為什麼一定要讓AOI結合AI?
收錄各產業應用案例

1.大幅降低過殺率

對於應用AOI檢測最多的PCBA瑕疵檢測產業，往往會因為保證產品良率而調高AOI參數，設定成相當嚴格，此舉會導致AO相當敏感，便會產生過殺(Over Kill)的現象，但是透過AI軟體，可以藉由經驗法則來學習判斷，可以因應外在變化而達成自我調整，進一步有效判斷未曾看過的瑕疵集成像。

2.擁有學習能力

AI的優勢是模仿人的視覺及大腦，用少量樣本就能快速建出模型，用演算法來檢測產品，AI就好比一位新進的學徒，在一定程度上能夠模仿老師傅的檢測能力，經由運用大量有效資料並透過深度學習技術在系統模型快速訓練，自動找出最佳OK與NG參數，進一步有效判斷未知瑕疵，確保檢驗標準的一致性，大幅提升辨識準確率。

所羅門AI七大優勢

一.專業團隊支援

海內外強大的技術團隊支援，行業內外有目共睹的專業技術支援服務，解決您軟體使用上的問題。

二.領先業界的AI技術

在同一顯卡標準下，SolVision透過軟體功能提升檢測速度，憑藉10ms高速辨識出AOI難以辨識字體，優於市場平均30ms速率。

三.免編程能力也OK

圖形化介面輕鬆又直覺，如「小畫家」拖曳、點選或下拉選單即可。AI瑕疵檢測產品繁多，能否快速且低成本導入至關重要。

四.整合容易

檢測結果及物件位置亦能透過TCP/IP通訊界面輸出,即時傳遞檢測結果至PLC或各主要品牌手臂控制器,同時更整合如LabView、Visual Studio、C#、C++等第三方程式。

五.訓練樣本數少

與傳統AOI相比，所羅門AI視覺軟體減少了90%樣本數即可達成期望效益，無需耗費大量人力時間。

六.高速AI帶來高投報率

最快1分鐘即可完成AI學習，低成本與系統或設備快速連結。所羅門團隊還提供＂免費＂樣品測驗服務。

七.功能完善

我們提供監督式及非監督式檢測共四大檢測工具

監督式檢測 (Supervised)

特徵定位 (Feature Detection)
主要用於方形物體或與背景相關之特徵或瑕疵檢測。
特徵分割 (Instance Segmentation)
外型不規則或複雜背景中之特徵或瑕疵檢測可以此功能進行擷取。
特徵分類 (Classification)
用於特徵或瑕疵數量多或影像占比大之應用。

非監督式檢測(Anomaly Detection)

訓練時僅須提供正確樣本,系統便會在訓練過程中產生檢測模型,即可辨識與良品間差異之處。

SolVision 成功案例

半導體業

生技醫療業

光電業

汽車業

金屬加工業

食品業

紡織業

石化及塑橡膠業

電子業

製造業

相關文章
  • 1. 老舊設備 – 非侵入式資料擷取以及控制

    數位轉型實踐 – 設備智慧化結合AR創造商機

    台灣防疫固然有成，並且成功的讓產業所受到的衝擊降到最低，但在全球經濟轉變以及工作模式已經帶來全面性的改變：設備智慧化、零接觸經濟、遠距教學等需求逐步提升。因此在這後疫情時代下，從各面向進行數位轉型，並帶動經濟的發展，為產業帶來嶄新的機會！那究竟我們需要怎麼樣來實行呢？我們將會遇到哪些問題？
  • 疫情雖逐步受到控制，但由於機械結構複雜，遠端線上教學未必能清楚描述，一旦失誤，恐導致設備損壞延宕產品生產時程。

    一顆關鍵閘道器　製藥廠掀智造浪潮

    不少企業誤以為，要走向智慧製造，就必須重新建立新廠房、添購新機械設備，才能因應這波轉型。其實，善用工業物聯網技術，進行廠區中各機台的數據蒐集、整合及分析等應用，讓生產效益達到最佳化，正是工廠自動化再升級的新選擇。

  • 所羅門觀點：以終為始，達成目標不是夢

    「以終為始，就是做正確事的習慣，在行動前務必把目標想清楚」、「沒有明天的目標，那今天的行動，多半是重複昨天的事。」以上的文字，是我閱讀商業周刊的文章後，在讀書會上與同仁分享的精華。

  • 什麼是深度學習?

    想理解深度學習（Deep Learning, DL），最簡單的解釋，可以將深度學習視為機器學習，若更進一步的定義，深度學習就是機器學習的進化版，是資料科學中的組成關鍵。