[发明专利]基于人工智能的光伏电池板焊带偏移检测方法及系统

权利要求书

1.一种基于人工智能的光伏电池板焊带偏移检测方法，其特征在于，包括如下步骤：

步骤1，获取光伏电池板的图像信息，所述光伏电池板的图像信息包括训练集和测试集；

步骤2，将测试集输入训练好的关键点网络模型，利用关键点编码器提取特征，输出图像特征信息，之后将图像特征信息输入到关键点解码器后进行上采样后，输出关键点热图特征，所述关键点热图特征为光伏电池板的四个角点坐标；

步骤3，采用仿射变换对所述关键点热图特征进行校正，获得光伏电池板表面特征图；

步骤4，将所述光伏电池板表面特征图按设定规则进行划分，得到横向和纵向的焊带区域；并对所述横向和纵向的焊带区域进行预处理，获取光伏电池板焊带；光伏电池板焊带记为{l(0,1),l(0,2),……l(0,h/k),l(1,0),l(2,0)……,l(w/k,0)}；

步骤5，对获取的光伏电池板焊带进行边缘检测，获取边缘二值图像，利用soft Argmax函数提取采样点的坐标信息，进而得到若干个离散采样点以及对应的位置信息，其中以边缘二值图像的每两个像素点选取一个采样点；

步骤6，分别对步骤5中得到的离散采样点以及对应的位置信息进行线性拟合和多项式拟合，获取拟合的线性直线L1(x)和多项式曲线L2(x)，将得到的两条不同的曲线做差值运算，获取差值ΔS(x)，将差值ΔS(x)与设定阈值比较，当差值ΔS(x)大于设定阈值时，判定光伏焊带发生偏移；

所述差值ΔS(x)为：

ΔS(x)＝∫₀^x[L2(x)-L1(x)]dx,0≤x≤max(w,h)

式中，x为采样点的横坐标，w为原始图像的宽度尺寸，h为原始图像的长度尺寸。

2.根据权利要求1所述的基于人工智能的光伏电池板焊带偏移检测方法，其特征在于，步骤2中，获取关键点热图特征的过程为：

构建关键点网络模型，采用训练集对构建的关键点网络模型进行训练，得到训练好的关键点网络模型；其中关键点网络模型包括关键点编码器和关键点解码器；将测试集输入到关键点编码器进行特征提取，输出特征图，然后将特征图作为关键点解码器的输入，进行上采样，输出与关键点热图。

3.根据权利要求2所述的基于人工智能的光伏电池板焊带偏移检测方法，其特征在于，所述关键点网络模型为Encoder-Decoder网络模型。

4.根据权利要求1所述的基于人工智能的光伏电池板焊带偏移检测方法，其特征在于，步骤3中，仿射变换公式为：

其中，x和y为原始图像的像素点，x’和y’为光伏电池板的正视图的像素点，M为仿射变换矩阵。

5.根据权利要求1所述的基于人工智能的光伏电池板焊带偏移检测方法，其特征在于，步骤5中，采用Sobel算子对光伏焊带边缘进行检测。

6.根据权利要求1所述的基于人工智能的光伏电池板焊带偏移检测方法，其特征在于，步骤6中，所述线性直线L1(x)为：

Ax+B＝y

其中，A、B为系数；

所述多项式曲线L2(x)为：

其中，W₀……W_M是多项式的系数，记作W，x为采样点的横坐标。

7.一种基于人工智能的光伏电池板焊带偏移检测系统，其特征在于，所述系统包括：

图像信息采集模块，获取光伏电池板的图像信息，所述光伏电池板的图像信息包括训练集和测试集；

图像识别模块，将测试集输入训练好的关键点网络模型，测试集先利用关键点编码器提取特征，输出图像特征信息，之后将图像特征信息输入到关键点解码器后进行上采样后，输出关键点热图特征，所述关键点热图特征为光伏电池板的四个角点坐标；

图像处理模块，采用仿射变换对所述关键点热图特征进行校正，获得光伏电池板表面特征图；

计算模块，将所述光伏电池板表面特征图按设定规则进行划分，得到横向和纵向的焊带区域；并对所述横向和纵向的焊带区域进行预处理，获取光伏电池板焊带；光伏电池板焊带记为{l(0，1)，l(0,2),……l(0,h/k)，l(1，0)，l(2,0)……，l(w/k，0)}；

特征处理模块，对获取的光伏电池板焊带进行边缘检测，获取边缘二值图像，利用softArgmax函数提取采样点的坐标信息，进而得到若干个离散采样点以及对应的位置信息，其中以边缘二值图像的每两个像素点选取一个采样点；

图像判定模块，对得到的离散采样点以及对应的位置信息进行线性拟合和多项式拟合，获取拟合的线性直线L1(x)和多项式曲线L2(x)，将得到的两条不同的曲线做差值运算，获取差值ΔS(x)，将差值ΔS(x)与设定阈值比较，当差值ΔS(x)大于设定阈值时，判定光伏焊带发生偏移；

所述差值ΔS(x)为：

ΔS(x)＝∫₀^x[L2(x)-L1(x)]dx，0≤x≤max(w，h)

式中，x为采样点的横坐标，w为原始图像的宽度尺寸，h为原始图像的长度尺寸。