新方案登场!“软硬兼施”让光伏组件焊接检测更高效

2024-02-19 03:40

本文主要是介绍新方案登场!“软硬兼施”让光伏组件焊接检测更高效,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

焊接是光伏组件生产中重要的工艺流程,就拿光伏组件中常见的组成部分——接线盒来举例,作为完成组件电力传输的关键器件,在组件的自动化生产过程中,接线盒的电极焊接质量直接关乎组件的性能,焊接质量检测的重要性不言而喻。

以往,工厂常用的检测方式为人工目检,由于检测项多、检测要求高,人工检测不仅成本较高,还常会发生检验不充分的问题,在制造企业数智化升级的趋势下,将智能机器视觉检测技术方案引入生产流程,助力生产效率和产品质量提升已经成为越来越多企业的选择。

针对光伏组件企业在生产中遭遇的种种痛点,维视智造自2017年以来,专注于接线盒焊接设备方案的实践、研究。在这六年时间里,针对“热压焊”、“加锡焊”和“激光焊”的焊接工艺进行了深入验证、开发。配套的视觉方案经过多次迭代后,均实现了标准化的量产方案。尤其是最新的激光焊视觉方案,在经过了3代设备的量产后,从精准度到稳定性均得到了行业内的广泛认可。

在接线盒生产的焊接场景中,大致包含两种工艺;一是“盲焊”工艺。顾名思义,就是焊接过程中不定位“汇流条”位置,仅定位“接线盒”位置,直接在接线盒极片上打出激光焊疤。该工艺劣势是无法保证汇流条上的焊疤数量,无法保证焊接强度,同时也会损伤接线盒极片

(VisionBank AI基于盲焊工艺的焊接效果检测示意图)

第二种是精准焊接。就是在焊接之前精确的获取汇流条的坐标、角度,实现焊疤的精准焊接。可以保证激光焊疤全部在汇流条上,保证了焊接强度,也不会影响接线盒极片。因此逐渐成为行业广泛选择的焊接工艺。

但激光焊工艺也对视觉系统的匹配提出了更高的要求,这是因为在实际生产环境中,在汇流条按压等环节经常会发生各种情况,需要人工介入处理,这不仅使整体生产效率变低,也导致后续的视觉检测方案极难设计,稳定图像难以获取,视觉检测失败率增高。

针对性研发出“三级AI定位方案”:将复杂的接线盒激光焊接定位检测,依据实际生产工艺流程中按压前、后和焊后的不同检测需求,基于维视智造强大的系统解决方案能力,采用AI图像专用算法工具和正反检测技术的综合处理,融合创新的光伏定制化软件算法模块,配合软硬一体的系统化解决方案,实现关键点精确定位,在保证定位精度的前提下,满足了近100%的定位成功率

自研专用神经网络模型+硬件系统支撑检测表现更出色

智能工厂时代,任何自动化设备的生产结构都需要进行检测,从而完成闭环控制,激光焊接机也不例外。激光焊接机的焊后检测需求一般包括漏焊、焊歪、焊疤成型不良、虚焊(焊疤过浅)等缺陷。

通过专业团队定制的硬件方案和VisionBank AI的软件处理能力,系统可稳定检测出各种常见的焊带和汇流带焊接质量缺陷,如:焊带超出、焊带偏移、虚焊、内缩、无汇流条、焊带缺失等,完美解决焊后检的问题。在接近“0漏检”的前提下,“误检率”低于0.5%。

(基于VisionBank AI的焊后检测系统)

依托20年的技术积累和对光伏生产工艺的深刻理解,和自主研发的智能机器视觉软件开发平台VisionBank AI的强大算法能力及数据管理能力,配合自研行业定制化的硬件系统解决方案,针对国内光伏行业现实需求场景,联合众多优秀上下游合作伙伴,推出了大量光伏行业专业、系统、稳定的视觉检测解决方案,可满足不同自动化程度、不同产能、不同工艺水平的各类光伏企业生产需求。

如今,以光伏组件视觉检测系统为代表的方案已批量落地国际光伏头部企业,为数百条光伏产线的数智化升级提质增效;其中,针对光伏电池板接线盒相关生产工位的智能装备视觉检测解决方案,更是集合了维视多项技术专利能力,作为光伏组件系列解决方案中的“明星产品”,目前在部分应用场景中已达成80%的市场占有率。维视致力成为“光伏组件视觉检测系统领先者”,将持续致以高可靠性、高稳定性的产品,与更多光伏企业联合创新,共赴未来,赋能中国光伏行业高质量发展。

这篇关于新方案登场!“软硬兼施”让光伏组件焊接检测更高效的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/723383

