新能源電池電芯外觀人工智能缺陷檢測
時間：2018/10/14 1:13:31 | 瀏覽：852
隨著工業(yè)4.0的發(fā)展，制造業(yè)不斷升級， 尤其是對承擔機器視覺功能的固像分析需要正在急速增加。 德研在現(xiàn)有的技術無法解決的領域， 通過人工智能算法， 在瑕疵檢測及分類等各種產(chǎn)業(yè)群中，創(chuàng)造新的價值。
測試系統(tǒng)外觀缺陷
人工智能缺陷檢測
德研簡介
德研（NOVTEC） 成立于2003年，總部位于江蘇蘇州，是專業(yè)從事測試解決方案的高科技企業(yè)，為企業(yè)和研究機 構提供大量高端的測試儀器設備解決方案。使用人工智能Artificial intelligence（Ai）深度學習對復雜多變的產(chǎn)品外觀缺陷 進行有效識別和判斷，內(nèi)建的深度學習建立多層神經(jīng)網(wǎng)絡，特殊的圖像處理方式和復雜的算法，使EL缺陷的漏判率可以達 到“零”，解決了多年來人工判別的漏檢和錯檢問題。其極快的判斷速度和高準確性滿足在線檢測的需求，為新能源行業(yè) 的“工業(yè)4.0”和“中國制造2025”提供了可靠的技術保障。
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，如每個像章強度值的向量，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，缺陷類型）。
例如，使用人工智能方法能有效的進行光伏電池、組件產(chǎn)品的EL缺陷檢測，能快速準確的找出缺陷的位置，并進行標 注，較傳統(tǒng)的使用圖片灰度掃描方法進行判斷，特別是多晶硅組件電池的EL圖片干擾因章復雜，具有絕對的技術優(yōu)勢；我 們提供的檢測EL的方案使用的是神經(jīng)網(wǎng)絡技術，通過定義單多晶硅組件缺陷產(chǎn)品圖片的缺陷類型，軟件系統(tǒng)會進行缺陷特 征的自學習和深度學習，建立多層網(wǎng)絡，從而找出EL圖片的缺陷部分。
缺陷檢測以高精確度與高處理速度為基礎
更好的服務于有自動化需求的制造業(yè)工廠
部分案例
皮革紋路分類檢測案例
視覺設備參數(shù)檢測數(shù)據(jù)
設備類型非標檢測數(shù)量3000
光源類型條形光源*4過檢數(shù)量0
相機類型面陣500萬像章漏檢數(shù)量0
PC顯卡類型1070檢測準確率100%
檢測速度7張/秒
檢測項目皮革紋理粗細分類
訓練數(shù)據(jù)：30張圖像 （粗紋10張圖像， 細紋10張圖像， 中紋10張圖像）
檢測數(shù)據(jù)：3000張圖像軟件名稱：軟件功能模塊Classification （分類） 檢測結果：準確度100%
PCB板缺陷檢測案例
視覺設備參數(shù)檢測數(shù)據(jù)
設備類型非標檢測數(shù)量30000
光源類型條形光源*2過檢數(shù)量45
相機類型面陣500萬像章漏檢數(shù)量0
PC顯卡類型1060檢測準確率99.85%
檢測速度5張/秒
檢測項目表面損傷、焊盤不 等
訓練數(shù)據(jù)：750 張圖像（NGs2ss長、OK225 張） 檢測結果：準確度99.85% 檢測數(shù)據(jù)：30000 張圖像軟件名稱：軟件功能模塊Segmentatin（分割）
簡便快速生成深度學習模型，無需算法最優(yōu)化作業(yè)
德研是在PCB、光伏、顯示屏、電子產(chǎn)品、新能源電池等多種領域使用的以深度學習為基礎的機器視覺檢測軟件。現(xiàn)在也在現(xiàn)場以多樣的數(shù)據(jù)為基 礎進行學習不測試，不斷實現(xiàn)性能的提升。從標簽工具到結果輸出，以驗觀的圖片結果為基礎為用戶提供最佳的用戶體驗以及便利性。已在復雜的生產(chǎn)線 上提供數(shù)據(jù)采檢、缺陷檢測服務。
