a close up of a pattern of small squares

SolVision成功案例

半导体产业

芯片收纳(In-Tray)跳料检测解决方案

AI辅助检测萃盘上芯片跳料瑕疵

封测制程的终端：芯片收纳运送

萃盘(IC Tray)是芯片(Chip)的承载盘，检测、切割完成后的芯片拣至萃盘中的晶穴(Pocket)內以运送至客户端。然而芯片体积小且质量轻，于萃盘上取放时容易跳料，进而产生叠料(Double)、空料(Empty)、歪斜错置(Tilt)、反转(Opposite)等情形。
Detecting missing or incorrectly placed chips in trays

萃盘中芯片跳料情形：不具逻辑且难以预测的瑕疵

芯片于萃盘中跳料的情形是属随机，所致的瑕疵形态多样且难以预测瑕疵所产生的位置。对AOI而言，几乎无法针对跳料瑕疵设定逻辑并据以检测。

AI深度学习：以芯片收纳异常的影像特征训练检测模型

运用SolVision AI影像平台的实例切割技术，以具叠料、空料、歪斜错置、反转等瑕疵的影像样本训练AI模型，AI训练完成后即可轻易且迅速地辨识并标注萃盘上产生收纳异常的位置。

AI检测

绿  卡槽內放置正确数量    黄 卡槽重叠2片       橘 卡槽重叠3片

相关文章
  • black and white labeled box

    晶圆研磨瑕疵检测解决方案

    化学机械平坦化(CMP)是半导体制造中不可或缺的制程之一，然而，研磨液中过大颗粒及微粒凝聚体可能造成晶圆上的微划痕，是CMP制程中最主要的瑕疵类型。传统AOI检测即使耗费大量人力撰写算法，仍无法精准侦测整张晶圆影像瑕疵。运用所罗门SolVision解决方案来精准找到研磨瑕疵
    半导体产业SolVision成功案例瑕疵检测质量/安全检查

  • 金属外壳瑕疵检测与分类解决方案

    利用SolVision的瑕疵检测工具，做出AI模型Training，针对瑕疵的形状长相建立瑕疵缺陷数据库，将复杂的缺陷人工检测转化成精准度高且规律的检测系统，以深度学习辨识异常并忽略可接受的微小缺陷，有效提升检测精准度及速率，兼顾产品严格的质量要求。
    SolVision分类识别成功案例瑕疵检测电子业质量/安全检查金属加工业

  • 不锈钢管字符辨识解决方案

    目前仍采用人力进行自行车车身号码的辨识与登录，耗费人工且效率低，若使用AOI进行字符辨识，因不锈钢管表面为圆弧曲面，打光容易造成反射，不论以人工或者AOI检测，针对曲面、反光不锈钢管上字样的辨识皆较为困难。所罗门结合机器视觉与人工智能，对于光学字符识别可以得到极佳的辨识效果。
    SolVisionOCR光学字符识别建造业成功案例金属加工业

  • 压花石膏板瑕疵检测解决方案

    石膏板出厂前，瑕疵情形皆须确实检出。然而，由于压花石膏板的外观特性，瑕疵在复杂背景中模糊，无法以AOI及人眼确实辨识。使用所罗门 SolVision AI影像平台技术，撷取板材上的脏痕、过大压花图案以及压花不清等瑕疵，可确实检出并定位板材上的瑕疵，具体提升石膏板板材的质量与良率。
    SolVision建造业成功案例瑕疵检测石化业