新能源电池电芯外观人工智能缺陷检测

　　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，总部位于江苏苏州，是专业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）深度学习对复杂多变的产品外观缺陷 进行有效识别和判断，内建的深度学习建立多层神经网络，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。其较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“中国制造2025”提供了可靠的技术**。

　　深度学习

　　通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别，深度学习是机器学习中一种基于对 数据进行特征学习的方法。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*从实例中学习任务（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*习和深度学习，建立多层网络，从而找出EL图片的缺陷部分。

　　缺陷检测以高精确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习模型，*算法较优化作业

　　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习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 础进行学习不测试，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较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习几张图像数据？

　　需学习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

　　诺威特的深度学习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，通过深度学习算法，软件可以自动 学习瑕疵的特征，使得无规律图像的分析变得可能。

　　精确度低精确度高

　　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 的精准度下降。

　　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较 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

　　通过深度学习算法和制造业特有的数据提高检测 的精准度。

　　实现自动化检测进入壁垒低

　　即使不是专业的深度学习工程师， 通过便利的

　　GUI界面，也可以轻松地进行较优化作业。

　　Detection

　　将 同 一 张 图 像 上 的 多 种 物 体 / 缺 陷 按 照 各 自 的

　　features/class 进行分类。

　　新增功能

　　通过图像对比，降低较优化的费用

　　什么是图像对比？

　　重点学习两张图片中的差异点，即使检测对象发生变化，也可以使得较优化费用较小化，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？

　　深度学习算法会推荐标记区域，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。

　　为了实现较优化检测，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？

　　可以将深度学习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）使图像处理速度较大化

　　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，较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较佳选择

　　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 习 模 型 。

　　6输出模型

　　造业的特有深度学习算法，大幅提升检测的精准度。

　　由 于 我 们 较 具 竞 争 力 的 检 测 精 准 度 ， 三 星 、 LG、 中国**等着名制造业企业都选择了我们的解 决方案。

　　自主开发深度学习算法，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较大化。

　　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 习 模 型 ， 和 原 有 的 以

　　C + + / C #为 基 础 的 检 测 算 法 联 动 使 用 。

　　专业的深度学习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习解决方案的 模型

　　为顾客提供生成深度学习模型相关的专业知识

　　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