測試系統(tǒng)外觀缺陷
人工智能缺陷檢測
德研簡介
德研（NOVTEC） 成立于2003年，總部位于江蘇蘇州，是專業(yè)從事測試解決方案的高科技企業(yè)，為企業(yè)和研究機 構提供大量高端的測試儀器設備解決方案。使用人工智能Artificial intelligence（Ai）深度學習對復雜多變的產(chǎn)品外觀缺陷 進行有效識別和判斷，內(nèi)建的深度學習建立多層神經(jīng)網(wǎng)絡，特殊的圖像處理方式和復雜的算法，使EL缺陷的漏判率可以達 到“零”，解決了多年來人工判別的漏檢和錯檢問題。其極快的判斷速度和高準確性滿足在線檢測的需求，為新能源行業(yè) 的“工業(yè)4.0”和“中國制造2025”提供了可靠的技術保障。
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，如每個像章強度值的向量，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，缺陷類型）。
例如，使用人工智能方法能有效的進行光伏電池、組件產(chǎn)品的EL缺陷檢測，能快速準確的找出缺陷的位置，并進行標 注，較傳統(tǒng)的使用圖片灰度掃描方法進行判斷，特別是多晶硅組件電池的EL圖片干擾因章復雜，具有絕對的技術優(yōu)勢；我 們提供的檢測EL的方案使用的是神經(jīng)網(wǎng)絡技術，通過定義單多晶硅組件缺陷產(chǎn)品圖片的缺陷類型，軟件系統(tǒng)會進行缺陷特 征的自學習和深度學習，建立多層網(wǎng)絡，從而找出EL圖片的缺陷部分。
缺陷檢測以高精確度與高處理速度為基礎
更好的服務于有自動化需求的制造業(yè)工廠
部分案例
皮革紋路分類檢測案例
視覺設備參數(shù)檢測數(shù)據(jù)
設備類型非標檢測數(shù)量3000
光源類型條形光源*4過檢數(shù)量0
相機類型面陣500萬像章漏檢數(shù)量0
PC顯卡類型1070檢測準確率100%
檢測速度7張/秒
檢測項目皮革紋理粗細分類
訓練數(shù)據(jù)：30張圖像 （粗紋10張圖像， 細紋10張圖像， 中紋10張圖像）
檢測數(shù)據(jù)：3000張圖像軟件名稱：軟件功能模塊Classification （分類） 檢測結果：準確度100%
PCB板缺陷檢測案例
視覺設備參數(shù)檢測數(shù)據(jù)
設備類型非標檢測數(shù)量30000
光源類型條形光源*2過檢數(shù)量45
相機類型面陣500萬像章漏檢數(shù)量0
PC顯卡類型1060檢測準確率99.85%
檢測速度5張/秒
檢測項目表面損傷、焊盤不 等
訓練數(shù)據(jù)：750 張圖像（NGs2ss長、OK225 張） 檢測結果：準確度99.85% 檢測數(shù)據(jù)：30000 張圖像軟件名稱：軟件功能模塊Segmentatin（分割）
簡便快速生成深度學習模型，無需算法最優(yōu)化作業(yè)
德研是在PCB、光伏、顯示屏、電子產(chǎn)品、新能源電池等多種領域使用的以深度學習為基礎的機器視覺檢測軟件。現(xiàn)在也在現(xiàn)場以多樣的數(shù)據(jù)為基 礎進行學習不測試，不斷實現(xiàn)性能的提升。從標簽工具到結果輸出，以驗觀的圖片結果為基礎為用戶提供最佳的用戶體驗以及便利性。已在復雜的生產(chǎn)線 上提供數(shù)據(jù)采檢、缺陷檢測服務。
