a stack of metal sheets on top of a metal table

SolVision成功案例

金属外壳瑕疵检测与分类解决方案

自动检出并分类瑕疵类型

消费性装置外壳品质管理

电脑机壳背盖等消费性装置在进入装配程序前,需经瑕疵检测与分类,以维持品质的一致性。

金属机外壳反光影响检测品质

金属机壳刮伤瑕疵相当细微,在一般光线下因为金属材质容易反光,人员以目视方式难以检出瑕疵,容易发生外观品质不良的问题。

SolVision迅速且弹性解决瑕疵检测与分类

利用SolVision的实例切割技术,针对瑕疵的外观形状建立瑕疵缺陷资料库,分类特定缺陷例如:明显瑕疵、细微瑕疵与极细微瑕疵等,以深度学习辨识明显瑕疵,并忽略可接受的微小缺陷,有效提升检测精准度及速率,确保产线成品能毫无缺陷地进入装配程序。

瑕疵分类案例

细微瑕疵

Level 1 : 明显可见瑕疵

Level 2 : 细微瑕疵

Level 3 : 极细微瑕疵

AI Inspection on Reflective Metal Surfaces

相关文章
  • AI影像辨识– OCR电子元件字符

    电子组件制造过程追踪为半导体之产出基石,辨识组件编号被视为生产重要环节之一。但较差环境下让AOI辨识更加困难,对于提升产线效率以及降低字符的误判度有很大改善空间。利用SolVision技术执行光学字符识别,有别于传统AOI,不受底色、环境光线及字符种类多等限制,可精准识别个别编码。
  • 透明瓶装液体沉淀物AI自动化检测解决方案

    液体生技药品常以透明瓶装保存,由于透明瓶装的反光特性、受测物沉淀情形不一因素,使瓶装药品的检测无法以一般光学检测取代人力执行。所罗门结合机器视觉与人工智能,运用SolVision AI从数据库中的影像特征判断沉淀情形。透过深度学习技术,可辨识7种不同的沉淀样态,进而判断内容物的质量。
  • 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。
  • Gray Round Metal Part

    电脑零组件瑕疵检测解决方案

    硬盘支架制造过程出现的瑕疵种类繁多,包括金属的压伤、表面白雾、孔批麟、孔黑等等,透过人工检测不容易逐一检出,然而微小的缺陷在组装过程可能造成孔隙无法对齐等问题发生。使用SolVision工具AI学习瑕疵特征后,能够快速检测出硬盘金属支架上的各类微小瑕疵。