相关文章

uniapp接入微信小程序原生代码配置方案(优化版)

uniapp项目需要把微信小程序原生语法的功能代码嵌套过来,无需把原生代码转换为uniapp,可以配置拷贝的方式集成过来 1、拷贝代码包到src目录 2、vue.config.js中配置原生代码包直接拷贝到编译目录中 3、pages.json中配置分包目录,原生入口组件的路径 4、manifest.json中配置分包,使用原生组件 5、需要把原生代码包里的页面修改成组件的方

公共筛选组件(二次封装antd)支持代码提示

如果项目是基于antd组件库为基础搭建,可使用此公共筛选组件 使用到的库 npm i antdnpm i lodash-esnpm i @types/lodash-es -D /components/CommonSearch index.tsx import React from 'react';import { Button, Card, Form } from 'antd'

React+TS前台项目实战(十七)-- 全局常用组件Dropdown封装

文章目录 前言Dropdown组件1. 功能分析2. 代码+详细注释3. 使用方式4. 效果展示 总结 前言 今天这篇主要讲全局Dropdown组件封装,可根据UI设计师要求自定义修改。 Dropdown组件 1. 功能分析 (1)通过position属性,可以控制下拉选项的位置 (2)通过传入width属性, 可以自定义下拉选项的宽度 (3)通过传入classN

基于CTPN(tensorflow)+CRNN(pytorch)+CTC的不定长文本检测和识别

转发来源:https://swift.ctolib.com/ooooverflow-chinese-ocr.html chinese-ocr 基于CTPN(tensorflow)+CRNN(pytorch)+CTC的不定长文本检测和识别 环境部署 sh setup.sh 使用环境: python 3.6 + tensorflow 1.10 +pytorch 0.4.1 注:CPU环境

【Qt6.3 基础教程 16】 掌握Qt中的时间和日期:QTimer和QDateTime的高效应用

文章目录 前言QTimer:定时任务的强大工具QTimer的基本用法高级特性:单次定时器 QDateTime:处理日期和时间获取当前日期和时间日期和时间的格式化输出日期和时间计算 用例:创建一个倒计时应用结论 前言 在开发桌面应用程序时,处理时间和日期是一个常见且重要的任务。Qt框架提供了强大的工具来处理与时间相关的功能,其中QTimer和QDateTime是最核心的类。本

Transformers和Langchain中几个组件的区别

1.对于Transformers框架的介绍 1.1 介绍: transformers 是由 Hugging Face 开发的一个开源库,它提供了大量预训练模型,主要用于自然语言处理(NLP)任务。这个库提供的模型可以用于文本分类、信息抽取、问答、文本生成等多种任务。 1.2 应用场景: 文本分类:使用 BERT、RoBERTa 等模型进行情感分析、意图识别等。命名实体识别(NER):使用序列

LoRaWAN在嵌入式网络通信中的应用:打造高效远程监控系统(附代码示例)

引言 随着物联网(IoT)技术的发展,远程监控系统在各个领域的应用越来越广泛。LoRaWAN(Long Range Wide Area Network)作为一种低功耗广域网通信协议,因其长距离传输、低功耗和高可靠性等特点,成为实现远程监控的理想选择。本文将详细介绍LoRaWAN的基本原理、应用场景,并通过一个具体的项目展示如何使用LoRaWAN实现远程监控系统。希望通过图文并茂的讲解,帮助读

想让Python序列切片更高效?这些技巧你不可不知!

目录 1、自定义类实现切片 🍏 1.1 实现__getitem__方法 1.2 支持正负索引与步长 2、利用 collections.abc 模块 🧠 2.1 继承MutableSequence类 2.2 重写关键方法 3、使用标准库itertools.slice 🍲 3.1 itertools工具介绍 3.2 slice函数应用实例 4、通过生成器实现动态切片 🌀

基于深度学习的轮廓检测

基于深度学习的轮廓检测 轮廓检测是计算机视觉中的一项关键任务,旨在识别图像中物体的边界或轮廓。传统的轮廓检测方法如Canny边缘检测和Sobel算子依赖于梯度计算和阈值分割。而基于深度学习的方法通过训练神经网络来自动学习图像中的轮廓特征,能够在复杂背景和噪声条件下实现更精确和鲁棒的检测效果。 深度学习在轮廓检测中的优势 自动特征提取:深度学习模型能够自动从数据中学习多层次的特征表示,而不需要

自动驾驶---Perception之Lidar点云3D检测

1 背景         Lidar点云技术的出现是基于摄影测量技术的发展、计算机及高新技术的推动以及全球定位系统和惯性导航系统的发展,使得通过激光束获取高精度的三维数据成为可能。随着技术的不断进步和应用领域的拓展,Lidar点云技术将在测绘、遥感、环境监测、机器人等领域发挥越来越重要的作用。         目前全球范围内纯视觉方案的车企主要包括特斯拉和集越,在达到同等性能的前提下,纯视觉方