電子制造行業正逐步邁向高度“數智化”時代,越來越多的企業開始采用AI機器視覺技術進行缺陷檢測和品質管控。
由于良品率極高,在大量正常的產品中,收集缺陷樣本既耗時又低效。而模擬制造缺陷品也絕非易事,產品缺陷形態多變,還可能出現各種無法預測的異常情況,傳統的缺陷模擬方法往往難以應對,這無疑增加了檢測的成本和難度。
良品學習
阿丘科技的良品學習模式,擁有非監督分類與非監督分割兩大功能,無需缺陷樣本,通過學習良品的共性特征,即可自動識別異常,找出不良品。
此功能經由真實工業場景打磨,已落地部署并批量復制,惠及電子制造行業各類生產工藝的品質管控。
只訓練良品圖,縮短樣本收集和模型上線的時間
具有防呆效果,適用于檢測無法預測的未知缺陷
精度準確率高,可檢出低至7*7像素的細小缺陷
經典應用集錦
電子制造業涵蓋豐富多樣的產品品類,其工藝流程復雜且精密,涉及眾多關鍵組件。阿丘科技的AI良品學習算法和方案,幫助工廠解決缺陷樣本難收集問題,有效檢出產品的細小缺陷和形態隨機的未知異常。
01
精確檢出所有外觀缺陷,項目落地后實現0漏檢。
02
電子元器件-激光光路檢測
檢出激光雜斑、多光線等缺陷,已部署上線,完成批量復制。
03
檢出殘膠、表面凸起、針痕、DBR污染、邊緣崩邊等10+種缺陷。
04
線材-線芯缺陷檢測
檢出短路無芯片,焊接不良連錫,太靠邊線皮,退錫不良未上錫,芯片偏移等15+種缺陷。
05
FPC-電極缺陷檢測
檢出劃痕、破損、褶皺、臟污等缺陷。
如果您正面臨缺陷圖片難收集的問題,阿丘科技的良品學習算法和方案正是您的理想之選。
-
機器視覺
+關注
關注
161文章
4369瀏覽量
120282 -
制造
+關注
關注
2文章
510瀏覽量
23990 -
檢測
+關注
關注
5文章
4480瀏覽量
91443
發布評論請先 登錄
相關推薦
評論