AI深度學習視覺開發_AI深度學習應用案例-在光伏行業的應用

VisionBank AI是維視智造專為生產加工制造業設計的深度學習視覺解決方案，將傳統算法工具庫和深度學習相融合。傳統算法工具庫作為標準算法工具，使用者易于上手，與深度學習技術融合后，使檢測準確性提高到100%，同時簡化了開發流程，提高了效率，簡單易用。

相對單純的深度視覺優勢  AI

傳統算法工具庫和深度學習相融合

單純深度視覺只能通過大量數據訓練，得到相應的結果，不方便現場人員針對具體圖像調試參數，具體圖像有問題，只能再次訓練，訓練的結果不滿足時調試難度很大。VisionBank AI先用傳統算法，再用深度學習過濾，現場人員還可以結合客戶規格調整傳統算法的參數。

簡單易學

單純深度視覺如果需要調整算法，對人員的水平要求較高，造成的成本也比較高；VisionBank AI深度學習只做Yes 或 No的判斷，規則簡單，容易學習。

降低應用成本

單純深度視覺需要高性能的計算硬件作為支撐，成本很高。VisionBank AI深度學習對硬件的要求會低一些。

VisionBank AI深度學習工具 AI

VisionBank AI深度學習缺陷檢測與字符識別工具

VisionBank AI傳統算法與深度學習技術融合

傳統算法工具庫：自適應缺陷、線陣缺陷、角點缺陷、邊界毛刺等工具中融入深度學習技術。

傳統算法中添加深度學習技術

VisionBank AI深度學習模塊化

基于深度學習算法實現的算法模塊化，使用者操作簡單。

VisionBank AI深度學習模型管理

用于多類產品深度學習檢測的深度學習模型管理，使檢測程序清晰化。

傳統算法中添加深度學習技術

VisionBank AI深度學習視覺解決方案主要應用 AI

VisionBank AI深度學習視覺解決方案在缺陷檢測上，具可查找外觀有差異的零件，它可檢測噪音背景上、照明不佳的環境中、低對比度零件上、甚至彎曲或形狀變化零件上的特征。

VisionBank AI深度學習視覺解決方案在字符識別上，可識別到字符不規則、字符連接無法分割、點狀字符等，解決傳統字符識別算法在一些場景不易識別或識別率低的問題。

VisionBank AI深度學習視覺解決方案典型案例 

VisionBank AI太陽能電池板EL缺陷檢測

檢測對象：電池片/電池板EL檢測

檢測速度：3s-8s

檢測幅寬：2000*1600mm（可定制）

檢測精度：<0.03mm斷層

適用設備：EL分選機、EL檢測儀等

訓練數據：17000張（NG5000張，OK12000多張）

檢測數據：30000張

檢測結果：準確率 99.98%

檢測內容：層壓前/后，通過高分辨率的紅外相機拍攝組件的近紅外圖像，獲取并判定電池片的缺陷，常見包括：裂紋、裂片、黑斑、短路、黑邊、亮斑、斷柵、虛焊、混檔、過焊、絨絲等。