[发明专利]基于多通道残差神经网络的光伏电池外观缺陷分类方法

说明书

本发明为基于多通道残差神经网络的光伏电池外观缺陷分类方法，该方法基于多通道输入残差神经网络的深度学习算法来分类光伏电池外观缺陷，首先对采集的光伏电池片外观图像进行预处理；从目标图像中随机抽取20％作为测试样本集，对剩余目标图像进行人工分选，并添加标签，并将目标图像尺寸量化并提取目标图像中的多通道信息，从而分别得到固定尺度的训练样本集、验证样本集；将训练集输入残差神经网络，获得图像的多维输出特征值矩阵；根据提取到的多维特征值矩阵，将验证集图像特征载入softmax分类器中进行分类，将分类结果与标签进行对比，将测试数据和多维特征值矩阵，载入分类器，得到最终的分类。本申请准确率高，速度快。

技术领域

本发明涉及光伏电池外观缺陷分类的视觉检测技术领域，具体是一种基于多通道残差神经网络的光伏电池外观缺陷分类方法。

背景技术

硅晶片的质量直接决定了光伏电池的效率。电池片生产过程中镀膜和湿法刻蚀的环节可能会造成外观缺陷，包括脏片、色差、划痕、粗线、断栅、漏浆，缺角、崩边等，影响到了电池片的效率。现阶段国内外外观缺陷检测分类主要有以下几种方法：人工目视检测法，CCD检测法等。一些国外的大型公司如比利时ICOS等推出了专业的基于CCD相机的太阳能视觉检测系统，能够支持微裂痕检测、位置检测等，而国内由于起步较晚，并没有这样成熟的视觉检测系统。但是，国内大部分中小企业并无法承担进口的硬件设备和高昂的软件授权。目前，国内有李桥(李桥.基于机器视觉的太阳能电池外观检测技术研究[D].苏州大学,2016.)提出了结合局部自适应阈值处理法和区域生长法的检测算法可以检测出倒角，边缘缺损和表面污迹等缺陷这些方法，但是这样的方法，实时性能差，且不适用于多晶硅电池片；王宪保(王宪保,李洁,姚明海,何文秀,钱沄涛.基于深度学习的太阳能电池片表面缺陷检测方法[J].模式识别与人工智能,2014,27(06):517-523.)提出深度置信网络(DBN)深度学习算法检测裂痕、刮擦和缺角，对于隐形缺陷，例如粗线，漏浆等，并不能检测出来。在这样的情况下，开发一种能够进行快速智能检测太阳能光伏电池多晶硅片、具有较强的适应性能、泛化性能和较低误检率的检测方法，提高光伏电池产品的整体质量，降低光伏电池行业的总体成本，从而促进光伏产业的整体发展，是许许多多相关从业人员们身上肩负的重大责任。

发明内容

针对光伏电池外观缺陷分类人工方法的不足，本发明拟解决的技术问题是，提供一种基于多通道残差神经网络的光伏电池外观缺陷分类方法。该方法基于多通道输入残差神经网络的深度学习算法来分类光伏电池外观缺陷，首先对采集的光伏电池片外观图像进行预处理，即采用区域形态学处理和最小二乘法边缘提取与拟合，获得具有有效边缘的目标图像；从目标图像中随机抽取20％作为测试样本集，对剩余目标图像进行人工分选，并添加标签，并将目标图像尺寸量化并提取目标图像中的多通道信息，从而分别得到固定尺度的训练样本集、验证样本集；将训练集输入残差神经网络，获得图像的多维输出特征值矩阵，可实现光伏电池图像特征提取；根据提取到的多维特征值矩阵，将验证集图像特征载入softmax分类器中进行分类，将分类结果与标签进行对比，返回错误率和损失函数loss到残差神经网络中；重复训练，损失函数loss不大于0.01时，停止训练，得到最终的多维特征值矩阵；将测试数据和多维特征值矩阵，载入分类器，得到最终的分类。

本发明解决所述技术问题所采用的技术方案是，设计一种基于多通道残差神经网络的光伏电池外观缺陷分类方法，该方法用于光伏电池外观缺陷的分类，包括以下步骤：

第一步：图像预处理

1-1图像获取：通过彩色工业相机获取光伏电池图像；

1-2图像形态调整和边缘处理：采用区域形态学处理去除图像中的皮带轮部分，对图像中硅片的边缘进行最小二乘法边缘提取与拟合，将原本图像中曲线边界拟合成直线，从而获得具有有效边缘的目标图像；

1-3测试样本集制作：对步骤1-2的目标图像进行人工分选，并添加缺陷种类标签，从中随机抽取20％的目标图像作为测试样本集；