CN108805173A - 太阳能电池片色差分选方法 - Google Patents

太阳能电池片色差分选方法 Download PDF

Info

Publication number
CN108805173A
CN108805173A CN201810465548.1A CN201810465548A CN108805173A CN 108805173 A CN108805173 A CN 108805173A CN 201810465548 A CN201810465548 A CN 201810465548A CN 108805173 A CN108805173 A CN 108805173A
Authority
CN
China
Prior art keywords
solar battery
battery sheet
grader
sample
separating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810465548.1A
Other languages
English (en)
Inventor
孟庆东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Maxwell Technologies Co Ltd
Original Assignee
Suzhou Maxwell Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Maxwell Technologies Co Ltd filed Critical Suzhou Maxwell Technologies Co Ltd
Priority to CN201810465548.1A priority Critical patent/CN108805173A/zh
Publication of CN108805173A publication Critical patent/CN108805173A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Sorting Of Articles (AREA)

Abstract

本发明涉及一种太阳能电池片色差分选方法，包括训练分类器和使用训练好的分类器识别太阳能电池片而获得对太阳能电池片的分类结果两步，训练分类器包括如下步骤：第一步：提供太阳能电池片样品；第二步：采用聚类算法对太阳能电池片样品进行迭代计算而得到若干聚类中心，并将太阳能电池片样品依据聚类中心分类为若干类别；第三步：标记出置信度低于设定数值的太阳能电池片样品并进行人工复核，得到人工复核后的聚类结果；第四步：将人工复核后的聚类结果作为分类器的训练样本，计算分类超平面，得到分类模型。本发明的可以降低人工参与度，而分类效果可以尽量减少主观因素的影响，得到令人满意的分类结果。

