CN113567446B - 组件缺陷检测质量分级的方法及*** - Google Patents
组件缺陷检测质量分级的方法及*** Download PDFInfo
- Publication number
- CN113567446B CN113567446B CN202110762779.0A CN202110762779A CN113567446B CN 113567446 B CN113567446 B CN 113567446B CN 202110762779 A CN202110762779 A CN 202110762779A CN 113567446 B CN113567446 B CN 113567446B
- Authority
- CN
- China
- Prior art keywords
- quality
- component
- platform
- defect
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Factory Administration (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种组件缺陷检测质量分级方法及***。其方法包括:***中的产线***获取组件在层前阶段、层后阶段以及终检阶段的图片信息;***中的算法模型对所述图片信息进行质量缺陷和/或外观异常的分析;根据所述分析结果,结合组件的质量判定评级规则,***中的质量检测平台对组件进行质量判断;若在终检阶段判断存在缺陷,结合***中复检调整平台对组件的调整结果,在***中的质量检测平台确定组件的质量分级。本发明通过在终检阶段对组件的图片信息进一步复核调整处理,结合质量判定评级规则,对所述组件进行质量评级,MES***根据评级结果控制产线***,实现组件的自动化分级,提高组件质量缺陷及外观异常检测的效率及一致性。
Description
技术领域
本发明涉及光伏检测技术领域,具体涉及一种组件缺陷检测质量分级的方法及***。
背景技术
近年来,随着国家提出“碳达峰”路线,光伏等新能源行业再次逢来发展机遇,市场需求加大伴随着行业竞争加剧,对于光伏组件生产企业的要求越来越高,光伏组件市场价格的透明化要求光伏组件生产企业必须控制好经营成本方能提升竞争力和利润率。
目前光伏组件生产企业几乎均已投运机器视觉检测***,***一般为硬件厂商集成,对于质量缺陷的检测准确率尚可,对于外观异常的检测准确率较低,并且由于AI检测过程存在一定的误报率和漏报率,需要定期针对当前产线端或者工厂端的***进行AI检测算法模型升级,而人工复检后的缺陷样本难以实现自动归集和分类,加剧了算法升级的前期工作量和难度。另外,目前的质量分级工作几乎借助于质量检验员来完成,人为主观因素会导致质量分级存在差异,错误评级还会给生产企业或下游客户带来定价损失。
发明内容
针对现有技术存在的问题,本发明提供一种组件缺陷检测质量分级的方法及***。
第一方面,本发明提供一种组件缺陷检测质量分级的方法,包括:
***中的产线***获取组件在层前阶段、层后阶段以及终检阶段的图片信息;其中,每个所述图片信息包含所述组件对应的序列号;
基于***中的质量检测平台根据所述组件的序列号匹配对应的所述图片信息,***中的算法模型进行质量缺陷和/或外观异常的分析;
根据***中算法模型的分析的结果,结合所述组件的质量判定评级规则,***中的质量检测平台对所述组件进行质量判断;
若在终检阶段质量判断结果是存在缺陷,结合***中复检调整平台对组件的调整结果,在***中的质量检测平台确定所述组件的质量分级;
其中,所述组件的序列号和所述组件的质量判定评级规则相关联。
根据本发明提供的组件缺陷检测质量分级的方法,所述若在终检阶段质量判断结果是存在缺陷,结合***中复检调整平台对组件的调整结果,在***中的质量检测平台确定所述组件的质量分级,包括:
若在终检阶段质量判断结果是存在缺陷,基于***中复检调整平台,对图片信息中的质量缺陷和/或外观异常进行复检,调整图片的分析结果;
***中的质量检测平台将调整后的图片的分析结果结合质量判定评级规则,确定存在缺陷的所述组件的质量分级。
根据本发明提供的组件缺陷检测质量分级的方法,所述根据***中算法模型的分析结果,结合所述组件的质量判定评级规则,***中的质量检测平台对所述组件进行质量判断,包括:
根据***中的MES(Manufacturing Execution System,制造执行***)***生成的订单以及所述组件的完整序列号,***中的质量检测平台在预设置的质量判定评级规则中选择匹配的所述质量判定评级规则,其中所述预设置的质量判定评级规则是根据客户需求自定义的。
根据本发明提供的组件缺陷检测质量分级的方法,所述若在终检阶段质量判断结果是存在缺陷,结合***中复检调整平台对组件的调整结果,在***中的质量检测平台确定所述组件的质量分级之后,包括:
将在终检阶段所述质量判断结果是存在缺陷的所述图片输入复检调整平台;
以所述复检调整平台确定的存在未检出或误检的所述图片信息作为训练***中所述算法模型的训练样本,对算法模型进行训练,并将训练完成后的算法模型更新到***的平台端。
根据本发明提供的组件缺陷检测质量分级的方法,所述方法还包括:
***中的MES***接收所述组件的质量分级信息,控制***中的产线***,对所述组件进行分流。
第二方面,本发明提供一种组件缺陷检测质量分级的***,包括:
产线***,MES***,质量检测平台,算法模型,复检调整平台和平台端,所述产线***用于获取组件在层前阶段、层后阶段以及终检阶段的图片信息;其中,每个所述图片信息包含所述组件对应的序列号;所述算法模型用于基于质量检测平台根据所述组件的序列号匹配对应的所述图片信息,进行质量缺陷和/或外观异常的分析;所述质量检测平台用于根据***中算法模型的分析的结果,结合所述组件的质量判定评级规则,对所述组件进行质量判断;所述复检调整平台用于若在终检阶段质量判断结果是存在缺陷,结合***中复检调整平台对组件的调整结果,确定所述组件的质量分级;所述MES***用于生成订单信息以及所述组件完整序列号,并接收所述组件的质量分级信息,控制***中的产线***,对所述组件进行分流;所述平台端用于对训练调优完毕的算法模型进行存储和发布。
