[发明专利]用于检测单晶硅太阳能电池缺陷的方法和装置

权利要求书

1.一种用于检测单晶硅太阳能电池缺陷的方法，包括：

获取待检测的单晶硅太阳能电池的电致发光图像；

提取所述电致发光图像的特征图；

将所述特征图输入到预先训练的缺陷定位分类网络，得到所述单晶硅太阳能电池的缺陷信息，所述缺陷信息包括用于指示所述单晶硅太阳能电池所包括的缺陷的缺陷类别及位置的信息，其中，所述缺陷定位分类网络用于根据所输入的单晶硅太阳能电池的电致发光图像的特征图预测单晶硅太阳能电池所包括的缺陷的缺陷类别及位置。

2.根据权利要求1所述的方法，其中，所述提取所述电致发光图像的特征图，包括：

将所述电致发光图像输入到预先训练的卷积神经网络提取所述电致发光图像的特征图。

3.根据权利要求2所述的方法，其中，所述卷积神经网络是通过如下方式训练得到的：

获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像和预先确定的所述电致发光图像的特征图；

利用机器学习的方法，将所述训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像作为初始卷积神经网络的输入，将与输入的单晶硅太阳能电池的电致发光图像对应的特征图作为初始卷积神经网络的期望输出，训练得到所述卷积神经网络。

4.根据权利要求1所述的方法，其中，所述缺陷定位分类网络是通过如下方式训练得到的：

获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像的特征图和预先确定的单晶硅太阳能电池的缺陷信息；

利用机器学习的方法，将所述训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像的特征图作为所述初始缺陷定位分类网络的输入，将与输入的单晶硅太阳能电池的电致发光图像的特征图对应的单晶硅太阳能电池的缺陷信息所指示的缺陷的类别及位置作为所述初始缺陷定位分类网络的期望输出，训练得到所述缺陷定位分类网络。

5.根据权利要求2所述的方法，其中，所述方法还包括：

响应于所述单晶硅太阳能电池所对应的缺陷的缺陷类别和位置满足预设条件，触发报警装置报警。

6.根据权利要求5所述的方法，其中，所述卷积神经网络和所述缺陷定位分类网络是通过如下方式更新的：

获取用户根据所述报警所执行的响应操作；

根据所述响应操作所指示的缺陷类别及位置更新所述单晶硅太阳能电池的缺陷信息；

基于更新后的单晶硅太阳能电池的缺陷信息调整所述卷积神经网络和所述缺陷定位分类网络。

7.一种用于检测单晶硅太阳能电池缺陷的装置，包括：

获取单元，被配置成获取待检测的单晶硅太阳能电池的电致发光图像；

提取单元，被配置成提取所述电致发光图像的特征图；

缺陷信息生成单元，被配置成将所述特征图输入到预先训练的缺陷定位分类网络，得到所述单晶硅太阳能电池的缺陷信息，所述缺陷信息包括用于指示所述单晶硅太阳能电池所包括的缺陷的缺陷类别及位置的信息，其中，所述缺陷定位分类网络用于根据所输入的单晶硅太阳能电池的电致发光图像的特征图预测单晶硅太阳能电池所包括的缺陷的缺陷类别及位置。

8.根据权利要求7所述的装置，其中，所述提取单元进一步被配置成：

将所述电致发光图像输入到预先训练的卷积神经网络提取所述电致发光图像的特征图。

9.根据权利要求8所述的装置，其中，所述卷积神经网络是通过如下方式训练得到的：

获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像和预先确定的所述电致发光图像的特征图；

利用机器学习的方法，将所述训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像作为初始卷积神经网络的输入，将与输入的单晶硅太阳能电池的电致发光图像对应的特征图作为初始卷积神经网络的期望输出，训练得到所述卷积神经网络。