網絡：千兆網卡結構簡約，便于快速安裝Simplestructureeasytoinstallquickly落地式安裝，無需改動流水線Floormounted,noneedtochangetheassemblyline在線無感檢測，PCBA流過快速給出結果On-linesensorlessdetection,PCBAflowthroughthefastgivesresults寬度與高度可調，適應性強Adjustablewidthandheight,strongadaptability特色檢測項目（黑電感字符檢測、器件與底板同色的器件檢測、鋁電容頂部字符識別、黑灰電容字符識別、電池座方向識別、小鐵片檢測、聚丙烯電容字符識別、電線檢測、變壓器字符識別、晶振字符識別、螺紋/光頭射頻頭檢測、蜂鳴器方向檢測、東倒西歪的電容極性識別）本系統采用的卷積神經網絡（ConvolutionalNeuralNetworks,CNN）是一類包含卷積計算且具有深度結構的前饋神經網（FeedforwardNeuralNetworks），是深度學習（deeplearning）的表示算法之一。卷積神經網絡仿造生物的視知覺（visualperception）機制構建，可以進行監督學習和非監督學習。作為圖像識別領域的中心算法之一，卷積神經網絡在學習數據充足時有穩定的表現。針對本系統所處理的大規模圖像分類問題，卷積神經網絡將用于提取圖像的判別特征，再通過分類器進行學習和識別。 目前常用的圖像識別算法為灰度相關算法，通過計算歸一化的相關來量化檢測圖像和標準圖像之間的相似程度。浙江插件AOI

照明光源按照波長分類可以分為可見波長光源，特殊波長光源?？梢姴ㄩL光源也就是一般現代工業AOI檢測設備中較常用的紅綠藍LED光源。特殊波長光源一般是指紅外或紫外波長光源，一些特殊材料在可見光范圍內吸收差別不大，灰階變化不明顯時可以考慮采用特殊波長光源，比如說利用紫外光能量高可以激發熒光材料的原理，檢測具有熒光發光特性物質微殘留時紫外光源就是一種比較有效的手段，因材料成分與紅外光譜有對應關系的原理，紅外光源對不具有發光性質的有機化合物殘留缺陷檢出就有很大的作用，甚至可以實現成分分析。特殊光源中，利用偏振光與物體相互作用后偏振態的變化，利用光學干涉原理的白光干涉（whitelightinterferometry）在特定缺陷檢測中的得到了應用，例如通過相干光的干涉圖案計算出對應的相位差和光程差，可以測量出被測物體與參考物體之間的差異，且分辨率與精度為可以達到亞波長。湖南插件AOI研發基于圖像檢查的基本原理是:每個具有明顯對比度的圖像都是可以被檢查的。

AOI的圖像采集系統主要包括光電轉化攝影系統，照明系統和控制系統三個部分。因為攝影得到的圖像被用于與模板做對比，所以獲取的圖像信息準確性對于檢測結果非常重要，可以想象一下，如果圖像采集器看不清楚或看不到被檢測物體的特征點，那么也就無法談到準確的檢出。下面我們對光電轉化攝影系統，照明系統和控制系統三個部分逐一分析介紹。首先，光電轉化攝影系統指的是光電二極管器件和與之搭配的成像系統。是獲得圖像的”眼睛”,原理都是光電二極管接受到被檢測物體反射的光線，光能轉化產生電荷，轉化后的電荷被光電傳感器中的電子元件收集，傳輸形成電壓模擬信號。二極管吸收光線強度不同時生成的模擬電壓大小不同，依次輸出模擬電壓值被轉化為數字灰階0-255值，灰階值反映了物體反射光的強弱，進而實現識別不同被檢測物體的目的。

