錯過 Google Cloud 數位製造商高峰會了?歡迎觀看隨選講座影片
快速訓練及部署 AI 模型,以自動偵測實際工作環境瑕疵,不需要具備任何技術專業知識。
透過 Google Cloud 或我們 API 的引導式使用者介面快速開始使用
訓練高精確度且特定領域專用的 AI 模型,以偵測最細微的瑕疵
從少數瑕疵圖片開始,透過主動學習功能減少標籤工作
透過 Docker 容器在生產線上執行預測模型
主要功能與特色
在組裝程序的各個階段偵測出最細微的瑕疵 (包括失誤、錯位、遺漏、輪替或變形的元件)。
不論表面材質為何,都能找到最細微和複雜的瑕疵 (例如凹痕、刮傷、裂痕和變形等)。
使用可輕鬆部署的 Docker 容器,在生產現場執行模型。訓練模型的方式符合您的實際工作環境品質要求 (即逸出和超高效率)。
透過少量加上標籤的圖片開始建構模型。 主動學習會自動建議運算子將其他圖片加上標籤,並進一步改善模型效能。
使用案例
目視檢測 AI 是專為實際工作環境所設計,用途廣泛,適用於汽車業、電子業、半導體業和工業領域。
汽車製造商透過目視檢測 AI,檢查底盤重要結構縫的機械焊接接縫是否有異常狀況。
電子產品製造商使用目視檢測 AI 來同時檢查高容量印刷電路板 (PCB) 上的數十種獨立元件,以偵測遺漏、錯置或損壞的元件、螺絲、彈簧和焊接問題。
半導體製造商會使用目視檢測 AI 來偵測和找出晶圓瑕疵、晶片瑕疵或晶粒破裂。
典型應用實例
一般分類問題
適用於製造環境中的目視檢測工作
地端部署作業
是 (透過 Docker 容器)
製造業專用的模型
是 (根據特定領域專用的模型最佳化不斷改進)
不平衡資料集處理作業
否 (需要同數量已加上標籤的不良品和非瑕疵品)
是 (可使用大量正常樣本,加上幾個加上標籤的不良品 (常見於製造業)
主動學習
是 (快速識別可疑的例子以進行人工審查與標籤)
區隔與本地化
是 (查明找到瑕疵的區域)
偵測缺少的元件
支援高解析度圖片
是 (最多 1 億像素)
自動對齊圖片
是 (從相機串流自動對齊圖片)
圖片異常偵測
典型應用實例
一般分類問題
地端部署作業
製造業專用的模型
不平衡資料集處理作業
否 (需要同數量已加上標籤的不良品和非瑕疵品)
主動學習
區隔與本地化
偵測缺少的元件
支援高解析度圖片
自動對齊圖片
圖片異常偵測
典型應用實例
適用於製造環境中的目視檢測工作
地端部署作業
是 (透過 Docker 容器)
製造業專用的模型
是 (根據特定領域專用的模型最佳化不斷改進)
不平衡資料集處理作業
是 (可使用大量正常樣本,加上幾個加上標籤的不良品 (常見於製造業)
主動學習
是 (快速識別可疑的例子以進行人工審查與標籤)
區隔與本地化
是 (查明找到瑕疵的區域)
偵測缺少的元件
支援高解析度圖片
是 (最多 1 億像素)
自動對齊圖片
是 (從相機串流自動對齊圖片)
圖片異常偵測
定價
如需定價詳細資訊,請洽詢銷售人員