本发明提供的一种组件缺陷检测质量分级的方法及***,通过在终检阶段对组件的图片信息进一步复核调整处理,结合质量判定评级规则,对所述组件进行质量评级,实现组件的自动化分级,提高组件质量缺陷及外观异常检测的效率及一致性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明所涉及的具体行业应用的组件关键生产工序图;
图2是本发明提供的组件缺陷检测质量分级的方法的流程示意图;
图3是一种光伏组件的俯视图;
图4是本发明提供的组件的电池片缺陷瑕疵示意图;
图5是本发明提供的组件缺陷检测质量分级的方法的功能架构图;
图6是本发明提供的组件分级的工序单元结构及组件转移流程示意图;
图7是本发明提供的组件缺陷检测质量分级的方法的数据流程示意图;
图8是本发明提供的组件缺陷检测质量分级的方法的流程示意图;
图9是本发明提供的组件缺陷检测质量分级的***的业务流程示意图;
附图标记:
1:组件; 2:传输单元; 3:分级传输单元。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
首先,对本发明所涉及的具体行业应用的组件关键生产工序做出说明,如图1所示,组件生产的工序包括:串焊,排版,层前EL(Electroluminescent,电致发光),层压,层后EL,固化IV(Isc-Voc,short circuit current-open circuit voltage,短路电流-开路电压测试),终检EL/外观。其中涉及AI(Artificial Intelligence,人工智能)检测环节主要在层前EL工序、层后EL工序和终检EL以及外观检测工序。其中层前EL和层后EL工序只对组件的质量缺陷进行检测,终检EL/外观工序需要对组件的质量缺陷和外观异常进行检测,质量缺陷通过EL电致发光相机拍摄的照片呈现,外观异常通过光学相机拍摄的照片呈现。
在本发明中,考虑到实际中的应用习惯,部分名词有所差异,但其指代一致,如“缺陷”、“质量缺陷瑕疵”、“质量缺陷”、“缺陷瑕疵”、“EL缺陷”均指的是组件中可能存在的缺陷,其缺陷图片通过EL电致发光相机拍摄。“外观”、“外观异常”、“外观质量异常”均指的是组件外观上可能存在的异常,其外观图片通过光学相机拍摄。
下面结合图2-图9描述本发明的组件缺陷检测质量分级的方法及***。
图2是本发明提供的组件缺陷检测质量分级的方法的流程示意图,如图2所示,该组件缺陷检测质量分级的方法,包括:
步骤201、***中的产线***获取组件在层前阶段、层后阶段以及终检阶段的图片信息;其中,每个所述图片信息包含所述组件对应的序列号;
具体的,在本发明中主要以光伏组件为例进行说明,但对此并不做限定,光伏组件依据生产工序环节,按照业务要求分为层前,层后及终检,其中层前和层后为质量缺陷检测,组件质量缺陷通过EL电致相机拍摄的照片呈现,终检为质量缺陷和外观异常检测两种类型,组件外观异常通过光学相机所拍摄的照片呈现。即层前和层后获得的图片是通过EL电致相机拍摄得到的,而终检工序中获得的图片有两种类型,一种是通过EL电致相机拍摄得到的,一种是通过光学相机拍摄得到的。每个组件都有唯一的序列号,序列号可理解为组件的ID号,是由MES***根据生产部门下发的订单信息生成生产订单,下发订单号和完整的序列号。本发明中光伏组件的结构形式有多种,可根据客户需求定制。以图3的一种光伏组件的俯视图为例进行说明,如图3所示,该组件分A-F共计6行,0-23共计24列,共计有电池片1-1为144块,本发明的组件的结构形式不局限于图3所示。
步骤202、基于***中的质量检测平台根据所述组件的序列号匹配对应的所述图片信息,***中的算法模型进行质量缺陷和/或外观异常的分析;
具体的,MES***下发当前组件的序列号并推送给质量检测平台,进入检测准备阶段。
在层前阶段,由产线***对该组件进行拍照,在实际的生产***中对组件的拍照是按照自动化流程执行的,当组件到达层前阶段检测工位时即可拍照,拍照相机为EL电致发光相机,其照片存储在指定路径下,照片名称中含有序列号信息,质量检测平台根据该组件的序列号找到对应的图片,推送给算法分析模块进行AI检测,算法模型分析检测的结果推送给质量检测平台,算法模型分析输出的结果有质量缺陷种类、缺陷数量、缺陷位置,部分缺陷的面积、部分缺陷的长度,外观异常分类,外观异常位置,外观异常数量等信息,得到该组件的分析结果。
为了更直观的理解组件存在的缺陷,以图4为例进行说明,图4是本发明提供的组件的电池片缺陷瑕疵示意图,图4是图3中B-C行11-17列的局部放大示意,图中b1示意的为“叉状隐裂”缺陷,b2示意的为“虚焊”缺陷,b3示意的为“黑斑”缺陷,b4示意的为“黑边”缺陷,b5示意的为“断栅”缺陷,b6示意的为“线状隐裂”缺陷,图4中的缺陷类型仅用于说明展示,实际中还存在其它缺陷,示意图中不进行一一展示。以b1缺陷为例,结合图4说明,AI检测完毕后,输出的信息为“叉状隐裂”电池片B11、B12,表示B11和B12电池片存在“叉状隐裂”的缺陷,同时对“叉状隐裂”的数量进行统计并对其坐标进行反馈输出,反馈坐标而不直接对图片进行标记的目的是为了在前端进行标记,当出现“误报”情况的时候可在***的复检调整平台进行人工干预取消。此外,如b2示意的“虚焊”缺陷,在***中算法模型的AI检测完毕还可对其面积进行计算并输出相关信息,如b6示意的“线状隐裂”缺陷,在***中算法模型的AI检测完毕还可对其长度进行计算并输出相关信息。即对于组件缺陷检测,***中算法模型的AI检测可识别“虚焊”、“黑斑”、“断栅”、“黑边”、“划痕”、“碎片”、“隐裂”、“不上电”等多种缺陷,对缺陷类型进行输出、对该种类型缺陷的数量及对应位置进行输出,并可按照业务要求,对部分缺陷如“虚焊”面积的大小进行输出,对部分缺陷如“隐裂”长度的大小进行输出。
对于组件外观检测,***中算法模型的AI检测可识别“破碎”、“异物”、“露白”、“脏污”、“间距不良”等多种异常,对异常类型进行输出,对异常的位置和数量进行输出。外观异常检测与质量缺陷检测类似,这里不做赘述。
步骤203、根据***中算法模型的分析的结果,结合所述组件的质量判定评级规则,***中的质量检测平台对所述组件进行质量判断;
