晟成光伏强势推出光伏组件生产全流程视觉AI+检测及大数据平台

晟成光伏联合优层智能推出光伏组件生产全流程视觉AI+检测及大数据平台，在各品质及工艺关键结点设置视觉采集设备，通过视觉AI技术对图像进行分析，得到品质工艺所需的检出数据；进一步将全流程的检测数据打通，形成大数据平台，结合专家系统，得到快速精准的管控策略，从而达到提升产品品质、杜绝连续缺陷产生、降低返修率、提升产线顺畅度等目标。

01引言

近年来，我国光伏产业发展迅速，中国光伏行业新增装机连续8年居全球首位。以人工智能、工业互联网、大数据等新兴技术为依托的智能制造与光伏行业的结合时机已经成熟。

在品质管控及工艺分析方面，AI+视觉技术在光伏组件生产场景下落地应用经过近五年时间，目前已经进入全面展开阶段。在此背景下，晟成光伏联合优层科技强势推出组件生产全流程检测及大数据平台，旨在全面提升组件生产行业的数据化、智能化，优化生产资源配置、杜绝或减少批量缺陷产生、卡控重要缺陷传递、实现生产效率及产品品质双提升。

02视觉AI+检测节点

2.1 技术平台简介

我们自主研发的闭源图像算法基于人工智能技术，经自主开发并成功应用于工业场景，能够实现小样本、高精度的AI检出。

该算法是基于线性数学、非线性矫正、多图像融合以及深度神经网络等技术综合打造的，能够灵活应用于光伏组件生产流程各个环节。算法平台可独立提供对接成像设备、流程线、数据控制中心等软、硬件，实用性、扩展性极强，已经成功在各环节成功应用。

2.2 光伏组件生产全流程应用节点

下图将主要光伏组件生产流程的各监测点进行了简单梳理。可以看出，针对各结点，我们都有对应的视觉检测解决方案。

图1 光伏组件流程梳理

2.2.1 EL及外观串检

串焊机作为整个组件生产环节中层前最重要的工序，对其进行在线实时检测，及时发现运行参数波动，避免批量缺陷产生，对整线运行有着突出的重要性。

（1）EL串检

串EL的AI模型可以覆盖全部电池片及串的工艺类型。系统可以可以自主设定15x-210的电池片尺寸、兼容有无倒角电池片；缺陷类型包括隐裂、虚焊、黑片、明暗片、断栅、黑斑、划伤等，并可以对各检出项进行阈值设定以达到不同客户、不同来料的工艺要求。

（2）外观串检

针对EL不能检出的项目，如片间距、焊带偏移、焊带过长（搭接短路风险）、助焊剂残留、异物等，需要增加串检外观项目，使用先进的线扫相机，可以得到高清图片。该项目对比同行类似方案，检出效果更稳定可靠。

图2 串检功能示意图

（3）串长、端部焊带检测

在移栽排版一体机中，增加了串长及端部焊带检测，串长过长过短、端部焊带消失、角度偏转、长度不足、焊带错位等缺陷都能被检出。

2.2.2 摆串后反面外观检测

组件从摆串机出来后，反面朝上，在此处设置图像采集装置，配合算法可以检出电池串间距不良、爬电距离不足、电池片破片（较大）、较大脏污异物等问题。

2.2.3 叠焊后反面外观检测

经过叠焊后，在二铺之前，可以清晰看到汇流条及引出线的位置信息，在此处可以检出焊带偏移、汇流条引出点位置、电池串间距、爬电距离等缺陷。

2.2.4 二铺后外观检测

二铺后的主要问题存在于可能引出线未能穿出孔，导致后续工序无法正常运行，在此处针对引出线进行拍摄，可以有效卡住不良。

2.2.5 层前、层后EL、外观检测

EL、外观检测设备已经在业内成熟应用多年，我们结合AI人工智能的全自动检出系统也已经成功应用于多个龙头企业的实际产线中。

AI模型涵盖EL及外观所有检出项目，如虚焊、隐裂、划痕、断栅、破片、并串、焊带偏移等等，覆盖所有电池片类别，兼容所有版型；另外，检出采用先出后判模式，产线节拍优于导入AI系统前。从几年系统稳定应用到实际产线的运行数据来看，平台切实节省了人工、大大降低了组件降级率。

系统解决方案方面，我们提供单机、合机、集中判定等多种运行模式，切换方便快捷。以三条产线合机模式为例，从下图可以看出，只需要一个人来对AI的检出进行复判则可以完成所有日常工作，如下图：

