走进光伏龙头：一块电池片的「AI」智检之旅

在长达数百米的自动产线上，机械臂精 准抓起一颗单晶硅片，经过制绒、扩散、刻蚀、镀膜、丝网印刷、烧结等数十道关键工艺及层层检测，一个薄如纸片的光伏电池片便下线了。

光伏组件效率每提高1%，度电成本可节省6%，而电池片正是组件的核心。电池片越薄越能降低成本，却更易产生隐裂、断栅及漏浆等缺陷，一旦漏检将在EL终检环节造成高达15%电池片报废、年损超千万；严防之下，传统检测方案频繁出现误报警，人力成本攀升制约生产效能。

近期，凌云光为某光伏头部客户构建了“AOI+F.Brain+GMQM”整体解决方案，对电池片生产工艺过程中产生的隐裂、断栅及漏浆等20余类缺陷精 准检出和剔除，缺陷实时准确分类率≥98%。方案打造的云-边-端质量管理平台，实时关联生产数据和质量分析数据，建立了质量工艺追溯体系，实现从单机台到跨设备、再到跨数十条产线一致可靠的产品质量管理，推动产品良率提升1%，部分工艺人力节省75%，并大幅缩短了电池片换型迭代时间，已在多家头部客户落地。

误判停机锐减 μm级隐裂"0"漏检

「视觉+算法」高精度、低成本的质量突围

• 丝网印刷AOI：AI二次分类，降低误报误判

数十条产线上，丝网印刷机正高速为硅片“织网”，经多道印刷工序后，纵横交错银栅线如毛细血管般铺展，导电性能决定发电效率极限。为提高组件效率，客户创新采用特殊导电浆料制作银栅。然而，浆料由于反光成像对比度低引发设备误判率高，“设备一报警，质检人员就得跑断腿去查，但实际是良品虚惊一场”。

凌云光项目团队扎根生产一线对工艺拆解分析，两周内提出检测方案，首月AOI设备即上线：方案通过光学成像优化，并结合F.Brain深度学习算法进行缺陷标注、模型训练与调优，实现对破片、漏浆及主栅缺失等缺陷精确分类分级，误判率极大降低，关键缺陷零漏检。同时该设备还与产线实时联动，当批量报废缺陷发生时能迅速报警停机，生产效能显著提升，目前该AOI设备已批量部署。

•  单相机隐裂检测：行业首 创，低硬件成本

隐裂是光伏电池片最隐蔽的“致命伤”，是光伏电池片优先级最 高的视觉检测工艺之一。一根头发丝宽（≥20μm）的裂纹可能引发碎片卡堵导致产线停止，碎片沾水还将污染整炉工艺环境造成数千片报废，单次损失超数万元。

行业早期一般采用双相机方案（铟镓砷+CMOS），硬件成本高，且无法拍摄硅片底部崩边缺陷。凌云光在业界率先采用单相机方案，结合定制近红外LED光源，优化光学及图像处理算法对正反面隐裂及崩边缺角等缺陷高速成像，成为行业新的主流方案。 

• PL检测系统：早发现早处理，高速无损
  

凌云光PL检测系统基于光致发光原理，支持每小时8000片高速无损检测，隐裂、雾状发黑、吸盘印、皮带印等缺陷识别准确率98%，零接触避免二次隐裂（头部客户复购率100%）。项目团队创新集成GMQM模块，贯通扩散、刻蚀、LECO、烧结、成品等多工艺段在线过程监控，将终检问题前置拦截与质量追溯，推动质量管理从“事后堵漏”转向“主动检测”。

数十产线随时换型 从周级缩短至小时级 

「AI+数据」从AOI质检向全流程的效率突围

光伏行业对效率有着极 致追求，慢走等于退步，效率决定效益。为快速响应产品技术迭代需求，产线平均每2-3个月就需更换一次网版，每次换型栅线背景均会发生变化，传统的算法模型检测效果下降明显。此外，客户在缺陷样本采集导入以及模型部署更新上耗费了大量人力，由于缺乏统一的模型管理，整个迭代稳定过程耗时耗力需要近一周时间。

为此，凌云光引入双输入模板比对算法，通过同时输入“正常”（OK品）和“异常”（缺陷）模板，模型真正学习到缺陷本身的特征实时准确检出缺陷，而不受背景变化影响，能够随时应对任意网版换型。

同时，将AOI设备和AI算法平台直接连通，从缺陷样本采集到模型训练、封装、部署全程在线打通，从而实现模型在线迭代/部署，无需人工采集/拷贝/传递，电池片换型时间大大缩短：常规缺陷迭代稳定仅需12h；突发缺陷或者缺陷漏检等应急情况下，也仅需2h即可敏捷响应。同时，样本收集时间减少80%，模型部署效率提升90%，模型管理效率提升95%。整个模型迭代效率大大提升，而且数据不出厂、安全有保障。

未来，凌云光将持续深化“视觉+AI”融合，以AI缺陷分析、质量检测及质量预警等质量管理方案，驱动光伏行业持续提质降本增效，服务好行业智能制造诉求。