具体的,通过***中算法模型的AI检测得到组件的分析结果,输入***中质量检测平台,由质量检测平台根据对应的质量判定评级规则进行初步判断,判断结果为OK的组件,即不存在缺陷的组件,进入下一道工序,判断结果为NG(No Good,不良)的组件,即存在缺陷或异常的组件,其信息反馈给MES***,由MES***控制产线***将该组件转移到其他产线。这里反馈的信息包括组件序列号,订单号等信息。
所述质量判定评级规则进行初步判断的具体规则可按照缺陷类型和数量统计结果来确定,比如缺陷属于质量缺陷还是外观异常缺陷,每个类型的缺陷进一步细分,比如,在质量缺陷中,质量缺陷类型,数量或该类型缺陷所占面积确定,100个检测类型,检测到少于2个缺陷或检测只有一个缺陷,且该缺陷对应的面积小于0.2%,判定组件结果为OK的组件,如果检测到大于等于5个组件,判定组件结果为NG的组件。以上是为了说明质量判定评级规则在初步判断时的具体规则,不作为本发明中质量判定评级规则的限定。
对于质量判定评级规则中所涉及的数字信息,和判定项可支持自定义,可最终由用户确定。
对于组件缺陷检测,AI算法模型可识别“虚焊”、“黑斑”、“断栅”、“黑边”、“划痕”、“碎片”、“隐裂”、“不上电”等多种缺陷,对缺陷类型进行输出、对该种类型缺陷的数量及对应位置进行输出,并可按照业务要求,对部分缺陷如“虚焊”面积的大小进行输出,对部分缺陷如“隐裂”长度的大小进行输出。
对于组件外观检测,AI算法模型可识别“破碎”、“异物”、“露白”、“脏污”、“间距不良”等多种异常,对异常类型进行输出,对异常的位置和数量进行输出。
在组件质量缺陷检测过程中,对于单块光伏组件来说,若被AI检测为OK组件,即无任何缺陷的组件,在AI缺陷检测准确率尚未达到97.0%以前,仍需复检调整,防止出现“漏报”的可能,当AI缺陷检测准确率达到97.0%以上时,可无需复检调整,但为了考虑算法模型更新升级并保障质量检测结果的稳定性,在***投运前期,仍设置随机抽取一定比例的组件进行人工复检,抽检比例支持自定义,抽检比例随缺陷综合检测准确率提高而逐渐降低。若被AI检测为NG组件,即存在缺陷的组件,在AI缺陷检测准确率尚未达到99.0%以前,需进行复检调整,防止出现“误报”或“漏报”的可能,当AI缺陷检测准确率达到99.0%以上时,复检调整可适量减少,可将复检由“全检”改为“抽检”,抽检比例支持自定义。当有复检调整时,组件的缺陷类型和数量,以及缺陷对应的长度或面积信息,为AI检测并进行复检调整后的综合检测结果,当无复检调整时,组件的缺陷类型和数量以及缺陷对应的长度或面积信息,完全按照AI检测输出的结果统计。对于描述中所说的如97.0%和99.0%这种量化数据,其支持自定义,最终的数值按照工艺质量检验部门的评测结果确定。
在外观异常检测过程中,即在终检环节,当外观异常检测的准确率尚未达到95%以前,若被AI检测为OK组件,***按照10%的比例随机抽取进行复检调整,以防止出现“漏报”的情况,当准确率达到或超过95%时,被AI检测为OK的组件可无需复检调整。若被AI检测为NG组件,当准确率未达到95%以前,则全部进行复检调整,防止出现“漏报”或“误报”的情况,当准确率达到或超过95%时,将复检调整由“全检”改为“抽检”,抽检比例支持自定义,最终的数值按照工艺质量检验部门的评测结果确定。
对于复检调整过程中发现AI检测存在“误报”、“漏报”并进行干预调整操作的组件,该组件的原始缺陷图片、AI标记缺陷图片、复检调整缺陷图片以及该组件的AI检测相关信息和复检调整后的相关信息,按照相应的要求进行存储,可用于后续算法模型的训练和升级。
当连续在组件的同一位置区域检测到同一类型的缺陷时,***会触发报警,提醒产线工艺技术人员对生产线进行检查,以减小或排除组件自身之外的因素对组件质量造成的影响。
步骤204、若在终检阶段质量判断结果是存在缺陷,结合***中复检调整平台对组件的调整结果,在***中的质量检测平台确定所述组件的质量分级;
其中,所述组件的序列号和所述组件的质量判定评级规则相关联。
具体的,在组件质量缺陷检测过程中,对于单块光伏组件来说,若被AI检测为OK组件,即无任何缺陷的组件,在AI缺陷检测准确率尚未达到97.0%以前,仍需复检调整,防止出现“漏报”的可能,当AI缺陷检测准确率达到97.0%以上时,可无需复检调整,但为了考虑算法模型更新升级并保障质量检测结果的稳定性,在***投运前期,仍设置随机抽取一定比例的组件进行人工复检,抽检比例支持自定义,抽检比例随缺陷综合检测准确率提高而逐渐降低。若被AI检测为NG组件,即存在缺陷的组件,在AI缺陷检测准确率尚未达到99.0%以前,需进行复检调整,防止出现“误报”或“漏报”的可能,当AI缺陷检测准确率达到99.0%以上时,复检调整可适量减少,可将复检由“全检”改为“抽检”,抽检比例支持自定义。当有复检调整时,组件的缺陷类型和数量,以及缺陷对应的长度或面积信息,为AI检测并进行复检调整后的综合检测结果,当无复检调整时,组件的缺陷类型和数量以及缺陷对应的长度或面积信息,完全按照AI检测输出的结果统计。对于描述中所说的如97.0%和99.0%这种量化数据,其支持自定义,最终的数值按照工艺质量检验部门的评测结果确定。
在外观异常检测过程中,即在终检环节,当外观异常检测的准确率尚未达到95%以前,若被AI检测为OK组件,***按照10%的比例随机抽取进行复检调整,以防止出现“漏报”的情况,当准确率达到或超过95%时,被AI检测为OK的组件可无需复检调整。若被AI检测为NG组件,当准确率未达到95%以前,则全部进行复检调整,防止出现“漏报”或“误报”的情况,当准确率达到或超过95%时,将复检调整由“全检”改为“抽检”,抽检比例支持自定义,最终的数值按照工艺质量检验部门的评测结果确定。
对于复检调整过程中发现AI检测存在“误报”、“漏报”并进行干预调整操作的组件,该组件的原始缺陷图片、AI标记缺陷图片、复检调整缺陷图片以及该组件的AI检测相关信息和复检调整后的相关信息,按照相应的要求进行存储,可用于后续算法模型的训练和升级。
在终检阶段,如果质量检测平台判断该组件的结果是NG,即存在缺陷或异常,所述组件的质量缺陷和外观异常的图片信息输入复检调整平台进行复检调整,确定AI检测中是否存在“漏报”和“误报”的情况,复检完毕后,该组件被质量检测平台基于质量判定评级规则标记质量等级的标签,比如“B级”、“C级”、“报废”,并将等级信息反馈给MES***。同时,复检后确定存在未检出或误检的所述组件的质量缺陷和外观异常的图片信息会作为训练样本,用于对***中的算法模型进行训练升级。
