热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

0漏检,缺陷识别率>99%,维视智造AI全栈全场景产品赋能光伏质检

光伏行业一直是比拼技术实力的战场。政策驱动“中国制造”向“中国智造”的转型之路上,新能源领域中的光伏行业占比不断提升,国产化发展迅猛,这得

 

光伏行业一直是比拼技术实力的战场。政策驱动“中国制造”向“中国智造”的转型之路上,新能源领域中的光伏行业占比不断提升,国产化发展迅猛,这得益于光伏整个行业迅速迭代的技术能力。

目前,各大光伏企业都在朝着“智能工厂”的方向转型,将生产的各个环节从“自动化”向“智能化”升级。而机器视觉作为实现智能化的重要系统,在光伏行业生产转型中的重要性也日益凸显。


01 
痛点诊脉
光伏设备厂商的视觉系统应用难题

光伏生产工艺复杂、多样,因此光伏产业配套的自动化设备均打造了视觉系统。但由于设备厂商数量多、设备类型多,终端用户在使用或升级相关设备功能时,存在几大痛点:

 视觉系统架构界面不统一,用户使用门槛高。

如在光伏组件产线,装框机、接线盒安装机、点胶机、焊接机、扣盖机等设备往往由不同的设备厂家提供,设备上搭载的视觉系统都只是满足其特定需求而开发,每台设备呈现给用户的界面和运算逻辑均不相同,用户使用门槛极高。

● 视觉软件针对性开发,测试场景不足,系统稳定性低。

针对具体场景开发的软件,一般仅可满足设备当前运行环境需要,很少会针对不同的操作系统、不同数据通讯端口、不同的生产节拍进行测试。当设备后期需要更改使用场景时,视觉系统就需要重新开发。

 视觉系统功能单一,无法满足工艺更改后的功能升级需求。

专用设备搭载的专用视觉系统,一般不会考虑未来需要的功能。如视觉定位系统,设备当前条件可能使用传统算法就可满足,但如果后期因为工艺改变,需要用到深度学习定位时,就得重新开发相应功能,因此导致设备的应用兼容性就很低。

 设备厂家对视觉系统的能力发挥有限,致使其设备的智能化程度不足。

自动化设备厂商由于长期从事自动化研究,其视觉的应用相对专业的视觉团队来说,很少能开发并应用到视觉行业的前沿技术,从而提高所生产设备的智能化程度。如接线盒焊接机,传统设备厂商在光伏组件生产的汇流条焊接工段,往往只利用机械机构定位后进行“盲焊”,而搭载专业视觉系统的焊接机会利用深度学习等技术精准定位焊点,实现精确焊接。


02
维视破题:自研通用智能视觉开发平台
赋能光伏企业数智化转型

维视智造作为国内领先的AI工业视觉解决方案供应商,自2003年成立以来,始终聚焦智能制造,面向制造业设备商、系统集成商及终端用户,提供机器视觉部件、智能传感器、智能一体化设备等产品,及基于视觉的数字化及智能化一站式服务。机器视觉系统所需要的核心部件如相机、镜头、软件平台等维视智造已实现自主自研,在满足工业现场多场景、多样化需求,灵活部署的前提下,可提供更具性价比的产品与服务。

2018年初,面向制作工艺繁杂且要求精密的光伏产业,维视智造成功研发了光伏行业视觉检测系统,并批量落地国际光伏头部企业,帮助光伏设备升级来提高企业的竞争力。

 

(点击查看大图)

针对光伏设备厂商的视觉系统应用难题,维视智造自主研发的通用智能视觉开发平台VisionBank AI即可有效解决。VisionBank AI将传统算法融合深度学习,具备“应用简单、稳定高效、深入场景、快速迭代”四大优势,用户研发任何设备,其所需的视觉功能均可基于该平台实现——

模块化设计
满足不同设备的硬件配置需求化设计

VisionBank AI最多可以同时兼容16台相机、64个IO点(32进、32出)、包括Modbus协议在内的8种PLC通讯协议。用户可以根据应用场景的不同,自由配置硬件方案。 

