[發明專利]基于多通道殘差神經網絡的光伏電池外觀缺陷分類方法

有效

• 申請號: 201811317466.9
• 申請日: 2018-11-07
• 公開（公告）號: CN109376792B
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 陳海永;劉佳麗;劉聰;韓江銳;文熙;龐悅
• 申請（專利權）人: 河北工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06V10/764;G06V10/774;G06V10/82;G06K9/62
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 付長杰

本發明為基于多通道殘差神經網絡的光伏電池外觀缺陷分類方法，該方法基于多通道輸入殘差神經網絡的深度學習算法來分類光伏電池外觀缺陷，首先對采集的光伏電池片外觀圖像進行預處理；從目標圖像中隨機抽取20％作為測試樣本集，對剩余目標圖像進行人工分選，并添加標簽，并將目標圖像尺寸量化并提取目標圖像中的多通道信息，從而分別得到固定尺度的訓練樣本集、驗證樣本集；將訓練集輸入殘差神經網絡，獲得圖像的多維輸出特征值矩陣；根據提取到的多維特征值矩陣，將驗證集圖像特征載入softmax分類器中進行分類，將分類結果與標簽進行對比，將測試數據和多維特征值矩陣，載入分類器，得到最終的分類。本申請準確率高，速度快。

技術領域

本發明涉及光伏電池外觀缺陷分類的視覺檢測技術領域，具體是一種基于多通道殘差神經網絡的光伏電池外觀缺陷分類方法。

背景技術

硅晶片的質量直接決定了光伏電池的效率。電池片生產過程中鍍膜和濕法刻蝕的環節可能會造成外觀缺陷，包括臟片、色差、劃痕、粗線、斷柵、漏漿，缺角、崩邊等，影響到了電池片的效率。現階段國內外外觀缺陷檢測分類主要有以下幾種方法：人工目視檢測法，CCD檢測法等。一些國外的大型公司如比利時ICOS等推出了專業的基于CCD相機的太陽能視覺檢測系統，能夠支持微裂痕檢測、位置檢測等，而國內由于起步較晚，并沒有這樣成熟的視覺檢測系統。但是，國內大部分中小企業并無法承擔進口的硬件設備和高昂的軟件授權。目前，國內有李橋(李橋.基于機器視覺的太陽能電池外觀檢測技術研究[D].蘇州大學,2016.)提出了結合局部自適應閾值處理法和區域生長法的檢測算法可以檢測出倒角，邊緣缺損和表面污跡等缺陷這些方法，但是這樣的方法，實時性能差，且不適用于多晶硅電池片；王憲保(王憲保,李潔,姚明海,何文秀,錢沄濤.基于深度學習的太陽能電池片表面缺陷檢測方法[J].模式識別與人工智能,2014,27(06):517-523.)提出深度置信網絡(DBN)深度學習算法檢測裂痕、刮擦和缺角，對于隱形缺陷，例如粗線，漏漿等，并不能檢測出來。在這樣的情況下，開發一種能夠進行快速智能檢測太陽能光伏電池多晶硅片、具有較強的適應性能、泛化性能和較低誤檢率的檢測方法，提高光伏電池產品的整體質量，降低光伏電池行業的總體成本，從而促進光伏產業的整體發展，是許許多多相關從業人員們身上肩負的重大責任。

發明內容

針對光伏電池外觀缺陷分類人工方法的不足，本發明擬解決的技術問題是，提供一種基于多通道殘差神經網絡的光伏電池外觀缺陷分類方法。該方法基于多通道輸入殘差神經網絡的深度學習算法來分類光伏電池外觀缺陷，首先對采集的光伏電池片外觀圖像進行預處理，即采用區域形態學處理和最小二乘法邊緣提取與擬合，獲得具有有效邊緣的目標圖像；從目標圖像中隨機抽取20％作為測試樣本集，對剩余目標圖像進行人工分選，并添加標簽，并將目標圖像尺寸量化并提取目標圖像中的多通道信息，從而分別得到固定尺度的訓練樣本集、驗證樣本集；將訓練集輸入殘差神經網絡，獲得圖像的多維輸出特征值矩陣，可實現光伏電池圖像特征提取；根據提取到的多維特征值矩陣，將驗證集圖像特征載入softmax分類器中進行分類，將分類結果與標簽進行對比，返回錯誤率和損失函數loss到殘差神經網絡中；重復訓練，損失函數loss不大于0.01時，停止訓練，得到最終的多維特征值矩陣；將測試數據和多維特征值矩陣，載入分類器，得到最終的分類。

本發明解決所述技術問題所采用的技術方案是，設計一種基于多通道殘差神經網絡的光伏電池外觀缺陷分類方法，該方法用于光伏電池外觀缺陷的分類，包括以下步驟：

第一步：圖像預處理

1-1圖像獲取：通過彩色工業相機獲取光伏電池圖像；

1-2圖像形態調整和邊緣處理：采用區域形態學處理去除圖像中的皮帶輪部分，對圖像中硅片的邊緣進行最小二乘法邊緣提取與擬合，將原本圖像中曲線邊界擬合成直線，從而獲得具有有效邊緣的目標圖像；

1-3測試樣本集制作：對步驟1-2的目標圖像進行人工分選，并添加缺陷種類標簽，從中隨機抽取20％的目標圖像作為測試樣本集；