[發明專利]太陽能電池表面缺陷檢測方法

有效

• 申請號: 202110646252.1
• 申請日: 2021-06-10
• 公開（公告）號: CN113298797B
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 張雄;候婷;上官宏;王安紅;武曉嘉;李進
• 申請（專利權）人: 太原科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/762;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 太原中正和專利代理事務所(普通合伙) 14116
• 代理人: 焦進宇

本發明屬于太陽能電池表面缺陷檢測技術領域，具體技術方案為：太陽能電池表面缺陷檢測方法，具體步驟為：一、收集太陽能電池EL圖像；二、對太陽能電池表面缺陷圖像數據進行類別分類、標注、格式轉換操作，獲得太陽能電池標明缺陷檢測數據集；三、對缺陷數據集進行訓練；四、對太陽能電池表面缺陷數據集進行測試；在步驟三的步驟中，本發明在特征提取階段使用跨層連接，充分保留了淺層的細節紋理信息，進一步增強了太陽能電池表面缺陷特征的表達能力，在RPN中融合了三支路空洞卷積塊，更好地學習不同尺度范圍內的特征，使得提取到的候選框更加準確，適用性更強，本發明提出了新的評判標準，可以廣泛地應用在使用NMS策略的檢測網絡中。

技術領域

本發明屬于太陽能電池表面缺陷檢測技術領域，具體涉及一種基于卷積神經網絡多特征融合與相似度非極大值抑制機制研究的太陽能電池板缺陷檢測方法。

背景技術

太陽能光伏發電技術是太陽能技術的典型代表，該技術的廣泛應用很好地緩解了因煤炭、石油等不可再生能源的過度使用和大量消耗造成的環境問題。而太陽能電池板的質量決定了太陽能光伏發電技術的效率，但是由于太陽能電池板基體易碎且生產工藝復雜，非常容易因為工藝缺陷或者人為失誤而導致太陽能電池表面出現裂片、裂紋、虛焊等比較細微且難以檢測的缺陷，這些缺陷將嚴重降低電池板的光電轉化效率和使用壽命，因此深入研究太陽能電池板缺陷檢測技術就顯得十分重要。

目測法、物理方法和計算機視覺是傳統的太陽能電池表面缺陷檢測的主要方法。目測法主要依靠工人的既定標準和經驗常識，工作內容枯燥且效率低下；物理方法對顯著性缺陷檢測有一定效果，但是對細微的裂紋等缺陷檢測效果很差。傳統的機器學習僅通過將輸入信號轉化成處理特定問題的空間而將其轉化成相應的簡單的特征結構，受限于樣本數量和計算能力，因而對復雜函數的表達能力有限。而深度學習通過使用不同激活函數和不同層次的網絡進一步模仿人腦機制，從而實現復雜函數的逼近，具有較強的特征提取能力。

近年來隨著深度學習的發展，卷積神經網絡(convolution neural network.簡稱CNN)在許多領域得到了廣泛的應用，使得實時地獲取、保存和檢測到太陽能電池板缺陷成為可能。此外，由于具有檢測實時、判斷精確、速度快以及操作便捷等優點，基于計算機視覺的缺陷檢測方法已經成為當前表面缺陷檢測領域的重要發展方向，許多卷積神經網絡算法被應用于太陽能電池表面缺陷檢測中。

2010年，Tsai DM等人提出了用于檢測太陽能晶片制造中微裂紋缺陷的機器視覺方案，通過將在LED(Light Emitting Diode)燈照明下用CCD(電耦合器件，Charge-coupledDevice)相機捕捉到的圖像的梯度和灰度作為的特征進行調整擴散系數，并使用自適應平滑和二元閾值處理等運算得到分割出的微裂紋；丁葉飛等通過使用觀察和分析太陽能電池片發光致電的成像圖而檢測出太陽能電池表面的諸多缺陷，進而為太陽能電池表面缺陷檢測方法拓展出廣闊的應用前景；李迪、張舞杰等人提出了一種依據太陽能電池板不同特點而進行檢測的基于機器視覺的太陽能電池硅片缺陷檢測方法，針對不同缺陷類型進一步提出結合差陰影以及多模板匹配法。

2012年，李斌等人通過訓練支持向量機(SVM)搭建了基于生物視覺感知機制的模型，從而實現了對太陽能電池表面缺陷的分類，基本實現了太陽能電池表面缺陷檢測的自動化，但是可以檢測到的表面缺陷檢測類別不多，準確率普遍較低，無法在太陽能電池表面缺陷檢測中實現集成使用。

2014年，王憲寶等人提出的基于深度學習的檢測方法通過無監督學習訓練網絡層次較深的置信度網絡重構出太陽能電池板圖像，實現了太陽能電池表面缺陷的檢測。

2015年，李夢園等人通過分析卷積神經網絡(CNNs)與深度信念網絡(DBNs)應用在缺陷檢測中的諸多不足進而提出了基于深度卷積信念網絡的太陽能電池表面缺陷識別方法，但是由于數據集樣本較少，導致網絡模型參數過度擬合，從而無法分辨出裂紋缺陷，同時過擬合現象嚴重。