Description

太阳能电池片色差分选方法
技术领域
本发明属于太阳能电池片生产质量管控领域，具体涉及一种对太阳能电池片按颜色分类的色差分选方法。
背景技术
太阳能电池片生产设备产量日益提高，质量管控越来越严格。传统的质量管控需要大量的质检人员，这造成了2个缺点，一是日益提高的电池片产量需要大量的人力成本，二是这种质量检测更加依赖于主观因素，不利于生产的标准化。
色差分选是质量检测中的一环，现有技术的做法是：
（1）人工分类，提供色差样本；
（2）机器学习，找到分类边界；
（3）将学习结果应用于分类器进行分类；
（4）人工抽查分类结果，将分类错误或者有歧义的电池片挑出，反馈给分类器；
（5）调整参数，或者将错误分类电池片归入正确类别，再次学习，重复步骤（2）至（4）。
通常上述步骤需要重复很多次，才能得到正确的分类边界。
通过现场观察可以发现，提供给分类器的人工分类样本，通常包含歧义片，甚至有错误片，这对分类器的训练效果有较大影响。不加区分的依赖于人工分类训练分类器会得到错误的分类边界，这种错误通常不易发现，需要繁复调整，才能得到满意的分类结果。
发明内容
本发明的目的是提供一种减少人工参与度并能够获得较理想的分类结果的太阳能电池片色差分选方法。
为达到上述目的，本发明采用的技术方案是：
一种太阳能电池片色差分选方法，用于按颜色分类太阳能电池片，所述太阳能电池片色差分选方法包括训练分类器和使用训练好的分类器识别所述太阳能电池片而获得对所述太阳能电池片的分类结果两步，所述训练分类器包括如下步骤：
第一步：提供满足聚类算法所需数量的未经分类的太阳能电池片样品；
第二步：采用聚类算法对所述太阳能电池片样品进行迭代计算而得到若干聚类中心，并将所述太阳能电池片样品依据所述聚类中心分类为若干类别，得到初步聚类结果；
第三步：标记出置信度低于设定数值的太阳能电池片样品，人工复核标记出的太阳能电池片样品，确定其所属类别或作为异常片处理，从而得到人工复核后的聚类结果；
第四步：将人工复核后的聚类结果作为分类器的训练样本，计算分类超平面，得到分类模型，完成分类器的训练过程。
所述第一步和所述第二步中，所述聚类算法采用kmeans聚类方法。
所述第一步中，太阳能电池片样品的数量至少为1000片。
所述第二步中，采用所述kmeans聚类方法进行迭代计算所需的初始聚类中心使用经验数据，相似度采用Lab空间颜色相似度。
所述第三步中，所述置信度低于设定数值的太阳能电池片为与其对应的聚类中心的距离超过设定距离的太阳能电池片。
所述使用训练好的分类器识别所述太阳能电池片而获得对所述太阳能电池片的分类结果的方法为：当需要分类太阳能电池片时，在所述分类器中加载所述分类模型，对待分类的所述太阳能电池片做Lab颜色空间转换，从而利用所述分类器中加载的所述分类模型判断并给出所述太阳能电池片所属类别。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明的方法中分类器所需的训练样本无需人工准备，可以降低人工参与度，而分类效果可以尽量减少主观因素的影响，得到令人满意的分类结果。
附图说明
附图1为本发明的太阳能电池片色差分选方法的流程示意图。
具体实施方式
下面结合附图所示的实施例对本发明作进一步描述。
实施例一：作为质量检测中一环，用于按颜色分类太阳能电池片的色差分选需要借助于机器视觉技术来完成高效客观的分类。具体的流程如附图1所示。
一、训练分类器
训练分类器的过程包括如下步骤：
第一步：提供满足聚类算法所需数量的未经分类的太阳能电池片样品。通常太阳能电池片样品的数量至少为1000片。本实施例中，聚类算法指kmeans聚类方法。
第二步：利用程序对太阳能电池片样品做Lab颜色空间转换，并采用聚类算法对太阳能电池片样品进行大量迭代计算（例如迭代100次）而得到若干精确的聚类中心，并将太阳能电池片样品依据聚类中心分类为若干类别，从而得到初步聚类结果。采用kmeans聚类方法进行迭代计算所需的初始聚类中心使用经验数据，相似度采用Lab空间颜色相似度。通常分类后的太阳能电池片样品在其所属类别中距离聚类中心的类内距离小于3，而距离其他聚类中心的类间距离大于4。
第三步：程序标记出置信度低于设定数值的太阳能电池片样品（置信度低于设定数值的太阳能电池片为与其对应的聚类中心的距离超过设定距离的太阳能电池片），人工复核标记出的太阳能电池片样品，确定其所属类别或作为异常片处理（异常片通常为视觉差异大的电池片），从而得到人工复核后的聚类结果。
第四步：将人工复核后的聚类结果作为svm分类器的训练样本，计算分类超平面，得到分类模型，完成分类器的训练过程。
二、使用训练好的分类器识别太阳能电池片而获得对太阳能电池片的分类结果
当需要分类太阳能电池片时，在分类器中预先加载训练分类器获得的分类模型，然后对待分类的太阳能电池片做Lab颜色空间转换，从而利用分类器中加载的分类模型判断并给出待分类的该太阳能电池片所属类别。
通过上述方法得到的分类器，尽可能地剔除了人为因素，一致性较好。训练分类器所需的样本不需要人工事先准备，训练的过程更加自动化，且能够自动挑出异常片，减少了主观因素造成的异常片对分类性能的影响。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种太阳能电池片色差分选方法，用于按颜色分类太阳能电池片，所述太阳能电池片色差分选方法包括训练分类器和使用训练好的分类器识别所述太阳能电池片而获得对所述太阳能电池片的分类结果两步，其特征在于：所述训练分类器包括如下步骤：
第一步：提供满足聚类算法所需数量的未经分类的太阳能电池片样品；
第二步：采用聚类算法对所述太阳能电池片样品进行迭代计算而得到若干聚类中心，并将所述太阳能电池片样品依据所述聚类中心分类为若干类别，得到初步聚类结果；
第三步：标记出置信度低于设定数值的太阳能电池片样品，人工复核标记出的太阳能电池片样品，确定其所属类别或作为异常片处理，从而得到人工复核后的聚类结果；
第四步：将人工复核后的聚类结果作为分类器的训练样本，计算分类超平面，得到分类模型，完成分类器的训练过程。
2.根据权利要求1所述的太阳能电池片色差分选方法，其特征在于：所述第一步和所述第二步中，所述聚类算法采用kmeans聚类方法。
3.根据权利要求2所述的太阳能电池片色差分选方法，其特征在于：所述第一步中，太阳能电池片样品的数量至少为1000片。
4.根据权利要求2所述的太阳能电池片色差分选方法，其特征在于：所述第二步中，采用所述kmeans聚类方法进行迭代计算所需的初始聚类中心使用经验数据，相似度采用Lab空间颜色相似度。
5.根据权利要求2所述的太阳能电池片色差分选方法，其特征在于：所述第三步中，所述置信度低于设定数值的太阳能电池片为与其对应的聚类中心的距离超过设定距离的太阳能电池片。
6.根据权利要求1至5中任一项所述的太阳能电池片色差分选方法，其特征在于：所述使用训练好的分类器识别所述太阳能电池片而获得对所述太阳能电池片的分类结果的方法为：当需要分类太阳能电池片时，在所述分类器中加载所述分类模型，对待分类的所述太阳能电池片做Lab颜色空间转换，从而利用所述分类器中加载的所述分类模型判断并给出所述太阳能电池片所属类别。
CN201810465548.1A 2018-05-16 2018-05-16 太阳能电池片色差分选方法 Pending CN108805173A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810465548.1A CN108805173A (zh) 2018-05-16 2018-05-16 太阳能电池片色差分选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810465548.1A CN108805173A (zh) 2018-05-16 2018-05-16 太阳能电池片色差分选方法

Publications (1)

Publication Number Publication Date
CN108805173A true CN108805173A (zh) 2018-11-13