模块化的软件设计

VisionBank AI功能涵盖引导定位、缺陷检测、图像识别、有无计数、颜色判别以及深度学习等,积累了近20年、各种算力平台上的量产测试,在任何场景下稳定性表现优秀。

图形化设计
保证低应用门槛的同时,自由度更高

VisionBank AI将各种图像处理算法进行图形化封装,用户可以采用拖拽的方式开发自己的检测程序;设备研发完成上线后,如因工艺需要增加功能,可以随时拖拽添加新的工具快速满足用户要求。

专业的视觉开发团队
始终保证前沿技术应用

VisionBank AI的底层算法基于维视智造近20年的技术积累,当前开发的深度学习缺陷检测、深度学习和传统算法深度融合、预训练模型等技术,可始终保证VisionBank AI技术应用的前沿性。


03
全线应用
一步到位覆盖光伏产线全场景

针对光伏行业复杂生产工艺涉及到的多相机、大幅面、高精度等场景,VisionBank AI均可轻松覆盖,快速提升设备检测速度,保证“0”漏检和整体大于99%的缺陷识别率,为光伏企业带来全方位的降本增效:

1、圆晶硅片视觉检测:在生产阶段,可对硅片外观的裂片、崩边、缺角、脏污等缺陷检测,自动匹配不同尺寸硅片,响应大尺寸产能扩张需求;

2、接线盒焊接机视觉检测:加锡焊、高频焊、激光焊等焊接机设备,在焊接定位、焊后检测中,维视智造VisionBank AI让检测更精准快速,现已部署了各大生产车间1000+套生产设备;

3、接线盒扣盖机视觉检测系统、贴铭牌机视觉检测系统、EL检测系统、叠焊机视觉检测系统,也紧跟接线盒焊接机其后,批量应用于生产车间;

4、安装一体机、层压后视觉检测系统、串焊后视觉检测系统已陆续在生产车间应用……

接线盒扣盖机定位&盖后检测视觉系统

接线盒焊接机焊后深度学习检测视觉系统

电池板层压后深度学习缺陷检测视觉系统

汇流条焊接深度学习检测视觉系统

 EL检测视觉系统

电池片外观检测视觉系统

VisionBank AI依托开放式架构和前沿技术应用,不仅可以满足当前的光伏应用场景,其创新的“深度学习和传统算法深度融合技术”还将为更多的创新光伏生产设备提供助力,一步到位解决未来更多的应用场景问题

