[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

说明书

本发明涉及基于人工智能的光伏电池板焊带偏移检测方法及系统，其通过获取光伏电池板的图像信息，将测试集输入训练好的关键点网络模型，获取关键点热图特征，并采用仿射变换对关键点热图特征进行校正，获得光伏电池板表面特征图，对其进行划分，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；对获取的光伏电池板焊带进行边缘检测，并提取采样点的坐标信息，得到若干个离散采样点以及对应的位置信息；并进行采样点拟合，获取拟合的线性直线和多项式曲线，将得到的两条的曲线做差值运算，获取差值，当差值大于设定阈值时，判定光伏焊带发生偏移；即本发明的方法不再依赖人工检测，提高了检测效率。

技术领域

本发明属于人工智能技术领域，尤其涉及基于人工智能的光伏电池板焊带偏移检测方法及系统。

背景技术

光伏焊带为镀锡铜带或涂锡铜带，是由15-40微米厚的锡层包裹的铜带制成，分汇流带和互连条，应用于光伏电池片的连接，主要作用是传输电流，因此光伏焊带的质量影响着光伏组价的发电量；光伏焊带的质量检测是尤为重要的。

光伏电池板的生产过程中，因焊接工艺波动以及焊条的氧化等不可控因素会导致光伏电池板出现各种缺陷，焊带偏移就是其中之一。

焊带偏移会影响电流正常通过，影响组件功率衰减降低组件使用寿命。而现有的光伏电池板的焊带检测主要靠人工在生产过程中抽样检测来完成，无疑增加了人工成本，且效率低下。

发明内容

本发明的目的是提供一种基于人工智能的光伏电池板焊带偏移检测方法及系统，用于解决现有的光伏电池板的焊带检测依赖人工检测，效率低的问题。

为了实现上述目的，本发明提供的一种基于人工智能的光伏电池板焊带偏移检测方法的技术方案，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；

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：

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。

进一步地，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。