a stack of metal sheets on top of a metal table

SolVision成功案例

金屬外殼瑕疵檢測與分類解決方案

自動檢出並分類瑕疵類型

消費性裝置外殼品質管理

電腦機殼背蓋等消費性裝置在進入裝配程序前,需經瑕疵檢測與分類,以維持品質的一致性。

金屬機外殼反光影響檢測品質

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。

SolVision迅速且彈性解決瑕疵檢測與分類

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。

瑕疵分類案例

Level 1 : 明顯可見瑕疵

Level 2 : 細微瑕疵

Level 3 : 極細微瑕疵

AI Inspection on Reflective Metal Surfaces

相關文章
  • a group of square objects

    晶圓不良品分類及瑕疵定位自動化解決方案

    傳統光學檢測無法針對全幅影像進行分類,故無法於第一階段汰除瑕疵過多的晶圓。應用SolVision AI影像平台技術辨識瑕疵特徵。首先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,並以工具偵測瑕疵,記錄其特徵、坐標、面積等資訊,大幅提升後續修補的效率。
  • a close-up of a machine

    自動化雷射銲接分類暨檢測解決方案

    雷射焊接具有不同的焊縫特徵。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焊縫樣態,常造成焊接品質不一的情形。應用Solomon SolVision能夠以焊縫特徵影像訓練AI模型,辨識焊接功率及漏焊瑕疵,並可透過深度學習,精準偵測焊縫的魚鱗紋數量及分布。
  • 高爾夫球桿頭品質檢測解決方案

    高爾夫球桿頭是球具組合中最重要的部份,消費者十分重視桿頭完成面的細緻程度。運用SolVision AI影像技術,將影像樣本中高爾夫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模型即能不受商標、紋路及金屬光澤的影響,定位並標註所有細微的表面瑕疵。
  • Gray Round Metal Part

    電腦零組件瑕疵檢測解決方案

    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工具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。