[發明專利]光伏電池分揀的深度學習識別與控制方法及裝置在審
| 申請號： | 201910632273.0 | 申請日： | 2019-07-13 |
| 公開（公告）號： | CN110473806A | 公開（公告）日： | 2019-11-19 |
| 發明（設計）人： | 陳海永;王霜;劉聰 | 申請（專利權）人： | 河北工業大學;天津愛普杰科技有限公司 |
| 主分類號： | H01L21/67 | 分類號： | H01L21/67;B07C5/34 |
| 代理公司： | 暫無信息 | 代理人： | 暫無信息 |
| 地址： | 300401 天津*** | 國省代碼： | 天津;12 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 學習 工業制造過程 缺陷特征提取 背景干擾 傳統學習 光伏電池 控制裝置 缺陷分類 特征提取 智能性 分揀 視覺 一體化 檢測 | ||
1.一種光伏電池視覺分揀的深度學習識別與控制方法，其特征在于，該方法包括：以下步驟：
S1：圖像采集
S1-1采集圖像
S1-2判定采集到的圖像是否超過500張，如果超過繼續下面步驟，如果沒超過，則再次進入到S1-1步驟中；
S1-3停止采集圖像，將采集到的圖像保存至相應的缺陷文件夾，按訓練集與驗證集進行人工分選與標簽制作；
S2：深度學校訓練
S2-1加載預訓練模型；
S2-2對Faster R-CNN模型參數進行初始化，初始化參數內容包括所有的權重值、偏置值、批量歸一化尺度因子值，設置網絡的初始學習率；
S2-3將所述步驟S1-3得到的訓練集和驗證集根據其標簽內容輸入到S2-2初始化的模型中進行訓練，得到表面缺陷深度學習模型；
S3：深度學習執行
S3-1實時采集測試圖像；
S3-2調用所述步驟S2-3得到的表面缺陷深度學習模型，對所述步驟S3-1的圖片進行測試；
S3-3得到實時檢測結果：包括缺陷類別以及定位缺陷的精確位置及其置信度；
S4：機器人分揀
S4-1將所述步驟S3-3得到的實時檢測結果反饋給機器人，由機器人執行分揀。
2.根據權利要求1所述的一種光伏電池視覺分揀的深度學習識別與控制方法，其特征在于：所述步驟S1-3中，所述訓練集與所述驗證集的比例為4:1。
3.根據權利要求1所述的一種光伏電池視覺分揀的深度學習識別與控制方法，其特征在于：所述步驟S3-1中采集圖像的模式可以為連續采集或者單張采集。
4.根據權利要求1-3任一項所述的一種光伏電池視覺分揀的深度學習識別與控制方法，其特征在于：所述缺陷文件夾為EL缺陷文件夾或者外觀缺陷文件夾。
5.一種采用光伏電池視覺分揀的深度學習識別與控制方法的裝置，其特征在于：所述裝置包括圖像采集模塊、深度學習訓練模塊、深度學習執行模塊以及機器人通訊模塊。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于河北工業大學;天津愛普杰科技有限公司，未經河北工業大學;天津愛普杰科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910632273.0/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：用于干燥基板的方法和設備
- 下一篇：半導體單片集成電路的蝕刻設備
- 同類專利
- 專利分類
H01L 半導體器件；其他類目中不包括的電固體器件
H01L21-00 專門適用于制造或處理半導體或固體器件或其部件的方法或設備
H01L21-02 .半導體器件或其部件的制造或處理
H01L21-64 .非專門適用于包含在H01L 31/00至H01L 51/00各組的單個器件所使用的除半導體器件之外的固體器件或其部件的制造或處理
H01L21-66 .在制造或處理過程中的測試或測量
H01L21-67 .專門適用于在制造或處理過程中處理半導體或電固體器件的裝置；專門適合于在半導體或電固體器件或部件的制造或處理過程中處理晶片的裝置
H01L21-70 .由在一共用基片內或其上形成的多個固態組件或集成電路組成的器件或其部件的制造或處理；集成電路器件或其特殊部件的制造