光電轉化器可以分為CCD（chargeCouplingdiode）和CMOS（complementarymetaloxidesemiconductor）兩種。因為制作工藝與設計不同，CCD與CMOS傳感器工作原理主要表現為數字電荷傳送的方式的不同，工作原理如下圖所示，CCD采用硅基半導體加工工藝，并設置了垂直和水平移位寄存器，電極所產生的電場推動電荷鏈接方式傳輸到中間模數轉換器。這樣的結構與設計很難集成很多的感光單元，制造成本高且功耗大；而CMOS采用無機半導體加工工藝，每像素設計了額外的電子電路，每個像素都可以被定位，而無需CCD中那樣的電荷移位設計，對圖像信息的讀取速度遠遠高于CCD芯片，因光暈和拖尾等過度曝光而產生的非自然現象的發生頻率要低得多，價格和功耗比CCD光電轉化器也低，但其缺點是半導體工藝制作的像素單元缺陷多，靈敏度會有一些問題，同時，為每個像素電子電路提供所需的額外空間不會作為光敏區域。芯片表面上的光敏區域部分（定義為填充因子）小于CCD芯片。從理論上講，這個原因導致可以收集的圖像信息光子數會有所減少，所以，CMOS光電轉化元件一般需要搭配高亮度光源，噪音也比較大。光電轉化攝影系統指的是光電二極管器件和與之搭配的成像系統。

    本系統采用的卷積神經網絡（ConvolutionalNeuralNetworks,CNN）是一類包含卷積計算且具有深度結構的前饋神經網（FeedforwardNeuralNetworks），是深度學習（deeplearning）的表示算法之一。卷積神經網絡仿造生物的視知覺（visualperception）機制構建，可以進行監督學習和非監督學習。作為圖像識別領域的算法之一，卷積神經網絡在學習數據充足時有穩定的表現。針對本系統所處理的大規模圖像分類問題，卷積神經網絡將用于提取圖像的判別特征，再通過分類器進行學習和識別。畫面顯示：1、主圖畫面都有顯示器件框，便于觀察器件是否被識別；2、根據底板顏色可以自由選擇器件框顏色；3、可依據客戶需求，自由定義器件中文名；4、不良器件圖靜態顯示；程序制作靈活性：1、無需設置參數；2、在線抓拍首件板系統輔助做程序，且支持持續補充學習，學習后自動建模比例更高（80%+）；---自動框圖器件種類多（60+），比例高。3、支持中文、英文、中英文混合輸入；4、批量復制、粘貼、剪切、刪除等支持快捷鍵操作。---硬件條件和安裝尺寸不發生變化。 簡單來說貨真價實的AOI檢測儀模擬和拓展了人類眼、手的功能，利用光學成像方法模擬人眼的的視覺成像功能。上海專業AOI外觀檢測

隨著電子技術、圖像傳感技術和計算機技術的快速發展，AOI技術成為表面缺陷檢測的重要手段。浙江插件AOI

AIVS-D系列在線PCBA插件AOI通過1200或2000萬高分辨率的工業相機，從電子電路板頂面拍照，通過AI人工技術，深度學習算法、智能圖像分析，檢測電子電路板上插件元器件的缺件、多件、偏移、反向、錯件、浮高、OCV(文字識別）、可支持測試色環電阻錯料。本插件AOI設備可應用于波峰焊爐前或爐后，應用在爐后時，可自動檢測板卡的旋轉角度，保證元件的檢測正確性和穩定性。AIVS-D系列在線PCBA插件AOI采用的卷積神經網絡（ConvolutionalNeuralNetworks,CNN）是一類包含卷積計算且具有深度結構的前饋神經網絡（FeedforwardNeuralNetworks），是深度學習（deeplearning）的表示算法之一。卷積神經網絡仿造生物的視知覺（visualperception）機制構建，可以進行監督學習和非監督學習。作為圖像識別領域的算法之一，卷積神經網絡在學習數據充足時有穩定的表現。針對本系統所處理的大規模圖像分類問題，卷積神經網絡將用于提取圖像的判別特征，再通過分類器進行學習和識別。浙江插件AOI

深圳愛為視智能科技有限公司致力于機械及行業設備，是一家其他型公司。公司業務分為智能視覺檢測設備等，目前不斷進行創新和服務改進，為客戶提供良好的產品和服務。公司將不斷增強企業重點競爭力，努力學習行業知識，遵守行業規范，植根于機械及行業設備行業的發展。愛為視秉承“客戶為尊、服務為榮、創意為先、技術為實”的經營理念，全力打造公司的重點競爭力。