人工智能el缺陷检测

人 工 神 经 网 络
机器学习的一个分支，与之相对应的是生物神经网 络，我们将模拟生物神经网络的数学模型统称为人工神 经网络模型，简称人工神经网络或神经网络。

深 度 学 习
通过算法， 使得机器能从大量历史数据中学习规 律，从而对新的样本做智能识别。
深度学习是神经网络的一个大分支，深度学习的基 本结构就是深度神经网络。简而言之是机器学习中一种 基于对数据进行特征学习的方法。观测值（例如一幅图 像）可以使用多种方式来表示，如每个像素强度值的向 量， 或者更抽象地表示成一系列边、 特定形状的区域 等。而使用某些特定的表示方法更容易从实例中学习任 务（例如，人脸识别或面部表情识别）。

光 伏 应 用
使用人工智能方法能有效的进行光伏电池、组件产 品的el缺陷检测，能快速准确的找出缺陷的位置，并进 行标注。较传统的使用图片灰度值扫描方法进行判断， 特别是多晶硅组件电池的el图片干扰因素复杂，高效准 确的判断比较困难；我们提供的el检测的方案使用神经 网络技术，通过定义单多晶硅组件缺陷产品图片的缺陷 类型，软件系统进行缺陷特征的自学习和深度学习，通 过建立多层学习网络， 能够快速准确找出el图片的缺陷，大大提高生产效率。

核 心 技 术
机器视觉 应用多样化的制造业缺陷产品的数据和的图像 解析技术能力
深度学习 在现有的机器视觉检测中引入深度学习， 提升检测 准确度及速度
计算机
在制造工厂可实时应用快速的数据处理速度

优 势
检测的准确性 专门适用于制造业的算法及方法 更快的速度
在gpu中直接处理深度学习的算法，每张样品处理 速度＜1s
降低人工成本
通过改善低效率的人工检测流程达到降低成本的效果

全自动智能el测试仪 el4.0ai

el产线升级改造 dcms系统
我们可以提供全新的el4.0ai测试仪进行组件生产线配套使用。另外，在现有的组件生产线智能化升级 中，可以在不改变原有el机器硬件，甚至不影响正常生产的情况下嵌入我们的智能化el软件系统进行智能 化判别升级，使用的dcms实现多线分布式控制；在层压前的返修工位使用条码扫描从数据库中调取带 有缺陷标识的组件图片进行返修处理，省去了人工手写标签的工作，大大提高返修效率。

组件层压前后el自动检测
层压前后单多晶组件el缺陷的检查：隐裂、划伤、断栅、虚焊、碎片、黑斑、污染等 层压前可集成自动外观检查：污染、电池移位 层压前返修客户端从数据库扫码调取带有标识的缺陷组件图片，进行快速返修

cms
cms软件系统;单机版的人工ng料缺陷类型判别终端 manual状态时ng料图片将由人工在本机进行ng料图片二次判别 auto状态时，人工不能再直接进行ng料判别，ng图片直接发送至dcms进行判断

dcms
dcms系统接收多线ng料图片同时进行人工二次判断

如有需要请联系我们：
苏州诺威特测控科技有限公司
新能源测试领域的品牌
电话:/86887159
市场部：
邮箱：
微博：诺威特测控
官网：