分类识别

传统光学检测无法针对全幅影像进行分类，故无法于第一阶段汰除瑕疵过多的晶圆。应用SolVision AI影像平台技术辨识瑕疵特征。首先判断晶圆是否具有过多瑕疵，汰除无法修复的不良品。其次运用图像处理技术分割晶圆影像，并以工具侦测瑕疵，记录其特征、坐标、面积等信息，大幅提升后续修补的效率。

PCBA上面集成了不同功能的电子组件、插槽及各种芯片组，制造流程繁琐，如何提升PCBA插件及组装的正确率，是良率提升的关键。SolVision AI瑕疵检测系统，学习多张PCBA的影像做AI训练，可辨检测细微瑕疵，使PCBA制成优化，效率大幅提升。

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。

保有生产效益的同时兼顾纱线质量，是纺织业者最大挑战。现今纱场依以人工检测为主，漏检率高且工时长，不利实际质量要求，传统AOI面对不固定瑕疵时亦难以检测，误判率高。使用SolVision工具使AI学习辨识瑕疵特征，快速且精准地找出各项缺陷，有效改善检测速率、成品良率并降低品检负担。

各式输液皆以透明点滴袋包装，点滴袋上都会清楚注明种类、浓度及容量信息。由于各式点滴袋体上打印卷标位置不一，在产线尚无法以一般光学检测取代人工进行品项分类。所罗门运用SolVision技术，针对点滴袋体上的名称、浓度、容量等影像信息训练AI学习影像特征，可以快速辨识并分类各式输液品项。

袜品瑕疵形态多样，传统AOI适合用于整块布疋的检测，对于不固定的瑕疵检测有困难，且容易发生错杀，仍需人工进行复检。以SolVision工具完成AI模型的训练。可快速且精确地找出瑕疵、分类不同瑕疵并剔除不良品，把关产品质量、提升生产效率，透过对瑕疵进行分类与分析，更能够优化整体制程。

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。

雷射焊接具有不同的焊缝特征。由于产品的焊接位置、样式不尽相同，无法透过传统光学检测辨别焊缝样态，常造成焊接质量不一的情形。应用Solomon SolVision能够以焊缝特征影像训练AI模型，辨识焊接功率及漏焊瑕疵，并可透过深度学习，精准侦测焊缝的鱼鳞纹数量及分布。

射出成型的扣具生产上最为常见的瑕疵为脱模剂油污、白点、毛边及残屑，其中属油污瑕疵最难检出。结合SolVision AI影像平台工具，分别针对各类表面瑕疵型态执行深度学习，训练完成的AI模型即可实时检出射出成型时产生油污与在内的各类瑕疵。