瑕疵檢測

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。

常見的LED基板瑕疵包括邊緣毛邊、銲墊氧化雜質、刮痕等，在瑕疵特徵與背景相近的情況下，AOI檢測不易將瑕疵檢出。運用SolVision AI影像技術，以各式LED基板上瑕疵影像樣本訓練，經深度學習的AI即可精準地將瑕疵檢出並標註。此外亦可指認瑕疵生成的所屬區域，達到分區檢測的目的。

化學機械平坦化(CMP)是半導體製造中不可或缺的製程之一，然而，研磨液中過大顆粒及微粒凝聚體可能造成晶圓上的微劃痕，是CMP製程中最主要的瑕疵類型。傳統AOI檢測即使耗費大量人力撰寫演算法，仍無法精準偵測整張晶圓影像瑕疵。運用所羅門SolVision解決方案來精準找到研磨瑕疵

國內外安規認證的標章眾多，例如CE、EAC等，各有不同的標章圖示。過多的版面資訊在大量印刷過程中不易檢出多印或漏印的情形，可能影響商品的販售及使用。應用SolVision AI影像工具，訓練AI模型。訓練完成的AI模型即會自動檢出並標示所有差異地方，即為版面的印刷瑕疵。

固晶是晶片封裝製程中的重要技術，固晶的精準與否，是半導體封裝產線中產品良率的成敗關鍵。但是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。

銲接過程中，氣體飽和所形成的氣泡無法在銲接過程中及時排出而殘留在銲道中，形成銲道氣孔瑕疵，可能影響美觀及結構品質。運用SolVision AI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。

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。

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。

固晶接著劑透明，易造成光源折射影響特徵判斷，且爬膠、溢膠不具固定位置及型態，無法創建規則執行傳統光學檢測AOI。運用Solomon SolVision AI影像平台技術建立AI學習模組，自動學習並偵測爬膠、溢膠的特徵及位置。增加多項正確類別提升辨識強度，有效降低環境因素的干擾。