[發(fā)明專(zhuān)利]基于卷積神經(jīng)網(wǎng)絡(luò)的光伏玻璃缺陷分類(lèi)方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201711481653.6
• 申請(qǐng)日: 2017-12-29
• 公開(kāi)（公告）號(hào): CN108108768B
• 公開(kāi)（公告）日: 2020-09-25
• 發(fā)明（設(shè)計(jì)）人: 劉燁斌;閆石;戴瓊海
• 申請(qǐng)（專(zhuān)利權(quán)）人: 清華大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京清亦華知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11201
• 代理人: 張潤(rùn)

本發(fā)明公開(kāi)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的光伏玻璃缺陷分類(lèi)方法及裝置，其中，方法包括：對(duì)多種的缺陷樣本進(jìn)行多角度變光照的圖像采集，以得到多個(gè)圖像；預(yù)處理各圖像并融合多通道信息，生成多通道融合的缺陷樣本圖像；采用滿(mǎn)足預(yù)設(shè)條件的卷積神經(jīng)網(wǎng)絡(luò)模型，根據(jù)缺陷類(lèi)別設(shè)計(jì)特征提取網(wǎng)絡(luò)，以構(gòu)建特征提取卷積神經(jīng)網(wǎng)絡(luò)；獲取全連接神經(jīng)網(wǎng)絡(luò)的層數(shù)及各層神經(jīng)元個(gè)數(shù)，構(gòu)建特征分類(lèi)網(wǎng)絡(luò)；在最小化交叉熵?fù)p失函數(shù)的條件下，完成卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；根據(jù)輸入的樣本圖像，通過(guò)訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)，輸出缺陷類(lèi)別的預(yù)測(cè)結(jié)果。該方法可以在保證模型泛化能力和預(yù)測(cè)精度的同時(shí)，有效解決訓(xùn)練集不充足的情況，并且對(duì)少量的玻璃缺陷樣本能達(dá)到較高的分類(lèi)精度。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，特別涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的光伏玻璃缺陷分類(lèi)方法及裝置。

背景技術(shù)

光伏玻璃缺陷分類(lèi)是一個(gè)比較新穎的領(lǐng)域。光伏壓花玻璃產(chǎn)量從2005年開(kāi)始隨著太陽(yáng)能光伏電池的火熱得到迅猛增長(zhǎng)，光伏玻璃在銷(xiāo)量增長(zhǎng)的同時(shí)伴隨著缺陷問(wèn)題越來(lái)越明顯，一方面有缺陷的光伏玻璃做成組件后，因玻璃缺陷會(huì)造成不可修復(fù)的組件降級(jí)或者報(bào)廢，造成的損失遠(yuǎn)大于光伏玻璃的成本消耗。另一方面，部分缺陷在后續(xù)添加增透膜的鋼化過(guò)程中可能產(chǎn)生玻璃爆裂等后果，對(duì)生產(chǎn)過(guò)程存在嚴(yán)重的安全隱患。前述已知不同類(lèi)別的缺陷容忍度不同，因此如何準(zhǔn)確的將檢測(cè)到的缺陷準(zhǔn)確的分類(lèi)對(duì)于缺陷識(shí)別也具有重要的作用。

相關(guān)技術(shù)，目前工業(yè)視覺(jué)檢測(cè)中對(duì)其進(jìn)行分類(lèi)往往要依靠經(jīng)驗(yàn)知識(shí)，檢測(cè)成本高并且工廠溫度高、噪音大等不利的工作環(huán)境對(duì)于人工檢驗(yàn)工作狀態(tài)是一個(gè)嚴(yán)峻的考驗(yàn)?？梢哉f(shuō)光伏玻璃缺陷檢測(cè)是一個(gè)亟待標(biāo)準(zhǔn)化和提供有效快速分類(lèi)解決方案的問(wèn)題。傳統(tǒng)方法中采用人工提取特征，設(shè)定閾值，級(jí)聯(lián)樹(shù)狀分類(lèi)通常嚴(yán)重依賴(lài)缺陷樣本的分布，人工成本頗高。各類(lèi)缺陷均比較多樣，同類(lèi)缺陷在相同照明條件下也存在一定的差別，并且一些可能存在的形態(tài)學(xué)的共同特征不易提取，因此傳統(tǒng)方法難以通過(guò)直觀總結(jié)出很強(qiáng)的圖像高階粗粒度特征進(jìn)行有效的分類(lèi)。

發(fā)明內(nèi)容

本發(fā)明旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問(wèn)題之一。

為此，本發(fā)明的一個(gè)目的在于提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的光伏玻璃缺陷分類(lèi)方法，該方法可以有效提高運(yùn)行速度，減少計(jì)算資源的消耗等，并且具有很強(qiáng)的魯棒性。

本發(fā)明的另一個(gè)目的在于提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的光伏玻璃缺陷分類(lèi)裝置。

為達(dá)到上述目的，本發(fā)明一方面實(shí)施例提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的光伏玻璃缺陷分類(lèi)方法，包括以下步驟：對(duì)多種的缺陷樣本進(jìn)行多角度變光照的圖像采集，以得到多個(gè)圖像；預(yù)處理各圖像并融合多通道信息，生成多通道融合的缺陷樣本圖像；采用滿(mǎn)足預(yù)設(shè)條件的卷積神經(jīng)網(wǎng)絡(luò)模型，根據(jù)缺陷類(lèi)別設(shè)計(jì)特征提取網(wǎng)絡(luò)，以構(gòu)建特征提取卷積神經(jīng)網(wǎng)絡(luò)；獲取全連接神經(jīng)網(wǎng)絡(luò)的層數(shù)及各層神經(jīng)元個(gè)數(shù)，構(gòu)建特征分類(lèi)網(wǎng)絡(luò)；在最小化交叉熵?fù)p失函數(shù)的條件下，完成所述卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；根據(jù)輸入的樣本圖像，通過(guò)訓(xùn)練后的所述卷積神經(jīng)網(wǎng)絡(luò)，輸出缺陷類(lèi)別的預(yù)測(cè)結(jié)果。

本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的光伏玻璃缺陷分類(lèi)方法，通過(guò)利用多角度，光強(qiáng)等條件下采集的圖像，充分挖掘玻璃缺陷樣本各個(gè)維度的信息；通過(guò)訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)，輸出缺陷類(lèi)別的預(yù)測(cè)結(jié)果，有效提高運(yùn)行速度，減少計(jì)算資源的消耗等，在保證模型泛化能力和預(yù)測(cè)精度的同時(shí)，有效解決訓(xùn)練集不充足的情況，并且對(duì)少量的玻璃缺陷樣本能達(dá)到較高的分類(lèi)精度，具有很強(qiáng)的魯棒性。

另外，根據(jù)本發(fā)明上述實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的光伏玻璃缺陷分類(lèi)方法還可以具有以下附加的技術(shù)特征：

進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，在數(shù)據(jù)獲取方面，利用不同照明條件下數(shù)據(jù)聯(lián)合進(jìn)行分類(lèi)。

進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，在分類(lèi)算法方面，所述卷積神經(jīng)網(wǎng)絡(luò)的特征提取器初始參數(shù)為在大規(guī)模數(shù)據(jù)集上預(yù)訓(xùn)練的卷積核。