V-ONE’s Solution
-
医疗 & 制药
- 超声影像检查
- 试剂分类
- 培养细胞检查
- 注射器检查
- 输液异物检查
- 药片表面检查
-
DISPLAY &
二次电池- 压痕以及异物检查
- 异物, Crack, Burr 检查
- 刮痕检查
- 手机外观检查
- Lead不良检查
- 斑点检查
-
零件 & 原料
- 金属纱筒表面检查
- Capsule里溶体检查
- 橡胶素材表面检查
- 线材分类&不良检查
- 涂铅检查
- Wafer裂片检查
-
物流 & 流通
- 盒子&包装分类
- 组装零件分类
- 产品丢失监督
- 农产品自动分类
- 消费者订购产品检查
- 包装&Tray OCR读吗
withAI
在 V-ONE Solution* 基础上,利用多种模型,可以迅速进行解决方案开发,通过用户亲和的界面,可以轻松、明确地执行作业
-
PRE Block
提高影像检测能力的Image前处理算法
-
AI Block
学习和推论(检查)的 API系统
-
APP Block
AI Project的AP
V-ONE Solution 은 디스플레이, 2차 전지 등 다양한 머신 비전 프로젝트를 성공적으로 수행한 기술력과 품질 우수성을 인정 받은 자사의 M/V 솔루션입니다.
Feature
-
具备可以灵活应对多种商业要求的扩张性和灵活性
-
在一种Task上提供根据需要检查多种模型的功能
-
可以检测出现有检测设备中不可检测的项目
-
拥有自主开发的高速处理技术和多种并行处理技术,可以快速检查
-
支援检查大容量图像数据的优化系统
-
以Block结构为基础，仅可使用用户想要的Block
-
根据检查对象提出特殊模型，提高检测能力
-
支援在制造、医疗、材料、零部件、流通、物流等多个领域通用的模型
构成
-
-
客户要求
-
数据
收集 & 加工
-
-
PRE Block
- 客户数据加工
- 通过加工的影像学习
- 为提高检测能力的
- Rule Base预处理
- 算法
-
AI Block
Object
DetectionSegmentation
Classification
Anomaly
- 标记工具带来直观轻松的作业环境
- 检测类定义
- 确认标签后立即进行学习
- 持续升级模型
- Multi 学习支援 (Multi GPU)
- 创建模型
- 优化模型转换
- 模型验证
- 通过相应检查者确认型号质量
-
-
APP Block
-
V-ONE
Solution
- 提供检查型号
- 为AI项目提供API支援
- 以顾客想要的方式支援S/W定制
- 支援方式 (项目，Model，咨询)
- 设备开发*
- 光学Model + 项目 + API*
- 项目 + API*
-
-
-
提供型号 (Model) & Consulting, Project
-
提供给客户
-
-
Equipment*
-
- AOI
- AMI
- DMS
- 其他
-
-
withAI
-
-
Part’s (Module)*
-
- 光学
- V-one Solution
- withAI
-
- 屏幕
- 2次电极
- 医疗
- 零件
-
-
Application*
-
withAI
-
API
-
详细介绍
withAI
PRE BlockPreprocess
- 提高检测能力的规则基础预处理算法
- Auto-Tuning
- GAN
- 改善图像质量的算法
- 以适合模型的影像调整形态算法
- 一种为提高模型精度而简化信息的算法
- 分类与区分算法
- 沾污状检查的变频算法
- 图像特征提取算法
- 以影像信息为基准查找形态的算法
- 神经网络 (MLP)
- Customizing 专用Model
withAI
APP BlockApplication
- 用于 AI 项目的 API
- 支援AI模型检查的公用Lib
- ONNX 支援
- 为提高检查速度提供最优化引擎支援
- 支援大容量图像处理引擎
- 多进程支援
- 通过运营学习和检查服务器，支援C/S App
- 针对顾客需求提供App支援
- 提供各行业商业模式
- Customizing 专用Model
withAI
AI BlockObject Detection
- 对个体的分类，如果检测到位置后判断为个体的，用长方形表示
- 在一个影像中检测多个对象
- 使用事先学习的模型，提高学习时间及检测准确度
- 根据工艺、业务选定适合的模特后学习及检查
医疗/制药
- 可提供药片外观检查专用Model
- 可提供注射输液异物检查专用Model
- 可提供试料桶区分专用Model
DISPLAY
- 可提供边缘裂片检查专用Model
- 可提供Lead Burr检查专用Model
- 可提供手机外观检查专用Model
零件/原料
- 可提供金属性外观检查专用算法
- 可提供橡胶材质的外观检查专用Model
- 可提供电子配件/PCB检查专用Model
- 可提供Wafer表面检查专用Model
物流/流通
- 可提供产品分类专用Model
- 可提供农产品分类专用Model
- 可提供OCR读吗专用Model
Segmentation
- 对象分割像素单位大小，可以区分位置以及显示位置
- 在一个影像上可以多个对象检查
- 采用预习模型，提高学习时间和检测精度
- 根据工艺、业务选定适合的模特后学习及检查
医疗/制药
- 可提供超声波影像诊断Model
- 可提供培养细胞检查&区分Model
DISPLAY
- 可提供斑点检查Model
- 可提供裂片，异物，污染检查Model
零件/原料
- 可提供Wafer表面检查Model
Classification
- 根据对象的形状，可以区分