图3 EL及外观检测系统

2.2.6层压后外观检测

层后外观检测项目主要针对层压后的组件外观进行拍摄，包括对单玻组件拍摄正面外观，双玻组件全部拍摄，检测层压过程产生的气泡、电池片碎裂等缺陷。通过对层压后的组件进行检测，如果发现有连续缺陷产生，则可提前预知层压机的问题，并对其提前检修，减少因层压机问题给生产带来的巨大损失。最后通过图像合成，将图像及缺陷显示在GUI中，方便使用。

2.2.7装框打胶检测

组框机打胶一旦出现胶断续问题，后续需要人工补胶。这样做不但浪费人工、降低产线节拍，而且不能从根本上解决封胶质量风险。我们采用双相机实时监控打胶过程，同步检测打胶断续情况并报警，对杜绝不良产生很有必要。

2.2.8接线盒焊接图片存档及检测

接线盒焊接主流工艺为机器自动焊接，经过检验返修后，直接进入灌胶环节，后续一旦出现故障和客诉则无法追溯。针对焊接质量监控，采用高像素单点直拍方式，对每个接线盒在灌胶之前采集图片并存档，以便后续问题追溯。同时，针对图像结合失效条码记录和分析，通过大量数据和算法结合迭代，得到有效算法，在采集图像同时进行缺陷检出。

2.2.9 灌胶效果检测

在灌胶机后，可以对灌胶质量以及接线盒安装（盒外底部密封胶圈）进行质量检测，避免灌胶过少或漏出以及接线盒底部密封胶圈不良导致的品质问题。利用深度学习算法结合传统算法，实现有效检出，把控灌胶质量。以下是典型的在线检出结果：

图4 边框及灌胶三合一检测示意图

2.2.10 固化前后边框检测

利用成像对组件边框尺寸进行测量，精度可达1mm；另外同时检测安装孔、漏水孔、接地孔智能识别并计数测量、并测量安装孔的位置。

结合以上灌胶效果检测，我们全新打造3合1检测。在同一工位同时检测灌胶效果、边框尺寸及边框孔位。以下是实际检测软件界面。

图5 边框及灌胶三合一检测示意图

2.2.11 铭牌及条码检测

针对铭牌及条码自动贴标机可能出现的缺陷，如气泡、褶皱、打印不清晰、粘贴歪斜、漏贴、标签贴错等，我们的平台均显示出优秀的检出能力。

03品质工艺大数据平台介绍

3.1 总体介绍

我们推出的光伏组件生产智能制造产品质量大数据平台是一个实时的、以大数据算法为基石的、多点人机交互系统。该系统平台拥有对产品质量全程进行数据采集、存储、可视化实时数据报表、工艺分析工具以及数据相关性挖掘等功能。

该平台利用先进的大数据挖掘算法定位数据相关性，结合专家系统分析设备关联性、工艺关联性、产品品质关联性，减少繁杂的数据统计工作。通过系统可以得到更合理的长效解决方案，优化工作效率、精简人力、提升品质。

3.2 系统运行的特点

通过全流程的检测信息高度集成化和数据可视化，实现生产过程的信息采集。

缺陷的典型形态与缺陷成因有着紧密联系。结合工艺经验和图像大数据算法，自动、实时、智能化的平台可以取代目前工艺繁琐的分析数据而定位设备故障的全过程。

利用大数据工具，通过对检测数据的分析和挖掘，自我学习迭代，关联设备、工艺，实现可预见性维护，创造另一轮附加价值。

3.3 系统结构及功能介绍

3.3.1 系统结构

大数据平台由数据来源、工艺专家系统、深度学习及数据分析系统、工艺设备策略系统组成。其中数据来源于本文第2章中所述的全流程的检测系统、流水线运行数据、MES部分数据、设备运行数据等。数据通过融合后进入工艺专家系统，对数据进行条理化、规则化后送入深度学习数据挖掘网络中进行推断，得到工艺设备的动作决策。整个流程不断闭环螺旋提升，达到产线最优化控制的目标。

图6 系统机构图

3.3.2 部分功能展示

以层前的检测为例，系统可以根据时间选择要生成时间段的缺陷占比情况，并分别在移动端和电脑端进行展示。串检及组件缺陷部分数据统计功能如下：

图7 焊机缺陷分析

图8 组件缺陷分析

04未来发展趋势

毫无疑问，智能化是制造自动化的发展方向。在光伏组件生产制造过程的各个环节广泛应用人工智能技术、专家系统技术，从而优化工艺过程、提效生产调度、快速故障诊断等，势在必行。

晟成光伏联合优层智能致力于在这一轮光伏行业制造的智能升级大潮中，结合自身优势，利用流水线、功能单机设备、智能检测设备组成数据源网络，将大量数据进行分析融合，打造数据平台。在此基础上，我们将深入研究行业需求，不断迭代并完善功能系统能力，助力光伏组件产业真正实现智能化。