并且质量检测结果为OK的组件,即不存在缺陷的组件,默认的质量评级为“A级”。此处对质量等级的区分仅仅是示例性说明,质量等级可以自定义,按照客户需求或者生产需求等客制化。
本发明提供的一种组件缺陷检测质量分级的方法,通过在终检阶段对组件的图片信息进一步复核调整处理,结合质量判定评级规则,对所述组件进行质量评级,实现组件的自动化分级,提高组件质量缺陷及外观异常检测的效率及一致性。
可选的,所述若在终检阶段质量判断结果是存在缺陷,结合***中复检调整平台对组件的调整结果,在***中的质量检测平台确定所述组件的质量分级,包括:
若在终检阶段质量判断结果是存在缺陷,基于***中复检调整平台,对图片信息中的质量缺陷和/或外观异常进行复检,调整图片的分析结果;
***中的质量检测平台将调整后的图片的分析结果结合质量判定评级规则,确定存在缺陷的所述组件的质量分级。
具体的,在终检阶段,将质量缺陷检测的图片信息和外观异常检测的图片信息输入算法模型,在算法模型中采用对应的AI检测,对所述图片进行分析,确定所述图片中存在的质量缺陷和外观缺陷,其中质量缺陷包括:缺陷类型,缺陷数量,缺陷位置,缺陷面积大小,缺陷长度大小。外观缺陷包括:外观异常分类,外观异常位置,外观异常数量。根据所述分析结果,在质量检测平台的质量判断结果是存在缺陷,则将所述图片信息输入复检调整平台再次进行复检,确定之前AI算法确定的缺陷是否正确,并及时的修正,是否存在遗漏未识别出来的缺陷,正确标记出来并做好记录。
再将修正后的分析结果发送给***中的质量检测平台,该平台按照质量判定评级规则,确定存在缺陷的所述组件的质量分级。
因为AI检测中可能存在“漏报”或者“误报”的缺陷,对于AI检测“漏报”的缺陷,复检调整平台具备人工标记的功能,由人工在相应的缺陷位置标记缺陷类型,对于AI检测“误报”的缺陷,复检调整平台具备人工取消的功能,可在“误报”区域右键选择以取消AI对于此处缺陷的标记,当由人工复检完毕所有的缺陷类型后,***自动统计最终的缺陷数量和缺陷类型,并将原始组件图片、AI标记图片和人工复检图片分别进行存储,并记录此组件的相关信息,如组件编号、缺陷种类及缺陷数量、缺陷位置等信息,“漏报”缺陷类型、数量及位置等信息,“误报”缺陷类型、数量及位置等信息。
本发明提供的一种组件缺陷检测质量分级的方法,通过在终检阶段对组件的图片信息进一步复核调整处理,结合质量判定评级规则,对所述组件进行质量评级,实现组件的自动化分级,提高组件质量缺陷及外观异常检测的效率及一致性。
可选的,所述根据***中算法模型的分析结果,结合所述组件的质量判定评级规则,***中的质量检测平台对所述组件进行质量判断,包括:
根据***中的MES***生成的订单以及所述组件的完整序列号,***中的质量检测平台在预设置的质量判定评级规则中选择匹配的所述质量判定评级规则,其中所述预设置的质量判定评级规则是根据客户需求自定义的。
具体的,该***中的质量判定评级规则是根据客户需求自定义,也可按照不同的生产批次,自定义针对不同质量缺陷的评级标准,比如针对某种缺陷面积大小和数量多少或某种缺陷长度的定义,实现柔性评级。或者质量评级规则按照缺陷瑕疵数量和该类型缺陷所占面积确定,不同种类的缺陷类型,其质量评级规则不同。比如,针对“单条隐裂”这种缺陷,对于“A级”即最高等级组件的定义,要求组件中出现“单条隐裂”的电池片须≤4片,且隐裂长度≤1/4电池片长边长度或1/2短边长度,且失效面积不超过5%。对于“B级”组件的定义,超出“优质”组件标准,且隐裂电池片的数量≤16片。对于“C级”组件的定义,隐裂电池片的数量>16片,但是能够发电。对于“报废”组件的定义,超出“C级”组件标准,且不能够发电。诸如“单条隐裂”这种量化定义方式,对于其它缺陷如“碎片”、“虚焊”、“断栅”、“划痕”等缺陷的评级,均可按照相关的标准进行量化区分。对于质量评级规则中所涉及的数字信息,可支持自定义,由最终用户确定。
对应的组件的完整序列号,以及订单号都与质量判定评级规则存在关联关系。可按照不同的订单匹配不同的质量评级规则,订单号中的某一位或者某几位数字可与质量评级规则关联,订单号为生产部门人工根据编号规则编制,质量评级规则生成以后,将质量评级规则通过接口推送给MES***,该组件进入生产过程中的第一道工序,MES***下发当前组件的序列号并推送给质量检测平台,进入检测准备阶段。
本发明提供的一种组件缺陷检测质量分级的方法,通过在终检阶段对组件的图片信息进一步复核调整处理,结合质量判定评级规则,对所述组件进行质量评级,并将质量评级结果推送给MES***,由MES***控制组件生产线,实现组件的自动化分级,提高组件质量缺陷及外观异常检测的效率及一致性。
可选的,所述若在终检阶段质量判断结果是存在缺陷,结合***中复检调整平台对组件的调整结果,在***中的质量检测平台确定所述组件的质量分级之后,包括:
将在终检阶段所述质量判断结果是存在缺陷的图片输入复检调整平台;
以所述复检调整平台确定的存在未检出或误检的所述图片信息作为训练***中所述算法模型的训练样本,对算法模型进行训练,并将训练完成后的算法模型更新到***的平台端。
具体的,图5是本发明提供的组件缺陷检测质量分级的方法的功能架构图,按照“产线端”、“工厂端”、“平台端”三层架构设计,其中:
产线端主要包括采集源和服务层,采集源主要指质量缺陷检测用图片数据和外观异常检测用图片数据,以及MES业务数据,图片数据可以通过摄像头直接获取或从指定路径获取,在本发明中,从指定路径中获取两种类型的图片数据,业务数据按照API(Application Programming Interface,应用程序接口)接口方式获取。服务层主要指质量缺陷瑕疵图像采集服务和外观异常图像采集服务,以及与MES交互时的业务***数据。
