隨著可再生能源的發展、政策的推動、產業智慧化的升級，太陽能產業迎來持續穩定的增長。由於行業和產品的特殊性，太陽能產品（太陽能組件、太陽能電池、矽片等）表面裂紋、劃傷、斷柵、缺角等外觀缺陷將直接影響產品的性能和使用壽命，造成潛在風險，這對太陽能的生產工藝和品質都提出了更高的要求。

如何提高太陽能的生產效率和品質、降低生產成本，成為太陽能產業面臨的重要難題。

案例：矽片分選專案 

“我們需要檢測矽片表面是否存在缺陷，目前採用的傳統演算法檢測指標不理想、速度較慢，難以滿足現階段我們的檢測需求。當前，企業在向智慧製造、數位化轉型，所以我們正在尋找一種更快、更準、更穩的檢測方式，以此達到降本增效…” ——太陽能產業某龍頭客戶

專案需求

本專案檢測站及對應檢測項目如下：

1. 髒汙站：上下表面髒汙、缺角、反向、遮擋；

上下表面髒汙包括：黑斑、淺斑、條形、浮水印、黑點等

2. 崩邊站：左右表崩、前後側崩

左右表崩包括：黑磕、白磕、磕穿、磨邊；前後側崩包括：磕穿、磕邊深度超過1/2、磨邊、缺角

檢測難點

該專案缺陷種類多達20+，且需要具體區分缺陷類型；

客戶檢測精度要求較高，矽片表面最小尺寸為0.35mm，在保障高精度的同時，需要做到快速檢測，平均檢出時間要求達到180ms/片，對演算法效率要求高。

解決方案

基於該專案的實際產線情況和產品特性，阿丘科技使用工業視覺軟體平臺AIDI説明客戶優化檢測流程，提升檢測效率並保障產品品質。

AIDI內置多種應用模組，無需程式設計，即可解決複雜缺陷檢測難題。

此外，AIDI具有強大的相容性，能夠接入太陽能產線上的矽片分選機、電池片PL檢測設備、元件EL檢測設備和元件外觀檢測設備等，對矽片、電池片和元件表面的細小缺陷進行精準定位、檢測、分類及辨別。

針對上下髒汙、缺角，以及左右表崩、前後側崩等在整張圖像中占比極小的缺陷類型，我們先利用AIDI對該類缺陷圖像進行預處理，對整圖進行裁切，並提取出帶有缺陷的小圖，從而在放大缺陷占比的同時，縮短後續影像處理時間，提高缺陷檢出率和產線檢測速度；

再在AIDI中對提取出的缺陷圖進行標注、學習，建構統一的AI檢測模型。該模型可在不斷學習中持續優化檢測指標，實現矽片表面0.35mm及以上缺陷穩定檢出並進行正確分類。

針對氧化片這類缺陷面積較大、顏色較淺使得成像對比度低的缺陷類型，我們結合AIDI和自主開發的傳統演算法庫AQCV，在介面中加入對比度的後處理，成功提升氧化片的檢出效果，降低漏檢率。

針對反向和遮擋這兩類成像特徵明顯的缺陷類型，利用AIDI的分類演算法，通過讓AI學習整圖的特徵，即可達到準確區分良品圖與缺陷圖的效果。

專案成果

✅檢測指標和檢測速度大幅提升：實現矽片表面0.35mm以上缺陷穩定檢出並進行正確分類，關鍵缺陷漏檢率0%，其他缺陷漏檢率0.01%，過檢率不高於0.05%，平均檢出時間180ms/片。

✅機台實現快速批量複製：基於深度學習演算法，AIDI只需學習少數典型樣本即可快速適應產線機台差異，提高模型的遷移能力，該解決方案已被國內某龍頭太陽能組件客戶批量複製使用。