt, was die Stabilität des gesamten Halbleiterpakets beeinträchtigt.

Bei sich wiederholenden manuellen Aufgaben wie in diesem Fall kann eine automatisierte visuelle Inspektion helfen, fehlerhafte Produkte zu identifizieren und die Effizienz der Arbeitskräfte zu verbessern.

Mit der zunehmenden Komplexität der Halbleiterfertigung muss der Prozess zur Erstellung von Leiterplattenrahmen in Bezug auf Genauigkeit und Ausbeute verbessert werden.

Kleine, spiralförmige Metallteile können mit dem Instanzsegmentierungstool von SolVision inspiziert werden, um die verschiedenen Arten von Schnittmarken oder Kollisionsfehlern anhand von Beispielbildern zu erlernen und dann ein KI-Modell zu erstellen, das diese subtilen Mängel erkennt.