人工智能EL缺陷检测
人工神经网络 机器学习的一个分支，与之相对应的是生物神经网 络，我们将模拟生物神经网络的数学模型统称为人工神经网络模型，简称人工神经网络或神经网络。
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）。
光 伏 应 用 使用人工智能方法能有效的进行光伏电池、组件产 品的EL缺陷检测，能快速准确的找出缺陷的位置，并进 行标注。较传统的使用图片灰度值扫描方法进行判断， 特别是多晶硅组件电池的EL图片干扰因素复杂，高效准 确的判断比较困难；我们提供的EL检测的方案使用神经 网络技术，通过定义单多晶硅组件缺陷产品图片的缺陷 类型，软件系统进行缺陷特征的自学习和深度学习，通 过建立多层学习网络， 能够快速准确找出EL图片的缺陷，大大提高生产效率。
核 心 技 术 机器视觉 应用多样化的制造业缺陷产品的数据和资深的图像 解析技术能力
深度学习 在现有的机器视觉检测中引入深度学习， 提升检测 准确度及速度
超级计算机
在制造工厂可实时应用快速的数据处理速度
优 势 检测的准确性 专门适用于制造业的算法及方法 更快的速度
在GPU中直接处理深度学习的算法，每张样品处理 速度＜1S
降低人工成本
通过改善低效率的人工检测流程达到降低成本的效果
全自动智能EL测试仪 EL4.0Ai
El产线升级改造 DCMS系统我们可以提供全新的EL4.0Ai测试仪进行组件生产线配套使用。另外，在现有的组件生产线智能化升级 中，可以在不改变原有EL机器硬件，甚至不影响正常生产的情况下嵌入我们的智能化EL软件系统进行智能 化判别升级，使用专用的DCMS实现多线分布式控制；在层压前的返修工位使用条码扫描从数据库中调取带 有缺陷标识的组件图片进行返修处理，省去了人工手写标签的工作，大大提高返修效率。
组件层压前后EL自动检测 层压前后单多晶组件EL缺陷的检查：隐裂、划伤、断栅、虚焊、碎片、黑斑、污染等 层压前可集成自动外观检查：污染、电池移位 层压前返修客户端从数据库扫码调取带有标识的缺陷组件图片，进行快速返修
CMS CMS软件系统;单机版的人工NG料缺陷类型判别终端 Manual状态时NG料图片将由人工在本机进行NG料图片二次判别 Auto状态时，人工不能再直接进行NG料判别，NG图片直接发送至DCMS进行判断
DCMS DCMS系统接收多线NG料图片同时进行人工二次判断
诺威特测控科技有限公司
中国新能源测试领域的首选品牌
联系电话：18913500435
企业官网：
公众号：诺威特光伏测试：novteccs
诺威特汽车测试：novtecqc
诺威特光电测试：sznovtec
市场部： novtecck
光热电站测试：NovtecSolar
