CN109145973A - 用于检测单晶硅太阳能电池缺陷的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于检测单晶硅太阳能电池缺陷的方法和装置。该方法的一具体实施方式包括获取待检测的单晶硅太阳能电池的电致发光图像；提取电致发光图像的特征图；将特征图输入到预先训练的缺陷定位分类网络，得到单晶硅太阳能电池的缺陷信息，缺陷信息包括用于指示单晶硅太阳能电池所包括的缺陷的缺陷类别及位置的信息，其中，缺陷定位分类网络用于根据单晶硅太阳能电池的电致发光图像的特征图预测单晶硅太阳能电池所包括的缺陷的缺陷类别及位置。该实施方式实现了在实时检测在线生产的单晶硅太阳能电池的缺陷的基础上，提高识别单晶硅太阳能电池的缺陷的准确率。

Description

用于检测单晶硅太阳能电池缺陷的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及人工智能技术领域，尤其涉及用于检测单晶硅太阳能电池缺陷的方法和装置。

背景技术

单晶硅太阳能电池的电致发光(英文Electroluminescent，简称EL)图像，是通过对单晶硅太阳能电池外加正向偏置电压，电源向单晶硅太阳能电池注入大量非平衡载流子，电致发光依靠从扩散区注入的大量非平衡载流子不断地复合发光，放出光子；利用相机捕捉到这些光子，通过计算机进行处理后显示出来的图像。可以通过单晶硅太阳能电池的电致发光图像来检测单晶硅太阳能电池是否存在内在缺陷和外在缺陷。并根据检测结果对单晶硅太阳能电池做相应的处理，例如废弃、返工等。

现有的单晶硅太阳能电池质检系统在缺陷分类应用中主要有两种方式。第一为纯人工质检方式，即依赖于行业专家肉眼观察生产环境中的照片给出判断；第二为机器辅助的人工质检方式，主要由具有一定判断能力的质检系统过滤掉没有缺陷的照片，由人工对疑似存在缺陷的照片进行检测判断。其中，第二种方式的质检系统固化了人工经验，具有一定的自动化能力。

发明内容

本申请实施例提出了一种用于检测单晶硅太阳能电池缺陷的方法和装置。

第一方面，本申请实施例提供了一种用于检测单晶硅太阳能电池缺陷的方法，该方法包括：获取待检测的单晶硅太阳能电池的电致发光图像；提取电致发光图像的特征图；将特征图输入到预先训练的缺陷定位分类网络，得到单晶硅太阳能电池的缺陷信息，缺陷信息包括用于指示单晶硅太阳能电池所包括的缺陷的缺陷类别及位置的信息，其中，缺陷定位分类网络用于根据所输入的单晶硅太阳能电池的电致发光图像的特征图预测单晶硅太阳能电池所包括的缺陷的缺陷类别及位置。

在一些实施例中，上述提取电致发光图像的特征图，包括：将电致发光图像输入到预先训练的卷积神经网络提取电致发光图像的特征图。

在一些实施例中，卷积神经网络是通过如下方式训练得到的：获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像和预先确定的电致发光图像的特征图；利用机器学习的方法，将训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像作为初始卷积神经网络的输入，将与输入的单晶硅太阳能电池的电致发光图像对应的特征图作为初始卷积神经网络的期望输出，训练得到卷积神经网络。

在一些实施例中，缺陷定位分类网络是通过如下方式训练得到的：获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像的特征图和预先确定的单晶硅太阳能电池的缺陷信息；利用机器学习的方法，将训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像的特征图作为初始缺陷定位分类网络的输入，将与输入的单晶硅太阳能电池的电致发光图像的特征图对应的单晶硅太阳能电池的缺陷信息所指示的缺陷的类别及位置作为初始缺陷定位分类网络的期望输出，训练得到缺陷定位分类网络。

