光伏组件制造过程中的缺陷检测涵盖的数据量庞大，对于质量和工艺管理的重要性高，技术难度较大。目前绝大部分的制厂还是通过传统的人工判断来进行缺陷的检查和分类，但是因为人工检查的一致性、准确性、效率性较低、误判错判等问题，不利于质量提升和现代化智能制造的发展。

利用人工智能“神经网络”技术可以彻底解决这一难题，通过对缺陷的定义，机器的深度学习后可准确的进行缺陷的识别，准确率可以达到99.94%以上；具有识别速度快、准确率高、智能化程度高、集成方便、节约制造成本等优点。在光伏制造的识别判断制程如EL缺陷测试、标签判断、外观检查等环节具有广阔的应用，可真正实现智能制造。为此，诺威特测控为大家带来最新黑科技：全自动电池片EL分选机（EL缺陷测试仪）

神经网络，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。
深度学习是神经网络的一个大分支，深度学习的基 本结构就是深度神经网络。简而言之是机器学习中一种 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，如每个像素强度值的向 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容易从实例中学习任 务（例如，人脸识别或面部表情识别）。

EL缺陷深度学习
目前EL图片处理方法使用图片灰度扫描对比方法
但是遇到复杂的图片，缺陷临界不明显的情况下，导致无法判断

EL缺陷深度学习
深度学习方法
通过对图片缺陷的标注，输入机器，机器通过缺陷特征的自学和深度学习，建立多层学习网络，就能掌握并准确的进行缺陷的自动识别。

EL缺陷深度学习过程
通过对图片缺陷的标注，输入机器，机器通过多缺陷特征的自学习和深度学习，建立多层学习网络，就能掌握并准确的进行缺陷的自动识别。

全自动电池片EL分选机
采用下拍摄，多组扫描式，组件传输方式是横向传输；
样品放置方式是平放式，组件正面朝下；
检测类型是单晶、多晶硅太阳能组件；
样品规格：常规装框组件、双玻组件、半片组件
测试节拍：高电流（Isc）& 低电流（0.1 Isc）：< 38s/pcs；高电流（Isc）：< 30s/pcs；
相机类 型是工业级CCD
图像分辨率1 3 6 0 X 1 0 2 4 X（9 / 1 2 ）；
显示系统 4 K显示器，完美匹配图像分辨率 ；
影像采集时间是1~60s可调；最大电流/电压驱动是1 0 A / 6 0 V ；
外观检测缺陷类型：色差、条形码错误、方正偏移、玻 璃面印痕、玻璃面脏污、异物、划伤、气泡、白斑、焊带偏移、电池片间距、电池片错位；
全自动电池片EL分选机缺陷检测的方式是：无人化自动检测 ；

全自动电池片EL分选机优势
使用人工智能进行EL缺陷检测是最高效准确的方法
较高的准确性和速度是制造厂提高产能和降低成本的有力保障
后续的可扩展和可升级、可以降低设备和管理的投资成本
智能判别技术加速工厂智能制造进程