隨著可再生能源的發展、政策的推動、產業智能化的升級，光伏行業迎來持續穩定的增長。由于行業和產品的特殊性，光伏產品（如光伏組件、太陽能電池片、硅片等）表面裂紋、劃痕、斷柵、缺角等外觀缺陷將直接影響產品的性能和使用壽命，造成潛在風險，這對光伏的生產工藝和質量都提出了更高的要求。

如何提高光伏的生產效率和質量、降低生產成本，成為光伏行業面臨的重要難題。

案例：硅片分選項目

“我們需要檢測硅片表面是否存在缺陷，目前采用的傳統算法檢測指標不理想、速度較慢，難以滿足現階段我們的檢測需求。

當前，企業在向智能制造、數字化轉型，所以我們正在尋找一種更快、更準、更穩的檢測方式，以此達到降本增效…”

——光伏行業某頭部客戶

01

項目需求

本項目檢測工站及其對應檢測項如下：

1. 臟污工站：上下表面臟污、缺角、反向、遮擋；

上下表面臟污包括：黑斑、淺斑、條形、水印、黑點等

2. 崩邊工站：左右表崩、前后側崩

左右表崩包括：黑磕、白磕、磕穿、磨邊

前后側崩包括：磕穿、磕邊深度超過1/2、磨邊、缺角

02

檢測難點

該項目缺陷種類多達20+，且需要具體區分缺陷類型；

客戶檢測精度要求較高，硅片表面最小尺寸為0.35mm，在保障高精度的同時，需要做到快速檢測，平均檢出時間要求達到180ms/片，對算法效率要求高。

03

解決方案

基于該項目的實際產線情況和產品特性，阿丘科技使用工業視覺軟件平臺AIDI幫助客戶優化檢測流程，提升檢測效率并保障產品品質。

AIDI內置多種應用模塊，無需編程，即可解決復雜缺陷檢測難題。

此外，AIDI具有強大的兼容性，能夠接入光伏產線上的硅片分選機、電池片PL檢測設備、組件EL檢測設備和組件外觀檢測設備等，對硅片、電池片和組件表面的細小缺陷進行精準定位、檢測、分類及識別。

針對上下臟污、缺角，以及左右表崩、前后側崩等在整張圖像中占比極小的缺陷類型，我們先利用AIDI對該類缺陷圖像進行預處理，對整圖進行裁切，并提取出帶有缺陷的小圖，從而在放大缺陷占比的同時，縮短后續圖像處理時間，提高缺陷檢出率和產線檢測節拍；

再在AIDI中對提取出的缺陷圖進行標注、學習，構建統一的AI檢測模型。該模型可在不斷學習中持續優化檢測指標，實現硅片表面0.35mm及以上缺陷穩定檢出并進行正確分類。

針對氧化片這類缺陷面積較大、顏色較淺使得成像對比度低的缺陷類型，我們結合AIDI和自主開發的傳統算法庫AQCV，在接口中加入對比度的后處理，成功提升氧化片的檢出效果，降低漏檢率。

針對反向和遮擋這兩類成像特征明顯的缺陷類型，利用AIDI的分類算法，通過讓AI學習整圖的特征，即可達到準確區分良品圖與缺陷圖的效果。

04

項目成果

檢測指標和檢測節拍大幅提升：

實現硅片表面0.35mm以上缺陷穩定檢出并進行正確分類，關鍵缺陷漏檢率0%，其他缺陷漏檢率0.01%，過檢率不高于0.05%，平均檢出時間180ms/片。

機臺實現快速批量復制：

基于深度學習算法，AIDI只需學習少數典型樣本即可快速適應產線機臺差異，提高模型的遷移能力，該解決方案已被國內某頭部光伏組件客戶批量復制使用。

05

關于我們

阿丘科技深耕工業質檢，專注于工業AI視覺及智能分析服務，我們為提供更好的產品及行業解決方案持續努力，助力光伏行業邁向智能化生產！