在一些实施例中，该方法还包括：响应于单晶硅太阳能电池所对应的缺陷的缺陷类别和位置满足预设条件，触发报警装置报警。

在一些实施例中，卷积神经网络和缺陷定位分类网络是通过如下方式更新的：获取用户根据报警所执行的响应操作；根据响应操作所指示的缺陷类别及位置更新单晶硅太阳能电池的缺陷信息；基于更新后的单晶硅太阳能电池的缺陷信息调整卷积神经网络和缺陷定位分类网络。

第二方面，本申请实施例提供了一种用于检测单晶硅太阳能电池缺陷的装置，该装置包括：获取单元，被配置成获取待检测的单晶硅太阳能电池的电致发光图像；提取单元，被配置成提取电致发光图像的特征图；缺陷信息生成单元，被配置成将特征图输入到预先训练的缺陷定位分类网络，得到单晶硅太阳能电池的缺陷信息，缺陷信息包括用于指示单晶硅太阳能电池所包括的缺陷的缺陷类别及位置的信息，其中，缺陷定位分类网络用于根据所输入的单晶硅太阳能电池的电致发光图像的特征图预测单晶硅太阳能电池所包括的缺陷的缺陷类别及位置。

在一些实施例中，提取单元进一步被配置成：将电致发光图像输入到预先训练的卷积神经网络提取电致发光图像的特征图。

在一些实施例中，卷积神经网络是通过如下方式训练得到的：获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像和预先确定的电致发光图像的特征图；利用机器学习的方法，将训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像作为初始卷积神经网络的输入，将与输入的单晶硅太阳能电池的电致发光图像对应的特征图作为初始卷积神经网络的期望输出，训练得到卷积神经网络。

在一些实施例中，缺陷定位分类网络是通过如下方式训练得到的：获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像的特征图和预先确定的单晶硅太阳能电池的缺陷信息；利用机器学习的方法，将训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像的特征图作为初始缺陷定位分类网络的输入，将与输入的单晶硅太阳能电池的电致发光图像的特征图对应的单晶硅太阳能电池的缺陷信息所指示的缺陷的类别及位置作为初始缺陷定位分类网络的期望输出，训练得到缺陷定位分类网络。

在一些实施例中，装置还包括报警单元，报警单元被配置成：响应于单晶硅太阳能电池所对应的缺陷的缺陷类别和位置满足预设条件，触发报警装置报警。

在一些实施例中，卷积神经网络和缺陷定位分类网络是通过如下方式更新的：获取用户根据报警所执行的响应操作；根据响应操作所指示的缺陷类别及位置更新单晶硅太阳能电池的缺陷信息；基于更新后的单晶硅太阳能电池的缺陷信息调整卷积神经网络和缺陷定位分类网络。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于检测单晶硅太阳能电池缺陷的方法和装置，通过获取待检测的单晶硅太阳能电池的电致发光图像，然后提取单晶硅太阳能电池的电致发光图像的特征图，最后将电致发光图像输入到预先训练的缺陷定位分类网络，得到单晶硅太阳能电池的缺陷信息，缺陷信息包括用于指示单晶硅太阳能电池所包括的缺陷的缺陷类别及位置的信息。实现了在实时检测在线生产的单晶硅太阳能电池的缺陷的基础上，提高识别单晶硅太阳能电池缺陷的准确率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例的用于检测单晶硅太阳能电池缺陷的方法可以应用于其中的示例性系统架构图；

图2是根据本申请的用于检测单晶硅太阳能电池缺陷的方法的一个实施例的流程图；

图3是根据本申请的用于检测单晶硅太阳能电池缺陷的方法的一个应用场景的示意图；

图4是根据本申请的用于检测单晶硅太阳能电池缺陷的方法的又一个实施例的流程图；

图5是根据本申请的用于检测单晶硅太阳能电池缺陷的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了本申请的一个实施例的用于检测单晶硅太阳能电池缺陷的方法可以应用于其中的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105、106。网络104用以在终端设备101、102、103和服务器105、106之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103可以通过网络104与服务器105、106交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如图像拍摄类应用、搜索引擎类应用、即时通信工具、邮箱客户端、视频播放类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以为专用的图像采集装置或是其它与服务器105、106进行交互的各种电子设备，包括但不限于照相机、摄像机、智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105、106可以提供各种服务，例如对终端设备101、102、103发送的数据进行分析、存储或计算等处理。

