-
汽车零部件缺陷检测的AI升级，视觉检测系统的冲压件划痕、毛刺分类与尺寸测量
汽车制造业的精密生产链条，零部件缺陷检测是保障整车安全与性能的核心环节。传统检测依赖人工目视或机械测量，存在效率低、漏检率高、数据不可追溯等痛点。随着AI技术与机器视觉的深度融合，基于深度学习的视觉检测系统正推动汽车零部件检测向智能化、自动化、高精度方向跃迁。本文将从技术原理、应用场景及先进性三个维度，解析AI视觉检测系统在冲压件划痕分类、毛刺检测及尺寸测量中的创新实践。
-
基于改进YOLOv8的工业表面缺陷检测：轻量化网络设计与多尺度特征融合的精度-速度平衡策略
工业表面缺陷检测是智能制造的核心环节，直接影响产品质量与生产效率。传统检测方法依赖人工目检或基于规则的图像处理，存在效率低、漏检率高、泛化性差等问题。深度学习尤其是YOLO系列算法的兴起，为工业缺陷检测提供了自动化解决方案。然而，工业场景中缺陷类型多样、尺度跨度大(从微米级划痕到厘米级凹坑)，且对实时性要求极高(产线速度常达每分钟数百件)，这对检测模型的精度与速度平衡提出了严峻挑战。
-
基于深度学习的工业CT图像缺陷检测，0.1mm级微裂纹识别与三维重建算法
工业CT(计算机断层扫描)技术通过X射线穿透物体并重建三维结构，已成为航空航天、汽车制造、新能源等领域的关键无损检测手段。然而，传统工业CT图像分析依赖人工判读或阈值分割算法，对0.1mm级微裂纹、气孔等缺陷的识别存在漏检率高、效率低等问题。深度学习技术的引入，尤其是多尺度卷积神经网络(CNN)与三维重建算法的融合，实现了从二维断层图像到三维缺陷模型的自动化、高精度分析，推动了工业检测向智能化、微纳化方向发展。
-
芯片制造中的缺陷检测技术，电子束检测（EBI）与AI驱动的良率预测模型
在芯片制造的纳米级战场上，缺陷检测是决定良率与性能的核心防线。从传统电子束检测(EBI)到AI驱动的良率预测模型，技术迭代不仅重塑了检测精度与效率，更重构了芯片制造的质量控制范式。这场变革背后，是硬件、算法与数据科学的深度融合，推动着半导体产业向“零缺陷”目标迈进。
-
机器视觉中的缺陷检测技术：保障产品质量
在现代化制造与生产过程中，确保产品质量是企业持续发展和赢得市场信任的关键。随着科技的飞速进步，机器视觉技术作为一种非接触、高精度、高效率的检测手段，正逐步成为保障产品质量的重要工具。机器视觉中的缺陷检测技术，通过模拟和分析人类视觉系统，能够在生产线上实时监测并识别出产品中的各种缺陷，从而有效提升了生产效率和产品质量。本文将深入探讨机器视觉中的缺陷检测技术，包括其原理、应用、优势以及面临的挑战。
-
对碳化硅晶体生长行业微小缺陷检测
为了满足对碳化硅 (SiC) 晶体日益增长的需求，世界需要在不牺牲质量的情况下大幅提高产量。如今，SiC 晶体对于制造更小、更快、更高效的芯片和电力电子系统至关重要。然而，如果没有能够及时检测出微小瑕疵的先进计量工具，SiC 晶体生长行业基本上是盲目操作，导致不可接受的缺陷和昂贵的产品损失。
-
相机阵列在风电机组叶片缺陷检测系统中的应用
摘要:在风电场机组巡检过程中,常规的风电机组叶片外观检查主要采用高清照相机逐张拍摄,人眼甄别的方式,检测效率低,劳动强度大且精度受限。基于此,搭建了一套基于相机阵列的叶片图像采集系统,通过相机阵列和图像处理服务器相结合,实现图像采集和处理,利用人工智能深度学习的软件对叶片图像进行缺陷识别,实现风电机组叶片表面缺陷的自动检测。现场实测结果证明,该系统大大提高了风电机组叶片缺陷检测的效率和精度。
-
KLA推出全新突破性的电子束缺陷检测系统
加利福尼亚州，米尔皮塔斯市，2020年7月20日/-今天KLA公司宣布推出革命性的eSL10™电子束图案化晶圆缺陷检查系统。
-
Teledyne 的新型 SWIR 线扫描相机可实现超出可见光范围的缺陷检测
Teledyne DALSA 的第一台 SWIR 线扫描相机可提供高达 74 dB 的动态范围和 950 至 1700 nm 的光谱响应
-
KLA-Tencor宣布推出Kronos 1080和ICOS F160检测系统： 拓展IC封装产品系列
KLA-Tencor公司今日宣布推出两款全新缺陷检测产品，旨在解决各类集成电路(IC)所面临的封装挑战。 Kronos™ 1080系统为先进封装提供适合量产的、高灵敏度的晶圆检测，为工艺控制和材料处置提供关键的信息。
