新能源电池电芯外观人工智能缺陷检测
诺威特通过人工智能提升检测精度缩减企业成本
随着工业4.0的发展，制造业不断升级， 尤其是对承担机器视觉功能的固像分析需要正在急速增加。 诺威特在现有的技术无法解决的领域， 通过人工智能算法， 在瑕疵检测及分类等各种产业群中，创造新的价值。
测试系统外观缺陷
人工智能缺陷检测
诺威特简介
诺威特（NOVTEC） 成立于2003年，部位于江苏苏州，是从事测试解决方案的高科技企业，为企业和研究机 构提供大量高端的测试仪器设备解决方案。使用人工智能Artificial intelligence（Ai）深度学对复杂多变的产品外观缺陷 进行有效识别和判断，内建的深度学建立多层神经网络，特殊的图像处理方式和复杂的算法，使EL缺陷的漏判率可以达 到“零”，解决了多年来人工判别的漏检和错检问题。其极快的判断速度和高准确性满足在线检测的需求，为新能源行业 的“工业4.0”和“制造2025”提供了可靠的技术保障。
深度学
通过算法，使得机器能从大量历史数据中学规律，从而对新的样本做智能识别，深度学是机器学中一种基于对 数据进行特征学的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像章强度值的向量，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任务（例如，缺陷类型）。
例如，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图片干扰因章复杂，具有的技术优势；我 们提供的检测EL的方案使用的是神经网络技术，通过定义单多晶硅组件缺陷产品图片的缺陷类型，软件系统会进行缺陷特 征的自学和深度学，建立多层网络，从而找出EL图片的缺陷部分。
缺陷检测以高度与高处理速度为基础
更好的服务于有自动化需求的制造业工厂
部分案例
皮革纹路分类检测案例
视觉设备参数检测数据
设备类型非标检测数量3000
光源类型条形光源*4过检数量0
相机类型面阵500万像章漏检数量0
PC显卡类型1070检测准确率
检测速度7张/秒
检测项目皮革纹理粗细分类
训练数据：30张图像 （粗纹10张图像， 细纹10张图像， 中纹10张图像）
检测数据：3000张图像软件名称：软件功能模块Classification （分类） 检测结果：准确度
PCB板缺陷检测案例
视觉设备参数检测数据
设备类型非标检测数量30000
光源类型条形光源*2过检数量45
相机类型面阵500万像章漏检数量0
PC显卡类型1060检测准确率99.85%
检测速度5张/秒
检测项目表面损伤、焊盘不 等
训练数据：750 张图像（NGs2ss长、OK225 张） 检测结果：准确度99.85% 检测数据：30000 张图像软件名称：软件功能模块Segmentatin（分割）
简便快速生成深度学模型，无需算法优化作业
诺威特是在PCB、光伏、显示屏、电子产品、新能源电池等多种领域使用的以深度学为基础的机器视觉检测软件。现在也在现场以多样的数据为基 础进行学不测试，不断实现性能的提升。从标签工具到结果输出，以验观的图片结果为基础为用户提供佳的用户体验以及便利性。已在复杂的生产线 上提供数据采检、缺陷检测服务。
各个缺陷类型需要学几张图像数据？
需学图像数量根据图像的复杂程度会有所不同，但在初期不同的瑕疵类型提供30-100张左右即可。
神经网络模型建立所需要的时间有多长？
一般2048*2048像章大小，1000张为标准的话，需要30分钟左右。
在实际的生产线上处理图像的速度能达到什么程度？
根据神经网络条件会有所不同，但在2048*2048像章大小的图像，每秒钟可实时处理50张。
太阳能电池缺陷检测案例
视觉设备参数检测数据
设备类型非标检测数量20000
光源类型短波红外光过检数量6
相机类型短波红外相机漏检数量0
PC显卡类型1080检测准确率99.97%
检测速度72张/秒
