技術案例

AI＋AOI 克服多元應用場景

AI+AOI 技術相輔，解決過去許多難以處理的難題

AI + AOI 的整合應用已漸漸成為檢測方案的新趨勢，過去傳統 AOI 演算法，較容易受到雜訊的干擾，例如光線、震動等因素影響，也常為了達到高良率的要求，設定嚴格的檢驗條件，導致過篩率 (overkill) 偏高，進而影響檢測的穩定度與品質 ; AI 技術的加入，恰好可彌補其缺點，增加檢測的彈性，提升影像的辨識率。

AI 與 AOI 技術並非互相取代，而是彼此相輔，不是所有的檢測場景都需要使用到人工智慧，必須視產品的瑕疵型態與產線狀況作整體評估，才能帶來最大的助益。

AI 適用場景
不規則與多變化的瑕疵類型、較複雜的圖像背景

AI 背景材質濾鏡

即使圖像的背景紋理複雜，也能輕易檢出傷痕、異物瑕疵

利用 AI 技術消除圖像的背景紋理干擾，強化瑕疵的特徵

密集點狀或凹凸不平的紋理，傳統視覺技術難以定義目標特徵、是辨識困難的主因。透過 AI Segmentation 訓練檢測濾鏡模型，在前處理流程能將影像中的材質雜訊去除，使瑕疵的邊、角等識別特徵變得明顯。

AI 物件偵測

快速準確找到物件，進行數量、位置、種類與狀態檢查

AI 物件偵測模型可快速又正確找到目標物，加入一款全新物件僅數分鐘即可完成再訓練

利用影像前處理技術找出物件輪廓，精準定位物件所在位置，不論是正面、反面、側面等各種角度方位，並且可依需求自訂物件條件，例如顏色、紋理等，輕鬆找到目標物件。不同於過去傳統的模型訓練方式，在新增一款全新物件時，往往需要重新進行原圖訓練，我們僅需少量影像 (約50張)，在短短數分鐘內，即可完成模型再訓練 (Retrain)。

AI OCR 文字辨識

快速讀取文字，簡單執行文字檢測任務

AI OCR 快速準確讀取文字，即便字體歪斜或變形也能輕鬆辨識

光學字元辨識 OCR (Optical Character Recognition) ，是一種從文字資料的圖像檔案中將文字讀取出來的一種技術。傳統 OCR 技術容易因文字清晰度或圖檔背景複雜度等干擾，導致辨識率下降。透過深度學習所打造的 AI OCR，改善了以往的限制，即便字體歪斜或變形也能輕鬆辨識，不需經過耗時的預訓練，即有理想的辨識精準度，並可持續學習優化，強化辨識力。

可應用的範圍廣泛，像是車牌辨識、標籤文字讀取、證件辨識、電子零件條碼辨識…等。