[发明专利]一种基于双流CNN模型的太阳能网版缺陷检测办法

说明书

本发明公开了一种基于双流CNN深度卷积神经网络模型的太阳能网版缺陷检测方法，通过原始图像采集、图像块分割、高斯滤波处理与训练图像数据集生成、双流CNN模型训练与微调、特征提取与缺陷检测等步骤，实现对太阳能网版缺陷的检测。本发明将双流CNN深度卷积神经网络模型与机器视觉缺陷检测相结合，提高了太阳能网版缺陷检测的准确率与工作效率，降低了缺陷漏检率，从而保证了太阳能网版与电池的生产质量，降低了生产成本。

技术领域

本发明属于缺陷检测领域，尤其是涉及一种基于深度卷积神经网络的太阳能网版缺陷检测方法。

背景技术

近年来，太阳能作为一种清洁无污染、储量巨大的可再生能源，在工农业生产及日常生活中的应用日益广泛。太阳能光发电是指无需通过热过程直接将光能转变为电能的发电方式，光伏发电是实现太阳能发电的主要途径之一，太阳能电池则是光伏发电系统的关键组成部分。太阳能电池的批量制造多采用太阳能网版作为模具，其质量是太阳能电池光电转换效率与寿命的重要影响因素。

目前，太阳能网版的缺陷检测仍以人眼观察为主，准确率及工作效率较低，成本较高。采用机器视觉技术，可利用工业相机与计算机软件完成对太阳能网版缺陷的检测与识别；然而，传统机器视觉检测对于未知缺陷易出现漏检现象，导致检测结果的准确性下降，从而影响产品的可靠性。因此，有必要对现有机器视觉检测方法进行改进，提高太阳能网版缺陷检测的准确率与工作效率，从而保证太阳能网版与电池的生产质量，降低生产成本。

发明内容

本发明针对机器视觉在太阳能网版的研究短缺且传统机器视觉检测技术对于缺陷检测的漏检率高的问题，提出了一种基于深度学习的缺陷检测方法。

本发明所述的基于深度学习的太阳能网版缺陷检测方法包括如下步骤：

步骤1、系统初始化，调整光源，并调整相机到拍摄起始位置，依次对网版检测区域进行拍摄，相机每次采集固定分辨率大小的图像。

步骤2、对步骤1中相机所采集的图像进行分割，将原始图像分割为若干个固定分辨率大小的图像块。

步骤3、采用高斯滤波对分割的图像块进行处理，去除图像中的噪声，并生成缺陷训练图像数据集。

进一步的，所述步骤3中高斯滤波的具体操作是：用一个用户指定的模板扫描图像块中的每一个像素，用模板所确定邻域内像素的加权平均灰度值去替代模板中心像素点的值。

所述二维高斯分布的表达式为：

公式(1)中x和y分别为水平和垂直方向上的采样点相对于模板中心的偏移量，σ为高斯分布的标准差。所述的高斯滤波采用离散化窗口滑窗卷积或傅里叶变换实现。

步骤4、采用缺陷训练图像数据集，训练双流CNN深度卷积神经网络模型，利用缺陷图像对模型进行微调。

进一步的，所述步骤4中双流CNN模型采用卷积-反卷积架构。其中，蓝色卷积层用于提取区分真实缺陷和噪声的长度、厚度或整体形状的训练图像特征，并确定主动响应缺陷的原始图像特征是否驻留在图像块中；浅蓝色池化层对输入特征映射进行下采样；卷积层和池化层提供输出隐向量；橙色反卷积层从特征图和潜在矢量中重构感兴趣区域。

进一步的，所述步骤4中双流CNN模型由加权特征网络和低层特征网络组成。其中，加权特征网络中的卷积层针对不同层次训练分层特征，靠近输入层的图层提供了更原始的图像表示；而低层特征网络中的低层特征可用于边缘检测算法。

进一步的，所述步骤4中的微调分两步进行：

步骤4.1、将训练样本的输入送入显著性检测网络，若显示结果接近实际缺陷则选择部分输出样本。

步骤4.2、人工去除不希望的结构，使试样中只剩下缺陷。