人工智能EL缺陷检测
人 工 神 经 网 络
机器学的一个分支，与之相对应的是生物神经网络，我们将模拟生物神经网络的数学模型统称为人工神经网络模型，简称人工神经网络或神经网络。
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。
深度学是神经网络的一个大分支，深度学的基本结构就是深度神经网络。简而言之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，如每个像素强度值的向量，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，人脸识别或面部表情识别）。
光 伏 应 用
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值扫描方法进行判断，特别是多晶硅组件电池的EL图片干扰因素复杂，高效准确的判断比较困难；我们提供的EL检测的方案使用神经网络技术，通过定义单多晶硅组件缺陷产品图片的缺陷类型，软件系统进行缺陷特征的自学和深度学，通 过建立多层学网络， 能够快速准确找出EL图片的缺陷，大大提高生产效率。
核 心 技 术
机器视觉应用多样化的制造业缺陷产品的数据和的图像解析技术能力
深度学在现有的机器视觉检测中引入深度学，提升检测准确度及速度
级计算机
在制造工厂可实时应用快速的数据处理速度
优 势
检测的准确性专门适用于制造业的算法及方法更快的速度
在GPU中直接处理深度学的算法，每张样品处理 速度＜1S
降低人工成本
通过改善低效率的人工检测流程达到降低成本的效果
全自动智能EL测试仪 EL4.0Ai
El产线升级改造 DCMS系统
我们可以提供全新的EL4.0Ai测试仪进行组件生产线配套使用。另外，在现有的组件生产线智能化升级中，可以在不改变原有EL机器硬件，甚至不影响正常生产的情况下嵌入我们的智能化EL软件系统进行智能 化判别升级，使用的DCMS实现多线分布式控制；在层压前的返修工位使用条码扫描从数据库中调取带 有缺陷标识的组件图片进行返修处理，省去了人工手写标签的工作，大大提高返修效率。
组件层压前后EL自动检测
层压前后单多晶组件EL缺陷的检查：隐裂、划伤、断栅、虚焊、碎片、黑斑、污染等 层压前可集成自动外观检查：污染、电池移位 层压前返修客户端从数据库扫码调取带有标识的缺陷组件图片，进行快速返修
CMS
CMS软件系统;单机版的人工NG料缺陷类型判别终端 Manual状态时NG料图片将由人工在本机进行NG料图片二次判别 Auto状态时，人工不能再直接进行NG料判别，NG图片直接发送至DCMS进行判断
DCMS
DCMS系统接收多线NG料图片同时进行人工二次判断
关键词
人工智能EL缺陷检测
自动判别EL
全自动智能EL测试仪