工厂端主要包括存储层和服务层,存储层包括MySQL、EMQ X、Kafka、InfluxDB、IoTDB、对象存储,服务层包括算法管理中心、数据反馈中心、质量评级中心、复检调整中心、报表中心和算法服务。其中算法管理中心用于对EL缺陷和外观缺陷检测算法模型进行管理和维护,数据反馈中心用于将工厂端的算法数据上传到平台端即云端,质量评级中心用于管理质量评级分类规则,并按照不同订单的质量评级标准对AI检测完毕的组件进行分级,复检调整中心用于对AI检测完毕并且存在缺陷的组件进行复检,对AI检测完毕后的“误报”、“漏报”等异常情况进行处理,报表中心用于对产量、缺陷种类、缺陷组件数量等进行图表展示,算法服务用于管理算法服务的启停并提供算法模型计算服务。
平台端主要为服务层,包括算法市场和安全中心,由于算法模型需要定期加入“误报”、“漏报”的样本进行训练,训练升级之后的算法模型放进算法市场,供工厂端获取以进行算法模型的更新,用以提高质量缺陷检测和外观检测的准确率,安全中心用于进行实时识别、分析、预警安全威胁。
在终检阶段,将所述质量判断结果是存在缺陷但算法模型未检出或误检的的图片信息作为***中算法模型的训练样本,对算法模型进行训练完成,并经过准确率验证以后,可在平台端发布更新后的算法模型,工厂工作人员可获取最新的算法模型,考虑到产线工作的稳定性,算法模型更新按照离线方式进行,经过可靠性、稳定性测试完毕后,在合适的时间也可按照热更新的方式执行。通过这种方式提高了质量缺陷检测和外观异常检测的准确率。
在实际生产控制流程中,是由MES***发送指令给自动化***,再由自动化***来控制对应组件的生产线。
本发明提供的一种组件缺陷检测质量分级的方法,通过在终检阶段对组件的图片信息进一步复核调整处理,结合质量判定评级规则,对所述组件进行质量评级,并将质量评级结果推送给MES***,由MES***控制组件生产线,实现组件的自动化分级,提高组件质量缺陷及外观异常检测的效率及一致性。同时对***的算法进行更新升级,提高***算法模型检测的准确率。
可选的,所述方法还包括:
***中的MES***接收所述组件的质量分级信息,控制***中的产线***,对所述组件进行分流。
具体的,在终检阶段,如果质量检测平台判断该组件的结果是NG,即存在缺陷,所述组件的质量缺陷和外观缺陷的图片信息输入复检调整平台进行复检调整,确定AI检测中是否存在“漏报”和“误报”的情况,复检完毕后,该组件被质量检测平台基于质量判定评级规则标记质量等级的标签,比如:“B级”、“C级”、“报废”,并将等级信息反馈给MES***。MES***通过与产线***的交互,控制产线***按照不同的产线流程,将标记不同质量等级的组件按照对应的产线流程进入下一步的工艺流程,实现对不同质量等级的组件的分流。
当AI检测完毕该组件的质量缺陷和外观异常后,对该组件的缺陷或者异常信息进行输出,并在终检阶段对存在缺陷的组件进行复检调整,在***的复检调整平台进行查看复检,最终的结果反馈给质量检测平台,***按照该批组件的质量判定评级规则,结合该组件的最终质量检测结果进行分级,分级结果如“A级”、“B级”、“C级”、“报废”,并将此信息反馈给MES***,由MES控制产线***进行该光伏组件的分流。图6是本发明提供的组件分级的工序单元结构及组件转移流程示意图,如图6所示,当组件1检测结果为OK时,沿组件传输单元2传输至下一工序,当组件检测结果为NG时,组件1会被传输单元的中间传输带模块执行升起,升起如图6(a)所示;中间传输带模块带动传送带旋转,旋转如图6(b)所示;分级传输,分级传输如图6(c)所示,组件1会被传输单元中间传输带传输至分级传输单元3上面,随后传输至与该组件匹配的分级区域,当分级过程执行完毕时,传输单元2的中间传输带反向旋转、下降回归至初始位如图6(d)所示。分级传输仅为示意图,使用机械手(机器人)也可达到同类效果,不做详细描述。
当分级结果为“A级”时,产线不做分流,其中组件1还在当前产线,组件输送单元2传输该组件进入下一工序;当分级结果为“B级”、“C级”或“报废”时,组件1经过组件输送单元的升降旋转传输模块转至组件分拣单元3进行传输,本发明中的组件输送单元2和组件分拣单元3仅为示意图,用于辅助说明组件评级之后的分级过程,其机械结构本身为常见设备,在本发明中不再赘述。
本发明提供的一种组件缺陷检测质量分级的方法,通过在终检阶段对组件的图片信息进一步复核调整处理,结合质量判定评级规则,对所述组件进行质量评级,并将质量评级结果推送给MES***,由MES***控制组件生产线,实现组件的自动化分级,提高组件质量缺陷及外观异常检测的效率及一致性。
图7是本发明提供的组件缺陷检测质量分级的方法的数据流程示意图,数据源有三类,分别是用来反馈组件外观异常的外观图片,用来反馈组件质量缺陷的EL图片,用于进行业务交互的MES生产数据,数据采集分别是对此三类数据进行采集,并经过消息服务器EMQ X传输给分布式发布订阅消息***Kafka,其中的关系型数据如从MES***获取的订单信息、质量判定评级规则等进入MySQL,时序数据如每个待检测组件的序列号信息进入InfluxDB进行存储,EL图片和外观图片推送给AI算法模型进行检测,AI检测完毕的结果图片送入对象存储服务进行存储,AI检测的结果信息如缺陷类型、某种类型缺陷的数量等信息经过数据服务提供给质量监测平台并经Kafka送入MySQL进行存储,复检调整平台应用所需的数据通过应用服务从数据存储的各类型数据库里面获取。
为了更清楚的说明本发明的整个流程,结合图8做出如下说明。图8是本发明提供的组件缺陷检测质量分级的方法的流程示意图,如图8所示,包括但不限于如下步骤:
步骤S1,先通过MES获取该批待生产的组件信息,其中组件信息包括,组件的序列号,相关的订单号,并由***中质量检测平台根据组件的序列号和相关的订单号确定匹配的质量判定评级规则;
对组件质量的判定主要包括层前阶段检测、层后阶段检测和终检阶段检测,其中涉及到AI检测的环节也是这三处,层前阶段和层后阶段主要是EL缺陷检测,终检阶段包括EL缺陷检测和外观质量异常检测。
步骤S2,在层前阶段检测环节,获取组件的EL图片进行AI检测,AI检测完毕标记为OK的组件直接进入下一道工序,AI检测完毕标记为NG的组件转移到其他产线。
步骤S3,在层后阶段检测环节,其工艺方法与层前阶段检测方法类似。
步骤S4,终检阶段检测,属于最后一道质检过程,包括对EL图片进行质量缺陷检测和外观图片进行外观异常检测,先进行EL图片缺陷检测后进行外观图片异常检测,AI检测为OK的组件进入下一道工序,AI检测为NG的组件进入复检调整平台进行复检,对组件的检测结果进行修正,***会自动记录修正后的缺陷和异常信息。此外,前期为了让检测更加准确并对算法的可靠性进行验证,会随机抽取10%的OK组件进行复检。
