Fehlererkennung
Die KI-Fehlererkennung löst ein Problem, das Regeln nicht lösen können: Fehler, die nie zweimal gleich aussehen, ihre Position verschieben und sich in der Hintergrundtextur verstecken. Diese Bereitstellungen zeigen, wie Hersteller die Erkennung anhand einer Handvoll beschrifteter Bilder trainieren und dann die Genauigkeit beibehalten, wenn neue Fehlertypen auftauchen.
Erkennung von Kurzschlüssen bei SMT-Lötverbindungen
SMT ist ein kritischer Lötprozess in der Elektronikindustrie. SolVision erkennt Defekte auf Leiterplatten (PCBs), die zahlreiche kleine, komplexe Komponenten aufweisen.
‧
Inspektion von Sicherheitszertifizierungszeichen
Inspektion von Sicherheitszertifizierungszeichen: Die KI-gestützte automatisierte Erkennung fehlerhafter Zertifizierungszeichen von Solomon SolVision.
‧
Visuelle Inspektion von Schweißnähten in der Automobilbranche
Angetrieben von KI trainiert die Deep-Learning-Software von SolVision ein KI-Modell, indem sie potenzielle Schweißnahtfehler unter zufälligen Helligkeitsbedingungen simuliert.
‧
Inspektion von chirurgischen Masken mit KI
SolVision nutzt Deep-Learning-Technologie für eine verbesserte Inspektion von chirurgischen Masken, um eine genaue Fehlererkennung und eine verbesserte Qualitätskontrolle zu gewährleisten.
‧
KI-gestützte visuelle Inspektion von Trockenbauplatten
Das KI-Modell kann trainiert werden, um Defekte auf der Trockenbauplatte genau zu erkennen und zu lokalisieren, um die Produktqualität und den Produktionsertrag zu verbessern.
‧
Automatisierung von Halbleiter-Wafer-Inspektionen
Fehlerhafte Wafer weisen in der Regel auch subtile Defekte auf, die zufällig auf der Oberfläche verteilt sind, was es AOI-Systemen (Automated Optical Inspection) erschwert, Regeln für effiziente Inspektionen festzulegen.
‧
Fehlererkennung bei Laser-Schweißen mit KI
SolVision überwinde die Herausforderungen bei der Inspektion von Laser-Schweißarbeiten mit KI und ermöglicht eine präzise Fehlererkennung zur Verbesserung der Schweißqualitätskontrolle.
‧
KI-Inspektionen für Multilayer-Keramikkondensatoren (MLCC)
SolVision detects defective electrodes on passive electronic components to significantly improve overall production yield.
‧
Erkennung von Haftungsfehlern in Halbleitern
Übermäßiger Kleber kann auf dem Chip verbleiben oder auf die Leiterplatte überlaufen und dazu führen, dass der Chip kippt, was die Stabilität des gesamten Halbleiterpakets beeinträchtigt.
‧
Erkennung fehlerhafter und fehlender Laptopkomponenten
Bei sich wiederholenden manuellen Aufgaben wie in diesem Fall kann eine automatisierte visuelle Inspektion helfen, fehlerhafte Produkte zu identifizieren und die Effizienz der Arbeitskräfte zu verbessern.
‧