随着光伏行业的持续稳定增长,维视将继续与客户共成长,以创新技术和精细服务为每一位客户深度赋能。


推荐阅读
  • 背景应用安全领域,各类攻击长久以来都危害着互联网上的应用,在web应用安全风险中,各类注入、跨站等攻击仍然占据着较前的位置。WAF(Web应用防火墙)正是为防御和阻断这类攻击而存在 ... [详细]
  • 生成式对抗网络模型综述摘要生成式对抗网络模型(GAN)是基于深度学习的一种强大的生成模型,可以应用于计算机视觉、自然语言处理、半监督学习等重要领域。生成式对抗网络 ... [详细]
  • 【论文】ICLR 2020 九篇满分论文!!!
    点击上方,选择星标或置顶,每天给你送干货!阅读大概需要11分钟跟随小博主,每天进步一丢丢来自:深度学习技术前沿 ... [详细]
  • 【观察】中国产业AI化的破局之路:加速算力释放与生态合作共赢
    申耀的科技观察读懂科技,赢取未来!电影《斗士》中,有这么一句台词令人印象深刻:“知道路要怎么走,和走上这条路& ... [详细]
  • 快过HugeCTR:用OneFlow轻松实现大型推荐系统引擎
    一、简介Wide&DeepLearning(以下简称WDL)是解决点击率预估(CTRPrediction) ... [详细]
  • 阿里Treebased Deep Match(TDM) 学习笔记及技术发展回顾
    本文介绍了阿里Treebased Deep Match(TDM)的学习笔记,同时回顾了工业界技术发展的几代演进。从基于统计的启发式规则方法到基于内积模型的向量检索方法,再到引入复杂深度学习模型的下一代匹配技术。文章详细解释了基于统计的启发式规则方法和基于内积模型的向量检索方法的原理和应用,并介绍了TDM的背景和优势。最后,文章提到了向量距离和基于向量聚类的索引结构对于加速匹配效率的作用。本文对于理解TDM的学习过程和了解匹配技术的发展具有重要意义。 ... [详细]
  • 云原生边缘计算之KubeEdge简介及功能特点
    本文介绍了云原生边缘计算中的KubeEdge系统,该系统是一个开源系统,用于将容器化应用程序编排功能扩展到Edge的主机。它基于Kubernetes构建,并为网络应用程序提供基础架构支持。同时,KubeEdge具有离线模式、基于Kubernetes的节点、群集、应用程序和设备管理、资源优化等特点。此外,KubeEdge还支持跨平台工作,在私有、公共和混合云中都可以运行。同时,KubeEdge还提供数据管理和数据分析管道引擎的支持。最后,本文还介绍了KubeEdge系统生成证书的方法。 ... [详细]
  • 浏览器中的异常检测算法及其在深度学习中的应用
    本文介绍了在浏览器中进行异常检测的算法,包括统计学方法和机器学习方法,并探讨了异常检测在深度学习中的应用。异常检测在金融领域的信用卡欺诈、企业安全领域的非法入侵、IT运维中的设备维护时间点预测等方面具有广泛的应用。通过使用TensorFlow.js进行异常检测,可以实现对单变量和多变量异常的检测。统计学方法通过估计数据的分布概率来计算数据点的异常概率,而机器学习方法则通过训练数据来建立异常检测模型。 ... [详细]
  • 深度学习中的Vision Transformer (ViT)详解
    本文详细介绍了深度学习中的Vision Transformer (ViT)方法。首先介绍了相关工作和ViT的基本原理,包括图像块嵌入、可学习的嵌入、位置嵌入和Transformer编码器等。接着讨论了ViT的张量维度变化、归纳偏置与混合架构、微调及更高分辨率等方面。最后给出了实验结果和相关代码的链接。本文的研究表明,对于CV任务,直接应用纯Transformer架构于图像块序列是可行的,无需依赖于卷积网络。 ... [详细]
  • Learning to Paint with Model-based Deep Reinforcement Learning
    本文介绍了一种基于模型的深度强化学习方法,通过结合神经渲染器,教机器像人类画家一样进行绘画。该方法能够生成笔画的坐标点、半径、透明度、颜色值等,以生成类似于给定目标图像的绘画。文章还讨论了该方法面临的挑战,包括绘制纹理丰富的图像等。通过对比实验的结果,作者证明了基于模型的深度强化学习方法相对于基于模型的DDPG和模型无关的DDPG方法的优势。该研究对于深度强化学习在绘画领域的应用具有重要意义。 ... [详细]
  • 本博文基于《Amalgamationofproteinsequence,structureandtextualinformationforimprovingprote ... [详细]
  • OCR:用字符识别方法将形状翻译成计算机文字的过程Matlab:商业数学软件;CUDA:CUDA™是一种由NVIDIA推 ... [详细]
  • 人工智能推理能力与假设检验
    最近Google的Deepmind开始研究如何让AI做数学题。这个问题的提出非常有启发,逻辑推理,发现新知识的能力应该是强人工智能出现自我意识之前最需要发展的能力。深度学习目前可以 ... [详细]
  • 开源真香 离线识别率高 Python 人脸识别系统
    本文主要介绍关于python,人工智能,计算机视觉的知识点,对【开源真香离线识别率高Python人脸识别系统】和【】有兴趣的朋友可以看下由【000X000】投稿的技术文章,希望该技术和经验能帮到 ... [详细]
  • 加工|机床_工业4.0 资产管理壳学习笔记应用场景与架构
    篇首语:本文由编程笔记#小编为大家整理,主要介绍了工业4.0资产管理壳学习笔记-应用场景与架构相关的知识,希望对你有一定的参考价值。        资产管理壳ÿ ... [详细]
author-avatar
米字格时光
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有