AI & Tự động
AI Semiconductor Quality Control
Lĩnh vực
Thị giác máy tính / AI sản xuất
Phát hiện lỗi linh kiện bán dẫn chính xác 99%, rút ngắn 25–40% thời gian QC.
Bối cảnh
Dự án làm gì và làm thế nào.
Trong sản xuất bán dẫn, gần như không lỗi nào được phép lọt: một linh kiện bẩn có thể hỏng trong sản phẩm của khách và kéo theo thu hồi. Kiểm tra bằng mắt thì chậm và không đều, người kiểm mỏi mắt, còn lỗi cỡ micromet thì rất dễ sót khi dây chuyền đang chạy.
Golden Sea làm hệ thống kiểm tra bằng hình ảnh đặt ngay trên dây chuyền. Camera công nghiệp chụp từng linh kiện khi đi qua trạm kiểm. Mô hình YOLOv8, tinh chỉnh từ hàng nghìn mẫu lỗi khách cung cấp, phân loại mỗi linh kiện trong chưa tới 50 ms: đạt, hoặc thuộc một trong hơn 15 loại lỗi như nứt, mẻ cạnh, dính hạt bụi, lệch vị trí hay dính chân hàn.
Lỗi thật thì hiếm, nên dữ liệu huấn luyện trộn mẫu thật với mẫu tạo thêm: xoay, đổi cỡ, đổi ánh sáng, ghép vết lỗi lên linh kiện sạch. Nhờ vậy mô hình có đủ ví dụ cho từng loại lỗi để học.
Gặp lỗi, hệ thống có thể tự dừng dây chuyền và chuyển linh kiện cho người xem lại hoặc loại bỏ. Mỗi lần kiểm đều được ghi lại: mã linh kiện, ảnh, loại lỗi, độ tin cậy và cách xử lý. Báo cáo theo ca cho thấy xu hướng lỗi và cảnh báo khi một loại lỗi bắt đầu tăng, thường là dấu hiệu một thông số ở khâu trước đang lệch.
Khi chạy thật, hệ thống phát hiện lỗi đúng 99% và tăng năng suất kiểm tra 25 đến 40%.
Phạm vi bàn giao
Những gì đã làm.
- 01Độ chính xác phát hiện lỗi 99%
- 02Giảm 25–40% thời gian QC
- 03Phát hiện nứt, lệch, bẩn và lỗi bề mặt
- 04Chạy theo tốc độ dây chuyền
- 05Báo cáo phân loại lỗi theo lô
Hạng mục
AI & Tự động
Công nghệ
YOLOv8 · Python · TensorFlow · OpenCV · NVIDIA GPU · Industrial Camera API · React Dashboard
Studio
Golden Sea Studios
TP. Hồ Chí Minh, Việt Nam
Dự án này chứng minh cho
AI & Tự động hóaKiểm tra chất lượng chạy đúng tốc độ dây chuyền, phân loại hơn 15 nhóm lỗi trong dưới 50 ms.
Có một bài toán tương tự?



