从“眼力”到“AI”，基于深度学习算法，助力光伏行业的视觉检测革命收藏

随着可再生能源的发展、政策的推动、产业智能化的升级，光伏行业迎来持续稳定的增长由于行业和产品的特殊性，光伏产品（如光伏组件、太阳能电池片、硅片等）表面裂纹、划痕、断栅、缺角等外观缺陷将直接影响产品的性能和使用寿命，造成潜在风险，这对光伏的生产工艺和质量都提出了更高的要求。

如何提高光伏的生产效率和质量、降低生产成本，成为光伏行业面临的重要难题案例：硅片分选项目 “我们需要检测硅片表面是否存在缺陷，目前采用的传统算法检测指标不理想、速度较慢，难以满足现阶段我们的检测需求当前，企业在向智能制造、数字化转型，所以我们正在寻找一种更快、更准、更稳的检测方式，以此达到降本增效…”——光伏行业某头部客户。

项目需求本项目检测工站及其对应检测项如下：1. 脏污工站：上下表面脏污、缺角、反向、遮挡；上下表面脏污包括：黑斑、浅斑、条形、水印、黑点等2. 崩边工站：左右表崩、前后侧崩；左右表崩包括：黑磕、白磕、磕穿、磨边；前后侧崩包括：磕穿、磕边深度超过1/2、磨边、缺角。

检测难点该项目缺陷种类多达20+，且需要具体区分缺陷类型；客户检测精度要求较高，硅片表面最小尺寸为0.35mm，在保障高精度的同时，需要做到快速检测，平均检出时间要求达到180ms/片，对算法效率要求高。

解决方案基于该项目的实际产线情况和产品特性，阿丘科技使用工业视觉软件平台AIDI帮助客户优化检测流程，提升检测效率并保障产品品质AIDI内置多种应用模块，无需编程，即可解决复杂缺陷检测难题此外，AIDI具有强大的兼容性，能够接入光伏产线上的硅片分选机、电池片PL检测设备、组件EL检测设备和组件外观检测设备等，对硅片、电池片和组件表面的细小缺陷进行精准定位、检测、分类及识别。

针对上下脏污、缺角，以及左右表崩、前后侧崩等在整张图像中占比极小的缺陷类型，我们先利用AIDI对该类缺陷图像进行预处理，对整图进行裁切，并提取出带有缺陷的小图，从而在放大缺陷占比的同时，缩短后续图像处理时间，提高缺陷检出率和产线检测节拍；

再在AIDI中对提取出的缺陷图进行标注、学习，构建统一的AI检测模型。该模型可在不断学习中持续优化检测指标，实现硅片表面0.35mm及以上缺陷稳定检出并进行正确分类。

针对氧化片这类缺陷面积较大、颜色较浅使得成像对比度低的缺陷类型，我们结合AIDI和自主开发的传统算法库AQCV，在接口中加入对比度的后处理，成功提升氧化片的检出效果，降低漏检率。

针对反向和遮挡这两类成像特征明显的缺陷类型，利用AIDI的分类算法，通过让AI学习整图的特征，即可达到准确区分良品图与缺陷图的效果。

项目成果检测指标和检测节拍大幅提升：实现硅片表面0.35mm以上缺陷稳定检出并进行正确分类，关键缺陷漏检率0%，其他缺陷漏检率0.01%，过检率不高于0.05%，平均检出时间180ms/片机台实现快速批量复制：基于深度学习算法，AIDI只需学习少数典型样本即可快速适应产线机台差异，提高模型的迁移能力，该解决方案已被国内某头部光伏组件客户批量复制使用。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。