步骤S5,基于该批组件的质量评级规则,结合所输出的缺陷和质量信息,实现组件“A级”、“B级”、“C级”、“报废”等级的区分,需要说明的是,最终的质量判定规则是EL图片缺陷检测质量结果和外观图片质量检测结果的综合判定结果,取二者之间的较差等级作为该组件的最终质量等级。
步骤S6,组件质量等级信息,即该组件是属于“A级”、“B级”、“C级”、“报废”中的哪一种,其信息推送给MES***,由MES***给产线***下发指令,控制产线***实现该组件的分流。
图9是本发明提供的组件缺陷检测质量分级***的业务流程示意图,如图9所示,该组件缺陷检测质量分级***包括:
产线***,MES***,质量检测平台,算法模型,复检调整平台和平台端,所述产线***用于获取组件在层前阶段、层后阶段以及终检阶段的图片信息;其中,每个所述图片信息包含所述组件对应的序列号;所述算法模型用于基于质量检测平台根据所述组件的序列号匹配对应的所述图片信息,进行质量缺陷和/或外观异常的分析;所述质量检测平台用于根据***中算法模型的分析的结果,结合所述组件的质量判定评级规则,对所述组件进行质量判断;所述复检调整平台用于若在终检阶段质量判断结果是存在缺陷,结合***中复检调整平台对组件的调整结果,确定所述组件的质量分级;所述MES***用于生成订单信息以及所述组件完整序列号,并接收所述组件的质量分级信息,控制***中的产线***,对所述组件进行分流;所述平台端用于对训练调优完毕的算法模型进行存储和发布。
具体的,按照业务流程的顺序,MES***根据生产部门下发的订单信息生成生产订单,下发订单号和完整的序列号,序列号可以理解为组件的ID号,每一个组件都有唯一的序列号,质量检测平台通过接口协议获取并记录MES***的订单号以及序列号,根据该批订单号生成质量判定评级规则,需要说明的是,质量检测平台中的质量判定评级规则支持自定义,为预先定义的规则,可按照不同的订单匹配不同的质量判定评级规则,订单号中的某一位或者某几位数字可与质量评级规则关联,订单号为生产部门人工根据编号规则编制,质量判定评级规则生成以后,将其通过API接口或者MQTT(Message Queuing TelemetryTransport,消息队列遥测传输协议)传输协议推送给MES***,该组件进入生产过程中的第一道工序,其他与检测无关的工序工步在本发明中不进行说明,MES***下发当前组件的序列号并推送给质量检测平台,进入检测准备阶段。
在层前阶段,由产线***对该组件进行拍照,其拍照是按照自动化流程执行的,当组件到达层前阶段检测位置时即可拍照,拍照相机为EL电致发光相机,其照片存储在指定路径下,照片名称中含有序列号信息,质量检测平台根据该组件的序列号找到对应的图片,推送给算法模型进行AI检测,算法模型分析检测的结果推送给质量检测平台,算法模型分析输出的结果有缺陷种类、缺陷数量、部分缺陷的面积、部分缺陷的长度等信息,由质量检测平台根据质量判定规则进行判断,判断结果为OK的组件,进入下一道工序,检测结果为NG的组件,其信息反馈给MES***,由MES***控制产线***将该组件转移到其他产线进行人工修复,转移并进行人工修复的环节在此不做详细描述。
在层后阶段,其检测工艺技术路线与层前阶段类似,这里不再展开说明。
在终检阶段,由产线***控制EL相机和光学相机当组件到达待检位置后进行拍照,并分别对照片进行存储,EL相机所拍的照片名称和光学相机所拍摄的照片名称均包含该组件的序列号信息,由质量检测平台根据该组件的序列号找到该组件当前的照片并推送给算法模型进行分析,此处的算法模型为两个,一个EL图片质量缺陷瑕疵检测算法模型,一个光学外观异常检测算法模型。对于缺陷瑕疵,算法检测完毕输出的结果包含有缺陷类型、该类型缺陷所处位置信息、该类型缺陷数量、特定缺陷类型的面积大小、特定缺陷类型的尺寸大小等信息,对于外观异常,该算法检测完毕输出的结果包含有异常类型、该类型异常所处位置信息、该类型异常数量、部分异常类型的面积、尺寸、长度等信息。此类信息推送给质量监测平台,质量检测平台根据当前批次组件的质量判定规则进行判断,当判断为OK的组件,在AI缺陷瑕疵检测综合准确率未达到97%且外观异常检测综合准确率尚未达到95%时,进行比例自定义的抽检进行复检调整,比如抽检10%的OK组件进行复检调整,当准确率达到相应的要求后,OK组件的抽检过程可以取消即比例自定义为0%。当判断为NG的组件,其质量缺陷图片和外观异常图片推送给***中的复检调整平台,进行终检,终检的目的主要是为了复检,防止出现“漏报”和“误报”的情况,终检过程中,若无“漏报”或“误报”的情况,将直接进入质量检测平台质量评级环节,当AI检测完毕的结果存在“漏报”或“误报”的情况,需进行复检调整,复检调整完毕的AI检测结果进入质量检测平台的质量判定评级环节,在质量评级环节该组件将被质量检测平台基于质量判定规则打上质量等级的标签,如“B级”、“C级”、“报废”,并将等级信息反馈给MES***,由MES***通过自动化***实现该组件的分流。
在复检调整平台确定存在“漏报”和/或“误报”的情况下,将其对应的EL图片和外观异常图片作为算法模型的训练样本,对算法模型进行训练,训练完成即升级了算法模型,经过准确率验证以后,将对应的算法模型更新到***的平台端,在平台端发布更新后的算法模型,工厂工作人员可获取最新的算法模型,考虑到产线工作的稳定性,算法模型更新按照离线方式进行,经过可靠性、稳定性测试完毕后,在合适的时间也可按照热更新的方式执行。
需要说明的是,本发明提供的组件缺陷检测质量分级的***可以与上文描述的本发明提供的组件缺陷检测质量分级的方法对应参照。而且该***能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种组件缺陷检测质量分级的方法,其特征在于,包括:
***中的产线***获取组件在层前阶段、层后阶段以及终检阶段的图片信息;其中,每个所述图片信息包含所述组件对应的序列号;
基于***中的质量检测平台根据所述组件的序列号匹配对应的所述图片信息,***中的算法模型进行质量缺陷和/或外观异常的分析;
