[發明專利]基于人工智能的光伏電池內部缺陷類別檢測方法及系統

在審

• 申請號: 202011091433.4
• 申請日: 2020-10-13
• 公開（公告）號: CN112129767A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 陳松山;房桂麗
• 申請（專利權）人: 陳松山
• 主分類號: G01N21/88
• 分類號: G01N21/88;G01N25/72;H02S50/10
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于人工智能的光伏電池內部缺陷類別檢測系統，其特征在于，該系統包括：

電池板缺陷感知模塊、內部缺陷分析模塊與缺陷類別判斷模塊；

所述電池板缺陷模塊，用于采集電池板圖像，獲取電池板缺陷區域語義圖像，得到所述缺陷區域的最小外接矩形區域；

所述內部缺陷分析模塊，包括面積占比單元、溫度離散單元和電池片效率單元；

所述面積占比單元，用于獲取所述缺陷區域的面積Sum和所述最小外接矩形區域的面積S_矩形，得到所述缺陷區域在所述最小外接矩形區域的面積占比A；

所述溫度離散單元，用于獲取電池板溫度T，根據所述電池板溫度的均值D(T)和方差σ(T)得到電池板溫度的離散程度V；

所述電池片效率單元，用于獲取所述最小外接矩形區域的電壓值U、電流值I、面積S矩形和光照強度E，得到所述最小外接矩形區域的發電效率μ；

所述缺陷類別判斷模塊，用于根據所述面積占比A、所述電池板溫度的離散程度V和所述最小外接矩形區域的發電效率μ所構建的缺陷類別判斷函數H，通過所述判斷函數H與預設閾值判斷缺陷類別。

2.根據權利要求1所述的基于人工智能的光伏電池內部缺陷類別檢測系統，其特征在于：

所述判斷函數H為：

其中，a為預設常數。

3.根據權利要求1所述的基于人工智能的光伏電池內部缺陷類別檢測系統，其特征在于：

所述電池板溫度的離散程度V為：

其中，K為預設常數。

4.根據權利要求1所述的基于人工智能的光伏電池內部缺陷類別檢測系統，其特征在于：

所述缺陷類別包括線狀隱裂缺陷、混檔缺陷和黑片缺陷。

5.基于人工智能的光伏電池內部缺陷類別檢測方法，其特征在于，包括步驟：

采集電池板圖像，獲取電池板缺陷區域圖像，得到所述缺陷區域的最小外接矩形；

獲取所述缺陷區域的面積Sum和所述最小外接矩形區域的面積S_矩形，得到所述缺陷區域在所述最小外接矩形區域的面積占比A；

獲取電池板溫度T，根據所述電池板溫度的均值D(T)和方差σ(T)得到電池板溫度的離散程度V；

獲取所述最小外接矩形區域的電壓值U、電流值I、面積S_矩形和光照強度E，得到所述最小外接矩形區域的發電效率μ；

根據所述面積占比A、所述電池板溫度的離散程度V和所述最小外接矩形區域的發電效率μ所構建的缺陷類別判斷函數H，通過所述判斷函數H與預設閾值判斷缺陷類別；所述缺陷類別包括線狀隱裂缺陷、混檔缺陷和黑片缺陷。

6.根據權利要求6所述的基于人工智能的光伏電池內部缺陷類別檢測方法，其特征在于：

所述判斷函數H為：

其中，a為預設常數。

7.根據權利要求6所述的基于人工智能的光伏電池內部缺陷類別檢測方法，其特征在于：

所述電池板溫度的離散程度V為：

其中，K為預設常數。

8.根據權利要求6所述的基于人工智能的光伏電池內部缺陷類別檢測方法，其特征在于：

所述缺陷類別包括線狀隱裂缺陷、混檔缺陷和黑片缺陷。

9.根據權利要求6所述的基于人工智能的光伏電池內部缺陷類別檢測方法，其特征在于，通過所述判斷函數H與預設閾值判斷缺陷類別的步驟包括：

當判斷函數H的值小于預設閾值以及小于0時，判斷黑片缺陷；

當判斷函數H的值小于預設閾值以及大于0時，判斷混檔缺陷；

當判斷函數H的值大于預設閾值時，判斷線狀隱裂缺陷。