检测项目隐裂、划伤、断栅等
训练数据：1300张图（NG1000张、OK300张） 检测结果：准确度99.97% 检测数据：20000 张图像软件名称：软件功能模块Segmentatin（分割）
解决方案
诺威特的深度学解决方案和传统机器视觉检测的不同点
主要功能
无法分析无规律图像可分析无规律图像
Segmentation
通过图像分析，检测出图像上各种瑕疵的位置、 大小和形状。
当图像不规则、无规律时，缺陷的特征很难通过 手动设定，因此无法分析图像。
即使图像复杂，通过深度学算法，软件可以自动 学瑕疵的特征，使得无规律图像的分析变得可能。
度低度高
如果缺陷部分和之前设定好的缺陷特征有轻微的 出入，传统视觉都无法检测出这样的缺陷，导致检测 的度下降。
实现自动化检测进入壁垒高
生产环境发生变化时，需要特定的工程师进行 优化作业并且手动设定不断变化的缺陷特征。
传统机器视觉诺威特
通过深度学算法和制造业特有的数据提高检测 的度。
实现自动化检测进入壁垒低
即使不是的深度学工程师， 通过便利的
GUI界面，也可以轻松地进行优化作业。
Detection
将 同 一 张 图 像 上 的 多 种 物 体 / 缺 陷 按 照 各 自 的
features/ 进行分类。
新增功能
通过图像对比，降低优化的费用
什么是图像对比？
重点学两张图片中的差异点，即使检测对象发生变化，也可以使得优化费用小化，并可以检测出缺陷。
*Classification和Segmentation中支持该功能。
利用可视标签（Visual Labeler）减少标记时间
什么是可视标签？
深度学算法会标记区域，可以大大减少使用者在标记时耗费的时间。
*Segmentation中支持该功能。
为了实现优化检测，根据不同产品/缺陷的特性，可选择四种神经网络进行训练。
4种神经网络指的是？
根据缺陷以及图像的复杂程度，可以根用4种不同的训练网。根据产品特性细分检测标准
利用可视化调试器（Visual Debugger）提高检测分析的效率
什么是可视化调试器？
可以将深度学算法分析并分类的过程可视化。此功能可以检验软件是否正在按照使用者的意图进行训练
*Classification中支持该功能。
利用批处理（Batch Processing）使图像处理速度大化
什么是Batch Processing?
Batch Processing是将图像一次性打包处理的功能，比起Single Processing，高可以以九倍的速度去处理图像，从而在高速生产线上处理图像时 无瓶颈。
如何使用优势
诺威特使用流程
1上传照片
2图片分类
诺威特解决方案是您的佳选择
上传正常照片以及缺陷照片用来训练或测试。将上传的图像按照训练用/验证用/测试用进行分类
以制造业领域大量图像数据为基础，开发针对制
使用CUDA，cu DNN等GPU的处理语言，
3标记
使 用 标 记 工 具 对 图 像 上 的 缺 陷 部 分 进 行 标 记 ， 或 者 对 图 片 进 行 分 类 。
5测试
4形成模型
设 置 不 同 参 数 ， 训 练 深 度 学 模 型 。
6输出模型
造业的特有深度学算法，大幅提升检测的度。
由 于 我 们 极 具 竞 争 力 的 检 测 精 准 度 ， 三 星 、 LG、 航天等制造业企业都选择了我们的解 决方案。
开发深度学算法，大幅提升图像处理速度。
Multi-GPU，Batch processing可以让实际生 产环境中的图像处理速度实现大化。
通 过 训 练 好 的 模 型 进 行 测 试 并 检 查 结 果 。提 取 已 经 形 成 的 深 度 学 模 型 ， 和 原 有 的 以
C + + / C #为 基 础 的 检 测 算 法 联 动 使 用 。
的深度学解决方案研发团队可以按照客户 的要求或产品类型开发出不同的深度学解决方案的 模型
为顾客提供生成深度学模型相关的知识
提供C++，C#的API接口，可以验接不原有的检 测算法进行联动使用