根据***中算法模型的分析的结果,结合所述组件的质量判定评级规则,***中的质量检测平台对所述组件进行质量判断;
若在终检阶段质量判断结果是存在缺陷,结合***中复检调整平台对组件的调整结果,在***中的质量检测平台确定所述组件的质量分级;所述质量分级至少包括四个等级,其中之一为报废;
其中,所述组件的序列号和所述组件的质量判定评级规则相关联;所述图片信息包括进行质量缺陷和/或外观异常的分析的两类图片,进行质量缺陷分析的图片是通过EL电致发光相机拍摄,进行外观异常分析的图片是通过光学相机拍摄;
所述若在终检阶段质量判断结果是存在缺陷,结合***中复检调整平台对组件的调整结果,在***中的质量检测平台确定所述组件的质量分级之后,包括:
将在终检阶段所述质量判断结果是存在缺陷的所述图片输入复检调整平台;
以所述复检调整平台确定的存在未检出或误检的所述图片信息作为训练***中所述算法模型的训练样本,对算法模型进行训练,并将训练完成后的算法模型更新到***的平台端。
2.根据权利要求1所述的组件缺陷检测质量分级的方法,其特征在于,所述若在终检阶段质量判断结果是存在缺陷,结合***中复检调整平台对组件的调整结果,在***中的质量检测平台确定所述组件的质量分级,包括:
若在终检阶段质量判断结果是存在缺陷,基于***中复检调整平台,对图片信息中的质量缺陷和/或外观异常进行复检,调整图片的分析结果;
***中的质量检测平台将调整后的图片的分析结果结合质量判定评级规则,确定存在缺陷的所述组件的质量分级。
3.根据权利要求1所述的组件缺陷检测质量分级的方法,其特征在于,所述根据***中算法模型的分析结果,结合所述组件的质量判定评级规则,***中的质量检测平台对所述组件进行质量判断,包括:
根据***中的MES***生成的订单以及所述组件的完整序列号,***中的质量检测平台在预设置的质量判定评级规则中选择匹配的所述质量判定评级规则,其中所述预设置的质量判定评级规则是根据客户需求自定义的。
4.根据权利要求1所述的组件缺陷检测质量分级的方法,其特征在于,所述方法还包括:
***中的MES***接收所述组件的质量分级信息,控制***中的产线***,对所述组件进行分流。
5.一种组件缺陷检测质量分级的***,其特征在于,包括:
产线***,MES***,质量检测平台,算法模型,复检调整平台和平台端,所述产线***用于获取组件在层前阶段、层后阶段以及终检阶段的图片信息;其中,每个所述图片信息包含所述组件对应的序列号;所述算法模型用于基于质量检测平台根据所述组件的序列号匹配对应的所述图片信息,进行质量缺陷和/或外观异常的分析;所述质量检测平台用于根据***中算法模型的分析的结果,结合所述组件的质量判定评级规则,对所述组件进行质量判断;所述复检调整平台用于若在终检阶段质量判断结果是存在缺陷,结合***中复检调整平台对组件的调整结果,确定所述组件的质量分级;所述质量分级至少包括四个等级,其中之一为报废;所述MES***用于生成订单信息以及所述组件完整序列号,并接收所述组件的质量分级信息,控制***中的产线***,对所述组件进行分流;所述平台端用于对训练调优完毕的算法模型进行存储和发布;
其中,所述组件的序列号和所述组件的质量判定评级规则相关联;所述图片信息包括进行质量缺陷和/或外观异常的分析的两类图片,进行质量缺陷分析的图片是通过EL电致发光相机拍摄,进行外观异常分析的图片是通过光学相机拍摄;
所述质量检测平台若在终检阶段质量判断结果是存在缺陷,结合***中复检调整平台对组件的调整结果,在***中的质量检测平台确定所述组件的质量分级之后,还用于:
将在终检阶段所述质量判断结果是存在缺陷的所述图片输入复检调整平台;
所述算法模型,用于以所述复检调整平台确定的存在未检出或误检的所述图片信息作为训练***中所述算法模型的训练样本,进行训练,并将训练完成后的算法模型更新到***的平台端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110762779.0A CN113567446B (zh) | 2021-07-06 | 2021-07-06 | 组件缺陷检测质量分级的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110762779.0A CN113567446B (zh) | 2021-07-06 | 2021-07-06 | 组件缺陷检测质量分级的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113567446A CN113567446A (zh) | 2021-10-29 |
CN113567446B true CN113567446B (zh) | 2022-07-19 |
Family
ID=78163852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110762779.0A Active CN113567446B (zh) | 2021-07-06 | 2021-07-06 | 组件缺陷检测质量分级的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113567446B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118878B (zh) * | 2022-01-21 | 2022-05-24 | 深圳市信润富联数字科技有限公司 | 一种基于轮毂检测评审框架的在线集中质量分析决策*** |
CN114723682A (zh) * | 2022-03-22 | 2022-07-08 | 厦门微亚智能科技有限公司 | 产品缺陷管理方法、***及计算机可读存储介质 |
CN116344378B (zh) * | 2023-03-31 | 2024-01-23 | 江苏神州新能源电力有限公司 | 一种光伏板生产用智能检测***及其检测方法 |
CN117923096B (zh) * | 2024-03-21 | 2024-05-28 | 凯多智能科技(上海)有限公司 | 电池托盘检测方法、装置、输送***、介质及程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109060817A (zh) * | 2018-05-24 | 2018-12-21 | 牧德科技股份有限公司 | 人工智能复检***及其方法 |
