Deep Learning: mit minimalem Aufwand zur optimalen Fehlererkennung auf EL Bildern

3S Swiss Solar Solutions entwickeln und produzieren seit 2001 Solarmodule in der Schweiz. 3S Solarmodule werden direkt in die Gebäudehülle – dem Dach, der Fassade dem Balkongeländer – integriert. Schon seit 2010 setzt 3S die Elektrolumineszenzprüfung von MBJ Solutions zur Qualitätssicherung ihrer Module in der Produktion ein.

Im Produktionsprozess werden hochauflösende Bilddaten, die mit einem MBJ Elektrolumineszenzsystem aufgenommen wurden, in Sekundenbruchteilen durch den Einsatz von durch künstlicher Intelligenz erstellten neuronalen Netzen ausgewertet und die gefundenen Fehler in den Bildern markiert. Ein fehlerhaftes Modul wird so schnell und sicher erkannt und auf einen Reparaturplatz weitergeleitet. Dort werden der Fehler und der Ort des Fehlers auf einem Monitor angezeigt und es kann gezielt repariert werden. Erst dann wird das Modul weiter zum Laminieren geschickt. So spart 3S nicht nur Material und Zeit, sondern stellt an dieser Stelle schon die hohe Qualität seiner Solarmodule sicher. Die erkannten Fehler werden zudem genutzt um Prozessschritte, die vor dieser Inspektion liegen, zu korrigieren und zu verbessern.  

Wie funktioniert es?

MBJ Solutions stellt jedem Kunden ein vortrainiertes neuronales Netzwerk zur Verfügung, mit dem typische Fehler wie Mikrorisse, dunkle Bereiche und Lötfehler sicher erkannt und klassifiziert werden. Dieses Netzwerk kann bei Bedarf durch den MBJ Solutions Support mit Hilfe des Kunden oder auch vom Kunden selbst weiter angepasst werden. In diesem Fall war MBJ bei 3S vor Ort und die Optimierung erfolgte in enger Zusammenarbeit mit der Qualitätssicherung von 3S.

Wie funktioniert der MBJ Support beim Deep-Learning-Training vor Ort?

Vor Ort wird zusammen mit dem Kunden ermittelt, welche Defekte für ihn am kritischsten sind. Daraufhin werden Daten direkt aus der Produktionslinie gesammelt und analysiert. Die Netzwerke werden vom MBJ Experten trainiert, installiert und ausgewertet um die Fehlererkennungsrate zu beurteilen.

Die Netzwerk-Performance wurde mit 3S besprochen und weiter optimiert. Zusätzlich werden die von 3S definierten Qualitätskriterien für fehlerhaft einzustufende Module in der Maschine hinterlegt. Am Ende des MBJ Besuches läuft bei 3S eine speziell auf ihre Bedürfnisse optimierte hoch stabil funktionierende Defekterkennung für mehrere Defekttypen.

Welche Vorteile bietet MBJ dem Kunden mit Deep Learning?

Neuronale Netze erkennen die Defekte schneller, besser und immer gleich. Sie reduzieren gleichzeitig die Pseudofehlerrate erheblich.

Bemerkenswert ist, dass die künstliche Intelligenz sehr robust gegenüber Variationen im Zellmaterial ist. Die aufwändige und fehlerhafte Optimierung früherer Bildverarbeitungssysteme mit langen Listen von Parametern entfällt vollständig. Für eine Optimierung sind nur weitere Beispielbilder notwendig. 

Im Gegensatz zur klassischen Bildverarbeitung kann die künstliche Intelligenz mit wenig Aufwand um weitere Defektklassen nach Kundenanforderungen erweitert werden. Schon wenige Beispielbilder genügen, um eine neue Defektklasse anzulegen.

Der Kunde stellt einen Beispielkatalog von Bildern im niedrigen bis mittleren zweistelligen Bereich nach seinen Anforderungen zusammen und markiert in diesen Bildern die Defekte. Das neuronale Netz wird auf diese Beispiele optimiert und das optimierte Netz kann im Kundensystem verwendet werden.

MBJ bietet auch die tiefgreifende Hyperparameter-Optimierung an, die besonders für folgende Punkte wichtig ist:

• Beste Detektionsleistung
• Minimale Rechenleistung
• Schnellste Merkmalsextraktion