返回列表
应用场景：应用于工艺环节的视觉检测，为数据分析和挖掘提供高质量数据基础，在显示面板行业工艺过程的缺陷检测中，有丰富的应用案例
产品功能
– 目标检测、图像分类、图像分割
– 模型管理：训练、推理
– 数据管理
– 高级复判
– 监控预警
– 高可用性
产品特点
– 降低质检成本
– 沉淀知识技能
– 动态提升检测能力
– 促进工艺综合改进
优势效果
|
|
面向客户的产品设计，降低质检成本85%，促进工艺综合改善 |
|
|
训练过程可视化，模型结果清晰可见，模型效果一目了然 |
|
|
强大的人工复判能力，与自动判图相得益彰，100%涵盖于人工、半人工、全自动判图场景 |
|
|
丰富的数据分析功能，具备前层追溯、Map分析、相似性分析、决策分析等功能 |
案例介绍
※ 客户为国际泛半导体的龙头企业
|
|
? 商业挑战
1. 靠人工判别或者复判产品表面缺陷
2. 缺陷种类繁多（100+种）且难以准备准确分类 3. AI人才缺乏 4. 传统思维 5. 缺少定位高价值和可快速落地应用场景的方法 |
? 方案
|
|
? 方案落地效果
1. 全工厂自动判图，人员替代率80%，准确率提高20% 2. 减低质检成本85% 3. 提高产品质量并降低非质量成本（废料等） 4. 可以提供产品缺陷的根因分析 5. 辅导了5+人学会了使用和迭代已有的机器学习模型 6. 建立了缺陷检测的流程体系 |
优势效果
|
|
面向客户的产品设计，降低质检成本85%，促进工艺综合改善 |
|
|
训练过程可视化，模型结果清晰可见，模型效果一目了然 |
|
|
强大的人工复判能力，与自动判图相得益彰，100%涵盖于人工、半人工、全自动判图场景 |
|
|
丰富的数据分析功能，具备前层追溯、Map分析、相似性分析、决策分析等功能 |
案例介绍
※ 客户为国际泛半导体的龙头企业
|
|
? 商业挑战
1. 靠人工判别或者复判产品表面缺陷
2. 缺陷种类繁多（100+种）且难以准备准确分类 3. AI人才缺乏 4. 传统思维 5. 缺少定位高价值和可快速落地应用场景的方法 |
? 方案
|
|
? 方案落地效果
1. 全工厂自动判图，人员替代率80%，准确率提高20% 2. 减低质检成本85% 3. 提高产品质量并降低非质量成本（废料等） 4. 可以提供产品缺陷的根因分析 5. 辅导了5+人学会了使用和迭代已有的机器学习模型 6. 建立了缺陷检测的流程体系 |
版权所有 © 合肥欣奕华智能机器股份有限公司 免责声明 皖ICP备14018951号 营业执照 
京公网安备 11030102011246号