[发明专利]一种基于多光谱深度卷积神经网络的视觉缺陷检测方法

说明书

本发明为一种基于多光谱深度卷积神经网络的视觉缺陷检测方法，该方法用于光伏电池片外观缺陷检测，通过设计多光谱神经网络模型，加强了模型对多个光谱特征的提取的有效性和准确性，实现了特征与背景的去耦合；通过对缺陷在多个光谱中的表现特征进行分析，利用图像多光谱信息特征分离提取的方法，强化模型对多光谱图像信息特征的提取能力，对比于LBP+HOG‑SVM和Gabor‑SVM表面缺陷检测方法，设计的多光谱神经网络模型在三个指标(精度、召回率、F‑测度)上都提升10％左右，而且可以有效的解决电池片表面背景纹理复杂、缺陷特征多样、形状随机的问题，缺陷识别的准确率达到94.30％。

技术领域

本发明涉及光伏电池缺陷检测技术领域，主要涉及一种基于多光谱深度卷积神经网络的视觉缺陷检测的方法。

背景技术

目前基于图像的智能视觉检测方法已经成为太阳能电池表面质量控制的重要技术组成部分，做好太阳能表面质量检测，不仅可以提升电池组件的使用寿命，也可以提高太阳能电池的发电效率。

太阳能电池从制作材料上分为单晶硅和多晶硅，单晶硅背景纹理简单，发电效率高，但是制作成本相对较高；多晶硅电池片，其表面含有大量随机形状和尺寸的晶格颗粒，在不同的方向和位置上随机分布，从而导致采集图像中的背景不均匀且纹理复杂，所以太阳能电池片的表面缺陷检测是一种非均匀纹理背景下的多特征检测，它具有背景不规律，表面缺陷的形状颜色特征复杂多变的特点。太阳能电池片表面缺陷种类多样，包括断栅、色斑、漏浆、手印、粗线、脏片、缺角、划痕、色差等，这些缺陷的一个典型特征是在不同的光谱范围具有不同的特征表现。

由于电池片缺陷检测精度要求比较高，而且缺陷种类繁多，不同的多晶硅电池片之间，颜色、晶格的差距也比较大。而电池片图像背景不均匀对比度弱，且表面非均匀纹理与缺陷特征相似。如Anwar(ANWAR S A,ABDULLAH M Z.Micro-crack detection ofmulticrystalline solar cells featuring an improved anisotropic diffusionfilter and image segmentation technique[J].Eurasip Journal on ImageVideoProcessing,2014,2014(1):1-17.)提出了改进的各向异性扩散滤波器和先进的图像分割技术的算法，用于检测多晶硅太阳能电池微裂纹缺陷，检测结果可以达到88％，该方法只应用于微裂纹检测，无法对多种缺陷进行检测；Tsai等(TSAI D M,WU S C,CHIU W Y.DefectDetection in Solar Modules Using ICA Basis Images[J].IEEE Transactions onIndustrial Informatics,2013,9(1):122-131.)提出一种基于独立分量分析的方法，对检测图像与重建图像之间的重建误差进行评估，以检测缺陷的存在，该方法对于光照不均匀区域内的缺陷会出现误检。

这就导致了传统的图像特征提取方法难以有效地感知复杂背景下的缺陷信息，在适应性方面表现出明显的不足。其根本原因在于开发算法的缺陷特征依赖人工选择，对海量图像大数据的特征表示能力较弱。为此，近年来基于深度学习的自主特征提取方法日益得到重视。

近年来，深度卷积神经网络在多个缺陷检测领域正得到快速的研究，但是在光伏电池片复杂表面多种类缺陷检测领域还未见报道。

因此，本发明提出一种基于深度学习的自主特征提取方法的方法，解决太阳能电池表面非均匀复杂纹理背景下的多类别缺陷检测问题，提高光伏电池产品的整体质量。

发明内容

为了解决太阳能电池表面非均匀复杂纹理背景下的多类别缺陷检测问题，本发明提供了一种基于多光谱深度卷积神经网络的视觉缺陷检测方法，该方法用于光伏电池片外观的缺陷检测，能对太阳能电池表面这种缺陷形状随机、背景复杂的缺陷进行检测，且具有更高的准确性和适应性，缺陷识别的准确率达到94.30％。

本发明解决上述技术问题采用的技术方案是：