應用

空調及冷凍設備的製造過程中，熱交換器的密閉容器所含的鐵管、鏡板、管帽、端板等部件皆需經過銲接工序，但由於銲接工廠屬高溫高熱的場域，入內需穿著基本防護，且銲道的瑕疵缺陷複雜且不規則，憑藉人工經驗檢測銲道，不容易維持品質一致，導入ＡＩ自動化檢測勢在必行。

SMD電容體積較小，觀察缺陷需在顯微鏡等級的微觀工具下觀察，且因MLCC非常脆弱，檢測過程也須非常小心，困難度極高。使用SolVision工具，學習電極上凸出部分的瑕疵形狀及位置，建立AI模型，在AI學習瑕疵特徵之後，即可快速檢測電容凸出部分的缺陷，大幅提升整體製程的良率。

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。

晶片承載盤是半導體加工製程的關鍵要素，晶片承載盤的輪廓與定位孔點常因作業造成瑕疵，過去多透過AOI光學檢測方式予以檢查。然而承載盤不易透過AOI檢出並定位瑕疵，嚴重影響良率及生產效率。運用SolVision AI影像技術執行缺陷檢測，以利使用者即時監測並排除承載盤異常。

緞帶色彩繽紛的特性使得AOI檢測容易因為花紋和顏色變化而發生瑕疵漏檢或誤判。使用SolVision檢測各種顏色、花紋的緞帶，能夠精確找出裂孔、脫絲等瑕疵的位置、大小及形狀，不論是檢測速度或是精準度都能達到標準。而透過記錄與分析瑕疵的樣態，可回溯找出製作過程中的問題所在，改善產品製程。

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。

電子產業中，如果料號標籤無法辨識會大幅降低作業效率。標籤字體印刷不良標籤上的字體在印刷過程容易產生不規則的細微瑕疵，使得AOI難以辨識。利用SolVision進行缺陷以及字元辨識之AI深度學習，即便標籤字體出現不規則的缺陷仍能正確辨識，大幅降低物料管理的成本支出，提高庫存管理正確性。

橡膠射出成形採用AOI檢測塑料缺陷時，由於瑕疵種類及位置多變，易遇橡膠射出瑕疵樣品不足使得瑕疵定性定量困難，檢測精準度不足。利用SolVision AI瑕疵檢測，針對橡膠射出成品瑕疵形狀與顏色建立資料庫，AI學習可後辨識種類及位置多變的瑕疵。有效解決橡膠射出成品瑕疵不固定的檢測問題。

所羅門利用 SolVision學習Tray盤所需辨識的定位點，執行光學字元辨識 (OCR)，能夠大幅優化傳統AOI的作業流程，不受識別畫面位移、歪斜及其字元缺陷等限制，精準識別個別料件來源，而隨著AI深度學習件數增加，亦能持續優化AI辨別字元的能力，使辨識字元不再困難。