日期
03/10
2023
咨询
  • QQ扫一扫

  • Vision小助手
    (CMVU)

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
2023-03-10 10:23:33来源: 中国机器视觉网

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

微信图片_20230310101112.jpg

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。

微信图片_20230310101125.jpg

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;

微信图片_20230310101129.png

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。

微信图片_20230310101356.png

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。

微信图片_20230310101403.png

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。

微信图片_20230310101406.png

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。