Family

ID=64092405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810465548.1A Pending CN108805173A (zh) 2018-05-16 2018-05-16 太阳能电池片色差分选方法

Country Status (1)

Country Link
CN (1) CN108805173A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112305442A (zh) * 2020-10-14 2021-02-02 北方工业大学 一种基于kmeans聚类的动力电池SOH快速估计方法
WO2022213565A1 (zh) * 2021-04-07 2022-10-13 全球能源互联网研究院有限公司 一种人工智能模型预测结果的复审方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103302039A (zh) * 2012-03-13 2013-09-18 致茂电子(苏州)有限公司 太阳能电池晶片分色的方法
CN104156438A (zh) * 2014-08-12 2014-11-19 德州学院 一种基于置信度和聚类的未标记样本选择的方法
CN104331716A (zh) * 2014-11-20 2015-02-04 武汉图歌信息技术有限责任公司 面向大规模训练数据的svm主动学习分类算法
CN104346751A (zh) * 2014-11-11 2015-02-11 苏州晨川通信科技有限公司 一种半自动算法交易方法
CN106709529A (zh) * 2017-01-18 2017-05-24 河北工业大学 一种光伏电池色差分类的视觉检测方法
US20170364773A1 (en) * 2015-06-23 2017-12-21 Adobe Systems Incorporated Training a classifier algorithm used for automatically generating tags to be applied to images

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103302039A (zh) * 2012-03-13 2013-09-18 致茂电子(苏州)有限公司 太阳能电池晶片分色的方法
CN104156438A (zh) * 2014-08-12 2014-11-19 德州学院 一种基于置信度和聚类的未标记样本选择的方法
CN104346751A (zh) * 2014-11-11 2015-02-11 苏州晨川通信科技有限公司 一种半自动算法交易方法
CN104331716A (zh) * 2014-11-20 2015-02-04 武汉图歌信息技术有限责任公司 面向大规模训练数据的svm主动学习分类算法
US20170364773A1 (en) * 2015-06-23 2017-12-21 Adobe Systems Incorporated Training a classifier algorithm used for automatically generating tags to be applied to images
CN106709529A (zh) * 2017-01-18 2017-05-24 河北工业大学 一种光伏电池色差分类的视觉检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周奇 等: "基于机器视觉的太阳能电池颜色自动分选研究", 《组合机床与自动化加工技术》 *
赵守香 等著: "《大数据分析与应用》", 31 December 2015 *
马飒飒 等 主编: "《物联网基础技术及应用》", 31 January 2018 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112305442A (zh) * 2020-10-14 2021-02-02 北方工业大学 一种基于kmeans聚类的动力电池SOH快速估计方法
CN112305442B (zh) * 2020-10-14 2023-06-20 北方工业大学 一种基于kmeans聚类的动力电池SOH快速估计方法
WO2022213565A1 (zh) * 2021-04-07 2022-10-13 全球能源互联网研究院有限公司 一种人工智能模型预测结果的复审方法及装置

Similar Documents

Publication Publication Date Title
US20180165413A1 (en) Gene expression data classification method and classification system
CN103886330A (zh) 基于半监督svm集成学习的分类方法
CN106650806A (zh) 一种用于行人检测的协同式深度网络模型方法
CN110827260B (zh) 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法
CN106371427A (zh) 基于层次分析法和模糊融合的工业过程故障分类方法
CN104239858A (zh) 一种人脸特征验证的方法和装置
CN107657281A (zh) 一种基于改进的卷积神经网络的图像识别方法
CN108564563A (zh) 一种基于Faster R-CNN的轮胎X光病疵检测方法
CN103903004A (zh) 一种人脸识别多特征权值融合方法与装置
CN108805173A (zh) 太阳能电池片色差分选方法
CN106096560A (zh) 一种人脸对齐方法
CN106446927A (zh) 一种自步增强图像分类方法及系统
CN109968671A (zh) 3d打印过程故障诊断方法和装置
CN101957913A (zh) 一种基于信息融合技术的指纹识别方法及装置
CN112712122A (zh) 基于神经网络模型的角膜溃疡的分类检测方法及系统
CN109145944A (zh) 一种基于纵向三维图像深度学习特征的分类方法
CN109656808A (zh) 一种基于混合式主动学习策略的软件缺陷预测方法
CN109342279A (zh) 基于粉磨机理和神经网络的混合软测量方法
CN111539657A (zh) 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法
CN105303771A (zh) 一种疲劳判断系统及方法
CN109523514A (zh) 对逆合成孔径雷达isar的批量成像质量评估方法
CN106326914B (zh) 一种基于svm的珍珠多分类方法
CN106599902A (zh) 一种基于图像的糖晶体分类识别及结晶质量控制方法
CN111191510B (zh) 基于关系网络的复杂场景下遥感图像小样本目标识别方法
CN103761210A (zh) 一种多分类器阈值的设置方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181113