Semiconductores
Inspección de semiconductores mediante IA para detectar defectos que se encuentran en el borde de la visibilidad, con poco contraste y que se confunden fácilmente con rastros de pulido o una textura superficial normal. Estas implementaciones muestran que las fábricas y las líneas de envasado detectan lo que AOI excede o pasa por alto, desde los rayones de CMP hasta los chips para cortar en cubitos.
Inspección de Calidad de CMP con IA
La inspección de calidad de CMP basada en IA de SolVision detecta rayaduras y contaminación en obleas, superando las limitaciones del AOI basado en reglas en la inspección de semiconductores.
‧
Inspección de Soldadura BGA Mediante IA
SolVision AI detecta defectos de soldadura BGA con precisión, mejorando la detección de defectos, la exactitud de la inspección y el aseguramiento de la calidad para fabricantes.
‧
Control de calidad del corte en cubitos de obleas
Usando la herramienta de segmentación de instancias de SolVision, se etiquetan líneas irregulares y defectos de perforación múltiple en imágenes de muestra para entrenar el modelo de IA.
‧
Verificación de piezas de plástico para su reciclaje mediante IA
Descubre cómo META-aivi optimiza la gestión de residuos con inteligencia artificial, reduciendo errores, evitando la contaminación y mejorando la eficiencia en el reciclaje de piezas plásticas.
‧
Gestión inteligente de instalaciones remotas
La visión artificial se utiliza para realizar el Reconocimiento Óptico de Caracteres (OCR). Esta información se envía a la nube para generar un informe de inspección, permitiendo a los operadores de planta monitorear fácilmente la inspección de las instalaciones a través de dispositivos móviles.
‧
Inspección de bandejas IC mediante IA
SolVision emplea la IA para mejorar la inspección de las bandejas de circuitos integrados, lo que garantiza una detección precisa y eleva los estándares de garantía de calidad en la industria de los semiconductores.
‧
Inspección de chips semiconductores empaquetados
La herramienta de Detección de Anomalías utiliza tecnología de aprendizaje profundo para enseñar al modelo de IA imágenes de muestra de obleas "perfectas".
‧
Detección de defectos de astillas al cortar obleas en cubitos
La ubicación, el tamaño y la forma de las grietas varían cada vez, y la inspección óptica tradicional no puede identificar con precisión estos defectos impredecibles.
‧
Automatización de las inspecciones de obleas de semiconductores
Los wafers F0 defectuosos también suelen tener defectos sutiles dispersos aleatoriamente en la superficie, y esto impide que los sistemas de AOI establezcan reglas para inspecciones eficientes.
‧
Detección de defectos de adhesión en semiconductores
El adhesivo excesivo puede permanecer en el chip o desbordarse en la placa de circuito y causar que el chip se incline, afectando la estabilidad de todo el paquete de semiconductores.
‧
Automatización de la inspección de calidad de los marcos de plomo
A medida que la fabricación de semiconductores se vuelve más sofisticada, el proceso de creación de marcos de plomo necesita mejorar en precisión y rendimiento.
‧
Inspección de procesos de empaquetado de semiconductores
Solvision permite la inspección visual a través del análisis de imágenes con IA, fortaleciendo la fiabilidad de la información de desplazamiento y ángulo para reconocer productos defectuosos y errores en el proceso de unión de matrices.
‧
Inspección visual de bandejas portadoras de semiconductores
Detección automática de defectos con inteligencia artificial. Inspección visual de bandejas portadoras de semiconductores.
‧
Inspección de IA para componentes semiconductores
Superando las limitaciones tradicionales de AOI, Solvision de Solomon realiza rápidamente OCR sin verse afectado por las condiciones de fondo o de iluminación, complejidad o apariencia del número de serie.
‧
Inspección visual de bandejas de semiconductores
La herramienta de Detección de Características de Solomon Solvision primero aprende la posición de la bandeja y luego realiza OCR con mayor flexibilidad que los sistemas AOI.
‧