- 在一个影像上可以判断一个个体
- 采用预习模型，提高学习时间和检测精度
- 与Pre-Block融合时提高输出功率
- 根据工艺、业务选定适合的模特后学习及检查
医疗/制药
- 可提供药材区分Model
- 试料桶种类区分Model
物流/流通
- 可提供Pre-Block 组合, OCR 读吗Model
Anomaly
- 判断为正常或不正常类型
- 在一个视频中判断正常/不良
- 只通过正常影像学习，时间快
- 学习不良数据收集
- 使用事先学习的模型，提高学习时间及检测准确度
零件/原料
- 提供基板有无铅涂布检查型号
物流/流通
- 提供箱子破损检查型号
适用范围
-
医疗 & 制药
-
超波影像诊断
-
培养细胞 检查 - Live, Dead, Debris 区分
-
药材种类&等级区分
-
注射输液内异物和印刷检查
-
试料桶种类区分
-
药片破损，刮伤，颜色，形体检查
-
-
原料 & 零件
-
金属纱筒的痕迹刮伤检查
-
线材断面的线材颜色检查
-
Capsule 里气泡，破损检查
-
Wafer 刮伤，斑点检查
-
涂铅检查 (未铅, 过铅, 小铅, Short)
-
橡胶环有色异物，破损，边缘检查
-
-
DISPLAY & 二次电池
-
压痕, 异物检查
-
边缘Crack, 破损检查
-
Lead Burr，Open，Short不良检查
-
斑点 (点型, 线型, 波浪型)检查
-
手机刮伤，相机以及指纹感应器刮伤，外观破损检查
-
-
物流 & 流通
-
正在移动的盒子分类
-
成品(产品)组装的螺丝区分以及对齐
-
农产品自动大小区分
-
消费者订购产品检查以及出货&退货产品对比检查
-
包装纸，Tray等通过OCR读吗
-
-
食品 & 包装材料
-
化妆品容器破损，刮伤，异物检查
-
包装纸内保质期印刷检查
-
铁罐，玻璃瓶，罐头印刷以及破损检查
-
食品内污染，异物检查
-
-
机器人自动开车
-
AMR (Autonomous Mobile Robots)
-
位置量测以及同时地图生成方式
-
通过障碍物识别(Object Detection )的径路径生成，回避，碰撞防止
-
通过Segmentation，可以预计能行驶地区
-
强化学习基础的多功能机器人及障碍物回避、异常探测
-
利用相机感知和DDS结合感应器，可以实时间共同作业识别
-
产品线
withAILite |
withAIProfessional |
withAIMedical |
|||
|---|---|---|---|---|---|
| Object-Detection | |||||
| Instance Segmentation | |||||
| Classification | |||||
| Anomaly | |||||
| Semantics Segmentation | |||||
| Learning Model | Small | Large | Large | ||
| Multi GPU | 1 | 2 | 2 | ||
| ONNX | |||||
| Optimized Inference | |||||
| Multi Threading | |||||
| Auto Learning | |||||
| Customizing | |||||
物流 / 流通 |
产业专用 |
医疗 / 制药 |
需求SPEC
withAI Lite
withAI Professional
| 区分 | 最小SPEC | 推荐SPEC | |
|---|---|---|---|
| Train PC | CPU | Intel i7 以上 | Intel i7 以上 |
| RAM | 16GB | 32GB | |
| CUDA Compute Capability | 3.5 | 3.5 | |
| GPU | Geforce RTX 4070 (12GB 以上) | Geforce RTX 4090 (24GB 以上) | |
| OS | Windows 10 x64, Windows 11 x64 | ||
| Inference PC | CPU | Intel i7 以上 | Intel i7 以上 |
| RAM | 16GB 以上 | 32GB 以上 | |
| GPU | Geforce RTX 4070 (12GB 以上) | Geforce RTX 4080 (16GB 以上) | |
| OS | Windows 10 x64, Windows 11 x64 | ||
| 开发环境 | Visual Studio 2017 以上 | ||
withAI Medical
| 区分 | 最小SPEC | 推荐SPEC | |
|---|---|---|---|
| Train PC | CPU | Intel i7 以上 | |
| RAM | 32GB | ||
| CUDA Compute Capability | 3.5 | ||
| GPU | GeForce RTX 4090 (24GB 以上) | ||
| OS | Windows 10 x64, Windows 11 x64 | ||
| Inference PC | CPU | Intel i7 以上 | Intel i7 以上 |
| RAM | 16GB 以上 | 32GB 以上 | |
| GPU | Geforce RTX 4070 (12GB 以上) | Geforce RTX 4080 (16GB 以上) | |
| OS | Windows 10 x64, Windows 11 x64 | ||
| 开发环境 | Visual Studio 2017 以上 | ||