[发明专利]一种深度卷积神经网络的视觉缺陷检测方法

说明书

本发明为一种具有结构解耦功能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表面缺陷检测，创造性的通过将SEF的结构解耦功能集成到CNN中，同时保留公共卷积层的特征提取能力，加强了模型对复杂裂纹缺陷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；对比于VGG16和GO‑CNN表面缺陷检测方法，设计的结构解耦神经网络模型在三个指标(精度、召回率、F‑测度)上都提升3％左右，而且可以有效的解决电池片表面背景纹理复杂、裂纹缺陷特征多样、形状随机的问题，缺陷识别的准确率达到99％。

技术领域

本发明涉及光伏电池缺陷检测技术领域，主要涉及一种基于结构解耦功能的深度卷积神经网络的视觉缺陷检测方法。

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。

在太阳能电池的生产过程中，热应力，锯损伤蚀刻，蚀刻时间，运输和处理过程中产生的物理应力等不可避免地导致太阳能电池中的裂缝缺陷。太阳能电池中的裂纹缺陷不仅会降低电池效率，还会降低可靠性。因此，早期发现太阳能电池中的裂缝对于避免有缺陷的太阳能电池进入光伏模块的下一生产步骤是至关重要的。有效的裂纹缺陷检测在太阳能电池的智能制造过程中变得越来越重要，可以显著提高制造生产线中光伏模块的质量。

在过去的十年中，已经提出了许多方法来检查各种复杂背景下的裂缝。对于太阳能电池的裂缝检测，Tsai等人(D.M.Tsai,C.C.Chang,S.M.Chao,“Micro-crack inspectionin heterogeneously textured solar wafers using anisotropic diffusion,”Image.Vis.Comput.,vol.28,no.3,pp.491-501,2010.)应用各向异性扩散方案，利用灰度和梯度特征来解决异质纹理问题和微裂纹与多粒度背景之间的相似性。然而，这些方法仅显示其对线形裂纹的有效性，并且仅在非常有限的数据集上可以实现，其表达大量图像的特征的能力弱，适应性方面存在明显的缺陷。因此，一些具有强大特征提取能力的机器学习方法正在受到越来越多的关注。

最近，为了更全面地表现目标特征，已经采用了一些深度学习方法来实现裂纹缺陷检测的优异性能，陈等人(F.C.Chen,J.Mohammad R,“NB-CNN:Deep Learning-BasedCrack Detection Using Convolutional Neural Network and Naive Bayes DataFusion,”IEEE Trans.Ind.Electron.,vol.65,no.5,pp.4392-4400,2018)提出了一个基于CNN和Naive Bayes数据融合方案的NB-CNN框架，用于核电站视频帧的裂缝检测，并达到98.3％的命中率。然而，该方法主要解决了微小裂缝和噪声模式的挑战性问题，没有涉及复杂结构的裂缝。

任等人(R.Ren,T.Hung,K.C.Tan,“A Generic Deep-Learning-Based Approachfor Automated Surface Inspection,”IEEE Trans.Cybern.,vol.48,no.3,pp.929-940,Mar.2018.)提出了一种自动表面检测(ASI)的通用方法，它实现了图像分类和缺陷分割。首先，构建基于图像补丁特征的补丁分类器。然后，该方法基于贴片特征生成缺陷热图，并通过对热图进行阈值处理和分割来预测缺陷区域。但是，该方法仍然仅适用于小数据集，仅实现了均匀纹理中的表面缺陷的检查。

关于如何在复杂背景纹理中实现目标检查的结构保存和复杂背景抑制的CNN模型，现有技术中并没有涉及，因此我们提出了一种新颖的深度学习框架，它具有结构解耦功能，融合了可操纵的证据过滤器(SEF)进行裂缝检测。结构和纹理背景实现了解耦，并且可以从非均匀纹理背景中正确地检测各种类型的裂缝。