[发明专利]一种基于卷积神经网络的太阳能电池板缺陷识别方法有效
申请号: | 201810250676.4 | 申请日: | 2018-03-26 |
公开(公告)号: | CN108631727B | 公开(公告)日: | 2019-08-09 |
发明(设计)人: | 周颖;葛延腾;毛立;张燕;裘之亮;王彤 | 申请(专利权)人: | 河北工业大学 |
主分类号: | G06T1/40 | 分类号: | G06T1/40;G06N3/02;H02S50/10 |
代理公司: | 天津翰林知识产权代理事务所(普通合伙) 12210 | 代理人: | 付长杰 |
地址: | 300130 天津市红桥区*** | 国省代码: | 天津;12 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 缺陷类型 卷积神经网络 太阳能电池板 缺陷识别 二分类 多分类模型 处理流程 迭代训练 快速识别 类别判定 离线训练 模型应用 缺陷检测 缺陷图像 数据集中 特征分类 特征提取 样本数据 在线检测 电池板 小电池 分类 准确率 递进 判定 图像 检测 | ||
本发明涉及一种基于卷积神经网络的太阳能电池板缺陷识别方法,包括模型离线训练和在线检测两个阶段,将卷积神经网络模型应用于太阳能电池板的缺陷识别上,使用2个CNN模型递进地实现了缺陷检测和分类。首先使用CNN二分类模型区分合格与缺陷图像,然后使用CNN多分类模型,对二分类模型判定为缺陷的图像进行分类。CNN模型对电池板的各种缺陷类型,都是采用相同的处理流程,即通过迭代训练,快速而自动进行特征提取和特征分类。对于新缺陷类型,只需收集该缺陷类型的样本数据,添加到训练用的数据集中并对模型进行训练,就能够实现该缺陷类型的检测。能够以较高的准确率快速识别出存在缺陷的小电池板的位置,并对多种缺陷进行类别判定,适用性更广。
技术领域
本发明涉及太阳能电池板缺陷检测技术领域,尤其涉及一种基于卷积神经网络的太阳能电池板缺陷识别方法。
背景技术
太阳能是一种清洁能源。由于太阳能电池板生产工艺复杂,加上生产运输与安装过程中的人工因素,都会导致电池板容易出现各种缺陷问题,使得电池板破损率增大,而这些缺陷将严重降低电池板的光电转化效率和使用寿命。因此,在生产过程中检测电池板缺陷是十分重要的。目前主要是对电池板的电致发光(EI)图像进行检测。然而,电池板表面的纹理结构和多晶硅材料的杂质给缺陷检测带来很大困难。当前主要有以下检测方式:
(1)人工检测。用肉眼对电池板的EI图像进行缺陷检测是目前绝大多数太阳能电池板生产厂采用的方式。它不仅速度慢,影响生产效率,容易造成视觉疲劳和误差,还带来了人工费用的开支。
(2)计算机图像识别。目前有多种利用计算机图像处理技术的检测手段,这些手段只适用于特定且特征明显的缺陷种类。对于主流的多晶硅材料的太阳能电池板,其形成的花纹背景干扰大,特征缺陷不显著,传统方法无法实现有效的检测。
专利号为ZL201410135246.X的中国专利公开了“太阳能电池表面缺陷检测设备及方法”。该检测设备包括结构件和检测电路系统;检测方法是通过对图像进行图像分割、小波变换和二维7×7像素领域中值滤波处理得到缺角缺陷图像;对于裂纹,通过对图像进行二维中值滤波、小波变换、图像二值化、边缘检测和形态学算子处理得到裂纹的缺陷图像,获得缺陷识别结果。该方法采用传统的图像处理方法,仅对“缺角”和“裂纹”缺陷手动提取图像特征,对于其他缺陷类型,或由于杂质干扰和图像像素低等原因,导致缺陷特征不显著的电池板图像,则无法进行有效的检测。
专利号为ZL201510108201.8的中国专利公开了“光伏电池板在线缺陷检测和分拣装置”。该装置获取光伏电池板表面的图像,传输到计算机中,转为灰度图像,与标准的模板图像进行匹配相减,如果有灰度差,说明检测的图像与模板图像不一致,即光伏电池板表面存在缺陷,计算机对有缺陷的光伏电池板进行标定。该方法通过样本图像与模板图像的灰度差这一简单的统计特征鉴别缺陷,对于存在杂质干扰和各种形态不一的缺陷,无法进行有效的检测。
为了解决现有技术的不足,需要设计一种适用于多种缺陷,抗杂质阴影干扰能力强,准确率高,可用于由多块小电池板组成的拼装电池板的太阳能电池板缺陷检测方法。
发明内容
针对现有技术的不足,本发明所要解决的技术问题是:提供了一种基于卷积神经网络的太阳能电池板缺陷识别方法,该方法对于太阳能电池板的EI图像,能够以较高的准确率快速识别出存在缺陷的小电池板的位置,并对多种缺陷进行类别判定。
本发明解决所述技术问题采用的技术方案如下:一种基于卷积神经网络的太阳能电池板缺陷识别方法,包括模型离线训练和在线检测两个阶段,
所述的模型离线训练包括以下步骤:
S1:收集太阳能电池板的合格图像和多类缺陷图像,并完成分类,假设缺陷类别数为D;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于河北工业大学,未经河北工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810250676.4/2.html,转载请声明来源钻瓜专利网。