[發(fā)明專利]一種基于深度學習的太陽能電池板缺陷檢測方法在審
| 申請?zhí)枺?/td> | 202010034120.9 | 申請日： | 2020-01-11 |
| 公開（公告）號： | CN111260617A | 公開（公告）日： | 2020-06-09 |
| 發(fā)明（設(shè)計）人： | 李文舉;高小冬 | 申請（專利權(quán)）人： | 上海應用技術(shù)大學 |
| 主分類號： | G06T7/00 | 分類號： | G06T7/00;G06T7/11;G06N3/08;G06N3/04;G06K9/62 |
| 代理公司： | 上海漢聲知識產(chǎn)權(quán)代理有限公司 31236 | 代理人： | 胡晶 |
| 地址： | 200235 上海*** | 國省代碼： | 上海;31 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 基于 深度 學習 太陽能 電池板 缺陷 檢測 方法 | ||
1.一種基于深度學習的太陽能電池板缺陷檢測方法，其特征在于，所述方法至少包括以下步驟：
S101，采用圖像采集設(shè)備獲取被測樣品的彩色圖像；
S102，對所述彩色圖像進行RGB顏色空間分離，獲取一通道圖像；
S103，采用高斯濾波對所述分離的所述彩色圖像的通道圖像其進行預處理；
S104，對步驟S103中處理后的圖像進行ROI區(qū)域劃分，分離前景區(qū)域圖像，以減少對圖像處理所產(chǎn)生的影響；
S105，對圖像進行分割，分離背景中的缺陷特征區(qū)域；
S106，根據(jù)太陽能電池板的缺陷的特征提取太陽能電池板有缺陷的區(qū)域；
S107，使用訓練好的缺陷數(shù)據(jù)集進行預測，來對提取的缺陷進行分類。
2.根據(jù)權(quán)利要求1所述的基于深度學習的太陽能電池板缺陷檢測方法，其特征在于，所述步驟S105之后，還包括：增強圖像的對比度，凸顯圖像的表面特征，增加圖像缺陷特征的銳化程度。
3.根據(jù)權(quán)利要求1所述的基于深度學習的太陽能電池板缺陷檢測方法，其特征在于，前期準備有缺陷的訓練樣本，對卷積神經(jīng)網(wǎng)絡進行訓練。
4.根據(jù)權(quán)利要求1所述的基于深度學習的太陽能電池板缺陷檢測方法，其特征在于，所述通道圖像為R通道、G通道以及B通道中任一通道圖像。
5.根據(jù)權(quán)利要求1所述的基于深度學習的太陽能電池板缺陷檢測方法，其特征在于，所述通道圖像為R通道、G通道以及B通道中任意幾種通道圖像的疊加。
6.根據(jù)權(quán)利要求1所述的基于深度學習的太陽能電池板缺陷檢測方法，其特征在于，所檢測的太陽能電池板的類型為單晶硅和多晶硅，柵線的類型為二至五。
7.根據(jù)權(quán)利要求1所述的基于深度學習的太陽能電池板缺陷檢測方法，其特征在于，所述被測樣品的尺寸為：
156mm*156mm，6.75mm*156.75mm，160mm*160mm。
8.根據(jù)權(quán)利要求1所述的基于深度學習的太陽能電池板缺陷檢測方法，其特征在于，太陽能電池板中細柵線方向有條狀的黑線、色線條或區(qū)域大小不均、灰色不計入斷柵。
9.根據(jù)權(quán)利要求1至7中任一所述的基于深度學習的太陽能電池板缺陷檢測方法，其特征在于，檢測操作在暗室中進行。
10.根據(jù)權(quán)利要求9所述的基于深度學習的太陽能電池板缺陷檢測方法，其特征在于，所述圖像采集設(shè)備為分辨率不低于120w的彩色相機。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于上海應用技術(shù)大學，未經(jīng)上海應用技術(shù)大學許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010034120.9/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
