电致发光(EL)图像自动检测挑战
● 预计电池板或模块之间存在较大的发光变化，但这些变化是可接受的。
● 一些缺陷(如微裂纹或接触形成的误差)可能非常微妙，难以与强烈且高度不规则的背景纹理区分开来。
● 存在大量完全不同类型的缺陷，这导致无法开发出一种简单而可靠的算法来检测所有这些缺陷。
解决方案
有了康耐视ViDi套件和监督模式下的ViDi红色检查工具后，光伏模组EL图像的自动化分析现在变得极其简单。
软件算法可以基于一组标注的具有代表性的不同类型缺陷以及已知合格元件样本的图像自行进行训练。学习系统能够自动组合各种背景信息，以创建可靠的缺陷模型。
当训练阶段完成后，就可以随时继续进行检测。该套件能够快速识别和报告电池板的所有缺陷区域。
康耐视ViDi套件基于深度学习的工业级图像分析软软件，可实现自动检测和分类。
▪ 类似于人类：胜过最优秀的质量检测员
▪ 自主学习：无需开发软件
▪ 功能强大：解决无法编程的检测挑战
它是如何工作的?
非常简单，只需执行下面的步骤
1. 收集不同类型缺陷以及无缺陷元件样本的图像
2. 让康耐视ViDi套件基于这些样本进行训练，并创建参考模
3. 继续进行测试
微裂纹
最具挑战性的缺陷类型为微裂纹，主要是由于复杂背景通常与这类缺陷具有许多相同的特征。我们向学习系统提供一组具有代表性的微裂纹缺陷样本，以创建可靠的缺陷模型。同时，它还可以学习将微裂纹与背景图案的类似外观区分开来。因此，检测将同时具有高度的针对性和选择性。
结果和性能
卓越的检测性能：能够自动检测和识别EL图像中显示的光伏模块中大多数类型的缺陷(裂纹、断裂、短路、细栅线断开、接触形成的误差)。
自主学习：进行EL图像检测时无需大量精心调谐和优化的检测算法，相反，它依靠类似于人类的方法，即学习和应用，而且相比人工检测员，能够提高测试的一致性和可重复性。
快速轻松：只需不到30分钟便可基于一组具有代表性的样本图像完成学习。
（转载）
