硅片分选机：硅片脏污&隐裂检测

硅片脏污和隐裂对太阳能电池的性能和安全性有着重要影响。及时检测并去除这些缺陷是提高光伏系统效率的关键步骤。使用高分辨率摄像头捕捉硅片表面图像，结合图像处理软件，可以自动化、高效地检测脏污和隐裂，提高检测准确性。

利用深度学习等技术，AI模型能够学习和识别复杂的图像特征，从而提高了脏污和隐裂的检测准确性。相较于人眼，模型可能更容易发现微小或难以察觉的缺陷。同时，能够在短时间内处理大量的硅片图像数据，远远超过人工检测的速度。这使得整个生产流程更为迅速，减少了生产周期。

综合以上技术，制造商能够优化生产流程，提高生产效率，降低维护成本，并确保生产出高质量、安全的太阳能电池组件。

脏污检测相机工位

检测相机推荐：8K线扫相机+隧道光源。激光扫描系统则能够高效扫描硅片表面，检测微小的隐裂或污染物，提供高分辨率的检测结果。

成像展示

・收集脏污图像，训练深度学习模型进行检测

隐裂检测相机工位

检测相机推荐：短波红外相机+1300nm波长红外光源。

短波红外相机结合1300nm波长的红外光源对硅片隐裂进行检测是一种有效的非接触式检测方法。这种技术利用硅在1300nm波长的红外光下的特殊反射和吸收性质，以及红外相机的高灵敏度，实现对硅片表面微小隐裂的精准检测。

成像展示

・收集隐裂特征图像，训练深度学习模型，检测隐裂缺陷

TridiAI深度学习介绍

TridiAI是珩图科技基于pytorch开发的深度学习训练工具，并提供基于TensorRT的C++部署端接口。

TridiAI分类应用案例

区分焊接的好坏，分类良品和不良品。可以帮助自动化焊接质量的监测，提高产品质量和生产效率。

TridiAI实例分割应用案例

识别炭包位置和个数。这样的实例分割系统可以应用于许多场景，例如炭包的生产、仓储等，以提高自动化程度和准确性。确保使用适当的数据集和模型调整，以满足具体应用场景的需求。

TridiAI语义分割应用案例

检测锂电池顶盖焊的爆点、刀纹等缺陷。语义分割允许对图像中的每个像素进行标记，从而实现对焊接区域内细小缺陷的精准检测。这对于检测小尺寸的爆点和刀纹等缺陷至关重要。