CN109239075A (zh) * | 2018-08-27 | 2019-01-18 | 北京百度网讯科技有限公司 | 电池检测方法及装置 |
CN112908877A (zh) * | 2021-01-19 | 2021-06-04 | 上海擎昆信息科技有限公司 | 一种光伏电池片检测方法、***、电子设备及存储介质 |
TWI732683B (zh) * | 2020-09-17 | 2021-07-01 | 翁敏航 | 太陽能發電模組缺陷智慧診斷系統與方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103022219A (zh) * | 2011-09-20 | 2013-04-03 | 苏州索力旺光伏设备有限公司 | 一种光伏组件质量自动检测方法 |
JP2013088247A (ja) * | 2011-10-17 | 2013-05-13 | Toppan Printing Co Ltd | 品質監視システム及び品質監視方法 |
CN109975321A (zh) * | 2019-03-29 | 2019-07-05 | 深圳市派科斯科技有限公司 | 一种用于fpc的缺陷检测方法和装置 |
CN111855668A (zh) * | 2020-07-17 | 2020-10-30 | 上海洪朴信息科技有限公司 | 一种产品缺陷检测*** |
CN112184665A (zh) * | 2020-09-27 | 2021-01-05 | 苏州嘉展科技有限公司 | 一种应用于纸塑行业的人工智能缺陷侦测*** |
-
2021
- 2021-07-06 CN CN202110762779.0A patent/CN113567446B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109060817A (zh) * | 2018-05-24 | 2018-12-21 | 牧德科技股份有限公司 | 人工智能复检***及其方法 |
CN109239075A (zh) * | 2018-08-27 | 2019-01-18 | 北京百度网讯科技有限公司 | 电池检测方法及装置 |
TWI732683B (zh) * | 2020-09-17 | 2021-07-01 | 翁敏航 | 太陽能發電模組缺陷智慧診斷系統與方法 |
CN112908877A (zh) * | 2021-01-19 | 2021-06-04 | 上海擎昆信息科技有限公司 | 一种光伏电池片检测方法、***、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113567446A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113567446B (zh) | 组件缺陷检测质量分级的方法及*** | |
US11449980B2 (en) | System and method for combined automatic and manual inspection | |
EP3102018A1 (en) | Quality management device and method for controlling quality management device | |
CN103369952B (zh) | 基板检查结果的分析作业支援用信息显示***及支援方法 | |
CN110989521A (zh) | 一种生产线智能管理*** | |
US6909927B2 (en) | Apparatus and method for monitoring manufacturing status | |
CN105783971A (zh) | 一种计量器具自动化检定流水线 | |
CN109976289B (zh) | 生产线kpi监测方法、装置、电子设备及可读介质 | |
JPH08297699A (ja) | 製造不良解析支援システム、製造システム、および製造不良解析支援方法 | |
CN110597196A (zh) | 数据采集***及数据采集方法 | |
US20220284699A1 (en) | System and method of object detection using ai deep learning models | |
CN111598491B (zh) | 一种应用于aoi检测的数据监测方法及电子设备 | |
CN110676191B (zh) | 一种基于mes***的led晶圆测试拆机分组合收方法 | |
CN116665401A (zh) | 一种化工生产用防事故报警*** | |
CN114137302B (zh) | 一种电能计量器具检定全过程监控*** | |
Cemenska et al. | AFP automated inspection system performance and expectations | |
CN114707832A (zh) | 一种组装工艺防错控制的智能生产排单方法 | |
CN115169876A (zh) | 磁性元器件产线闭环管理方法、计算机设备及存储介质 | |
CN109409728B (zh) | 一种可配置物料清单的完整性检测方法和*** | |
JP2002297669A (ja) | 点検支援システム | |
TW202230281A (zh) | 圖像複檢方法、電腦裝置及儲存介質 | |
CN109828545B (zh) | Ai智能过程异常识别闭环控制方法、主机及装备*** | |
CN116612077A (zh) | 一种电路板检测方法及*** | |
CN113269736B (zh) | 紧固件尺寸的自动化检验方法、***及介质 | |
CN113378810B (zh) | 一种螺丝锁附检测方法、装置、设备和可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |