[發明專利]一種缺陷檢測方法及裝置

在審

• 申請號: 202210526865.6
• 申請日: 2022-05-16
• 公開（公告）號: CN114627122A
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 李晶;馬超超;霍玥;王禹
• 申請（專利權）人: 北京東方國信科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/70;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 常芳

本發明提供一種缺陷檢測方法及裝置，包括：獲取目標光伏組件中每個單元電池片的待測單元EL圖像，并獲取所述每個單元電池片的待測單元外觀圖像；將所有的待測單元EL圖像輸入至第一缺陷檢測模型，確定由所述第一缺陷檢測模型輸出的第一缺陷類別和第一位置信息，并將所有的待測單元外觀圖像輸入至第二缺陷檢測模型，確定由所述第二缺陷檢測模型輸出的第二缺陷類別和第二位置信息。本發明提供的缺陷檢測方法及裝置，通過缺陷檢測模型對光伏組件上每個電池片的EL圖像和外觀圖像進行缺陷檢測，在提高缺陷檢測的精準度和識別效率的同時，能夠檢測更多的缺陷類別。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種缺陷檢測方法。

背景技術

太陽能電池片的生產工藝較為復雜，組件生產安裝過程中應熱力和機械應力等導致的缺陷直接影響到太陽能電池片的轉換效率和使用壽命，因此組件缺陷檢測是光伏組件生產過程中一個必不可少的環節。

隨著深度學習的提出，越來越多基于深度學習的缺陷檢測方法被提出并應用，例如多譜線的卷積神經網絡檢測方法，或是基于卷積神經網絡的多特征融合檢測方法，或是生成對抗網絡與卷積神經網絡相結合的太陽能電池組件的檢測方案，對太陽能電池表面進行缺陷檢測。

現有的檢測技術，無法兼顧精度和效率。

發明內容

本發明提供一種缺陷檢測方法及裝置，用以解決現有技術中無法兼顧精度和效率的缺陷，提高了缺陷檢測的精準度和識別效率。

本發明提供一種缺陷檢測方法，包括：

獲取目標光伏組件中每個單元電池片的待測單元EL圖像，并獲取所述每個單元電池片的待測單元外觀圖像；

將所有的待測單元EL圖像輸入至第一缺陷檢測模型，確定由所述第一缺陷檢測模型輸出的第一缺陷類別和第一位置信息，并將所有的待測單元外觀圖像輸入至第二缺陷檢測模型，確定由所述第二缺陷檢測模型輸出的第二缺陷類別和第二位置信息；

所述第一缺陷檢測模型是由帶有EL缺陷標簽的樣本單元EL圖像訓練后得到的，所述第二缺陷檢測模型是由帶有外觀缺陷標簽的樣本單元外觀圖像訓練后得到的。

根據本發明提供的一種缺陷檢測方法，所述第一缺陷檢測模型和所述第二缺陷檢測模型均是基于YOLOv5網絡構建的，在所述將所有的待測單元EL圖像輸入至第一缺陷檢測模型之前，還包括：

獲取多個樣本單元EL圖像；

確定每個樣本單元EL圖像對應的EL缺陷標簽，EL缺陷標簽包括EL缺陷類別標簽和EL位置信息標簽；

將每個樣本單元EL圖像和與其對應的EL缺陷標簽組合為一個EL訓練樣本，獲取多個EL訓練樣本；

利用所述多個EL訓練樣本對所述第一缺陷檢測模型進行訓練；

在所述將所有的待測單元外觀圖像輸入至第二缺陷檢測模型之前，還包括：

獲取多個樣本單元外觀圖像；

確定每個樣本單元外觀圖像對應的外觀缺陷標簽，外觀缺陷標簽包括外觀缺陷類別標簽和外觀位置信息標簽；

將每個樣本單元外觀圖像和與其對應的外觀缺陷標簽組合為一個外觀訓練樣本，獲取多個外觀訓練樣本；

利用所述多個外觀訓練樣本對所述第二缺陷檢測模型進行訓練。

根據本發明提供的一種缺陷檢測方法，所述獲取多個樣本單元EL圖像，包括：

獲取樣本光伏組件的樣本初始EL圖像；

根據樣本光伏組件中每個樣本單元電池片在所述樣本初始EL圖像中的尺寸，確定滑窗規格與滑窗步長；

基于所述滑窗規格與所述滑窗步長，對所述樣本初始EL圖像進行分割，以確定所述每個樣本單元電池片的樣本單元EL圖像。

根據本發明提供的一種缺陷檢測方法，所述獲取多個樣本單元外觀圖像，包括：

獲取所述樣本光伏組件的樣本初始外觀圖像；