分類辨識

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。

PCBA上面集成了不同功能的電子元件、插槽及各種晶片組，製造流程繁瑣，如何提升PCBA插件及組裝的正確率，是良率提升的關鍵。SolVision AI瑕疵檢測系統，學習多張PCBA的影像做AI訓練，可辨檢測細微瑕疵，使PCBA製成優化，效率大幅提升。

電子元件製造過程追蹤為半導體之產出基石，辨識元件編號被視為生產重要環節之一。但較差環境下讓AOI辨識更加困難，對於提升產線效率以及降低字元的誤判度有很大改善空間。利用SolVision技術執行光學字元辨識，有別於傳統AOI，不受底色、環境光線及字元種類多等限制，可精準識別個別編碼。

保有生產效益的同時兼顧紗線品質，是紡織業者最大挑戰。現今紗場依以人工檢測為主，漏檢率高且工時長，不利實際品質要求，傳統AOI面對不固定瑕疵時亦難以檢測，誤判率高。使用SolVision工具使AI學習辨識瑕疵特徵，快速且精準地找出各項缺陷，有效改善檢測速率、成品良率並降低品檢負擔。

各式輸液皆以透明點滴袋包裝，點滴袋上都會清楚註明種類、濃度及容量資訊。由於各式點滴袋體上打印標籤位置不一，在產線尚無法以一般光學檢測取代人工進行品項分類。所羅門運用SolVision技術，針對點滴袋體上的名稱、濃度、容量等影像資訊訓練AI學習影像特徵，可以快速辨識並分類各式輸液品項。

襪品瑕疵形態多樣，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。以SolVision工具完成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。

利用SolVision的瑕疵檢測工具，做出AI模型Training，針對瑕疵的形狀長相建立瑕疵缺陷資料庫，將複雜的缺陷人工檢測轉化成精準度高且規律的檢測系統，以深度學習辨識異常並忽略可接受的微小缺陷，有效提升檢測精準度及速率，兼顧產品嚴格的品質要求。

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。

射出成型的扣具生產上最為常見的瑕疵為脫模劑油汙、白點、毛邊及殘屑，其中屬油汙瑕疵最難檢出。結合SolVision AI影像平台工具，分別針對各類表面瑕疵型態執行深度學習，訓練完成的AI模型即可即時檢出射出成型時產生油汙與在內的各類瑕疵。