諾威特測控供應全自動電池片EL分選機（EL缺陷測試儀）
光伏組件制造過程中的缺陷檢測涵蓋的數(shù)據(jù)量龐大，對于質量和工藝管理的重要性高，技術難度較大。目前大部分的制廠還是通過傳統(tǒng)的人工判斷來進行缺陷的檢查和分類，但是因為人工檢查的一致性、準確性、效率性較低、誤判錯判等問題，不利于質量和現(xiàn)代化智能制造的發(fā)展。
利用人工智能“經(jīng)網(wǎng)絡”技術可以徹底解決這一難題，通過對缺陷的定義，機器的深度學習后可準確的進行缺陷的識別，準確率可以99.94%以上；具有識別速度快、準確率高、智能化程度高、集成方便、節(jié)約制造成本等優(yōu)點。在光伏制造的識別判斷制程如EL缺陷測試、標簽判斷、外觀檢查等環(huán)節(jié)具有廣闊的應用，可真正實現(xiàn)智能制造。為此，諾威特測控為大家?guī)硇潞诳萍迹喝詣与姵仄珽L分選機（EL缺陷測試儀）
經(jīng)網(wǎng)絡，深度學習
通過算法， 使得機器能從大量歷史數(shù)據(jù)中學習規(guī) 律，從而對新的樣本做智能識別。
深度學習經(jīng)網(wǎng)絡的一個大分支，深度學習的基 本結構就是深度經(jīng)網(wǎng)絡。簡而言之是機器學習中一種 基于對數(shù)據(jù)進行特征學習的方法。觀測值（例如一幅圖 像）可以使用多種方式來表示，如每個像素強度值的向 量， 或者更抽象地表示成一系列邊、 特定形狀的區(qū)域 等。而使用某些特定的表示方法更容易從實例中學習任 務（例如，人臉識別或面部表情識別）。
EL缺陷深度學習
目前EL圖片處理方法使用圖片灰度掃描對比方法
但是遇到復雜的圖片，缺陷臨界不明顯的情況下，導致無法判斷
EL缺陷深度學習
深度學習方法
通過對圖片缺陷的標注，輸入機器，機器通過缺陷特征的自學和深度學習，建立多層學習網(wǎng)絡，就能掌握并準確的進行缺陷的自動識別。
EL缺陷深度學習過程
通過對圖片缺陷的標注，輸入機器，機器通過多缺陷特征的自學習和深度學習，建立多層學習網(wǎng)絡，就能掌握并準確的進行缺陷的自動識別。
全自動電池片EL分選機
采用下拍攝，多組掃描式，組件傳輸方式是橫向傳輸；
樣品放置方式是平放式，組件正面朝下；
檢測類型是單晶、多晶硅太陽能組件；
樣品規(guī)格：常規(guī)裝框組件、雙玻組件、半片組件
測試節(jié)拍：高電流（Isc）& 低電流（0.1 Isc）：< 38s/pcs；高電流（Isc）：< 30s/pcs；
相機類 型是工業(yè)級CCD
圖像分辨率1 3 6 0 X 1 0 2 4 X（9 / 1 2 ）；
顯示系統(tǒng) 4 K顯示器，匹配圖像分辨率 ；
影像采集時間是1~60s可調；電流/電壓驅動是1 0 A / 6 0 V ；
外觀檢測缺陷類型：色差、條形碼錯誤、方正偏移、玻 璃面印痕、玻璃面臟污、異物、劃傷、氣泡、白斑、焊帶偏移、電池片間距、電池片錯位；
全自動電池片EL分選機缺陷檢測的方式是：無人化自動檢測 ；
圖像處理是G P U處理 ；缺陷判斷時間小于1秒；
全自動電池片EL分選機人機界面是EL圖像自動拍攝功能自動掃碼掃描輸入圖片以組件條碼為名保存智能缺陷分類、缺陷標注、自動生成日期文件夾、保存功能 產(chǎn)量與良品率統(tǒng)計；深度學習人工智能缺陷特征訓練 ，多層學習網(wǎng)絡；
系統(tǒng)升級支持判別軟件更新，功能拓展 ，二次開發(fā)；
圖片傳送：以組件條碼號為名保存EL圖片,并上傳M系統(tǒng)，同時還備份被標記的NG料的圖片存到服務器硬盤。
全自動電池片EL分選機優(yōu)勢
使用人工智能進行EL缺陷檢測是效準確的方法
較高的準確性和速度是制造廠產(chǎn)能和降的有力保障
后續(xù)的可擴展和可升級、可以降低設備和管理的投資成本
智能判別技術加速工廠智能制造進程
如有需要請聯(lián)系我們：
諾威特測控科技有限公司
中國新能源測試領域的品牌
