金屬加工業

由於青銅零件小而重，再加上隨機擺放於料箱中，視覺系統難以精準辨識物件，導致機械手臂夾取出現異常。搭配AI、3D技術，能定位和生成3D拾取點，實現精準取放效果。

運用META-aivi的快速計數功能，針對尺寸不同的料件進行AI模型訓練，META-aivi即可快速辨認與計算數量，所得出的結果可立即顯示在行動裝置上。同時，計算出的結果可與MES系統連接，減少人員盤點錯誤的發生，大幅增加入庫資料正確性，提升庫存管控效率。

目前仍採用人力進行自行車車身號碼的辨識與登錄，耗費人工且效率低，若使用AOI進行字元辨識，因不鏽鋼管表面為圓弧曲面，打光容易造成反射，不論以人工或者AOI檢測，針對曲面、反光不鏽鋼管上字樣的辨識皆較為困難。所羅門結合機器視覺與人工智慧，對於光學字元辨識可以得到極佳的辨識效果。

高爾夫球桿頭是球具組合中最重要的部份，消費者十分重視桿頭完成面的細緻程度。運用SolVision AI影像技術，將影像樣本中高爾夫球桿頭上的細微瑕疵逐一標註，藉以訓練AI模型，訓練完成後的AI模型即能不受商標、紋路及金屬光澤的影響，定位並標註所有細微的表面瑕疵。

金屬加工沖壓件上可能出現的瑕疵種類繁多且形態不一，油汙及水漬更是不易觀察。另一方面，金屬加工件在取像時的亮度也各有差異，造成AOI瑕疵檢測的執行相當不易。金屬加工品的品管助手：AI瑕疵檢測，經訓練的AI模型可輕易檢出各式沖壓件上的瑕疵，大幅提升產品的表面品質。

硬碟支架製造過程出現的瑕疵種類繁多，包括金屬的壓傷、表面白霧、孔批麟、孔黑等等，透過人工檢測不容易逐一檢出，然而微小的缺陷在組裝過程可能造成孔隙無法對齊等問題發生。使用SolVision工具AI學習瑕疵特徵後，能夠快速檢測出硬碟金屬支架上的各類微小瑕疵。

有螺紋的金屬套件，容易因搬運造成工件碰撞受傷，或在加工過程中留下刀痕，即使搭配強光與顯微設備，以人眼檢測不易，容易發生誤檢與漏檢。使用SolVisionl非監督式檢測工具，可學習刀痕與碰撞瑕疵的特徵，在AI訓練完成後便可輕易檢測出人眼不易辨識的瑕疵，挑出瑕疵物件，讓出貨品質更好。

利用SolVision的瑕疵檢測工具，做出AI模型Training，針對瑕疵的形狀長相建立瑕疵缺陷資料庫，將複雜的缺陷人工檢測轉化成精準度高且規律的檢測系統，以深度學習辨識異常並忽略可接受的微小缺陷，有效提升檢測精準度及速率，兼顧產品嚴格的品質要求。

雷射焊接具有不同的焊縫特徵。由於產品的焊接位置、樣式不盡相同，無法透過傳統光學檢測辨別焊縫樣態，常造成焊接品質不一的情形。應用Solomon SolVision能夠以焊縫特徵影像訓練AI模型，辨識焊接功率及漏焊瑕疵，並可透過深度學習，精準偵測焊縫的魚鱗紋數量及分布。