需要说明的是，本申请实施例所提供的用于检测单晶硅太阳能电池缺陷的方法一般由服务器105、106执行，相应地，用于检测单晶硅太阳能电池缺陷的装置一般设置于服务器105、106中。

需要说明的是，服务器105、106可以是硬件，也可以是软件。当服务器105、106为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105、106为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于检测单晶硅太阳能电池缺陷的方法的一个实施例的流程200。该用于检测单晶硅太阳能电池缺陷的方法，包括以下步骤：

步骤201，获取待检测的单晶硅太阳能电池的电致发光图像。

在本实施例中，用于检测单晶硅太阳能电池缺陷的方法的执行主体(例如图1所示的服务器)可以获取从图像采集装置(图如1所示的终端设备)上传的待检测的单晶硅太阳能电池的电致发光图像。

单晶硅太阳能电池的缺陷一般分为内在缺陷和外在缺陷。内在缺陷例如可以为位错、断层等。外在缺陷例如可以包括隐裂、碎片、断栅等。

单晶硅太阳能电池的两极间接入正向电流后，可以发出近红外光。单晶硅太阳能电池的发光强度除了正比于输入的电流的大小之外，还与缺陷的密度有关。缺陷少的部分，发光强度也越强；缺陷越多的部分，发光强度就越弱。因此可以从单晶硅太阳能电池的电致发光图像中观察出单晶硅太阳能电池是否存在位错、断层、隐裂、碎片、断栅等缺陷。

本实施例中的图像采集装置可以是各种具有图像拍摄功能的电子设备，例如各种相机、移动终端等等。进一步地，上述图像采集装置可以配置有红外线摄像头。

在本实施例中，图像采集装置可以将所采集的待检测的单晶硅太阳能电池的电致发光图像上传至预设数据库中。上述执行主体可以从预设数据库中读取上述待检测的单晶硅太阳能电池的电致发光图像。此外，图像采集装置可以将所采集的待检测的单晶硅太阳能电池的电致发光图像通过网络上传至上述执行主体。上述执行主可以从本地读取上述待检测的单晶硅太阳能电池的电致发光图像。

在一些应用场景中，上述执行主体可以对上述图像采集装置上传的单晶硅太阳能电池的电致发光图像进行预处理，例如滤除在图像采集装置采集单晶硅太阳能电池的电致发光图像的过程中，由于背景、温度等的影响而引入的噪声等。

步骤202，提取电致发光图像的特征图。

在本实施例中，基于步骤201所得到的待检测的单晶硅太阳能电池的电致发光图像，上述执行主体可以利用各种分析手段对上述单晶硅太阳能电池的电致发光图像进行分析，从而提取单晶硅太阳能电池的电致发光图像的特征图。

在这里，上述特征图可以至少部分地体现待检测的单晶硅太阳能电池的电致发光图像的特征。上述单晶硅太阳能电池的电致发光图像的特征包括但不限于颜色特征、纹理特征、形状特征和空间关系特征等。

现有技术中，已有一些提取图像的特征图的提取算法。例如，尺度不变特征变换(Scale-invariant feature transform，SIFT)算法。其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。又例如，加速稳健特征(Speeded Up Robust Features，SURF)算法。SURF算法是对SIFT算法的一种改进，其进一步提升了算法的执行效率。SIFT算法和SURF算法是现有技术已广泛研究的图像特征提取算法，在此不再赘述。可以理解的是，在这里，可以利用任意目前已开发的或者待未来开发的算法来提取待检测的单晶硅太阳能电池的电致发光图像的特征图。

步骤203，将特征图输入到预先训练的缺陷定位分类网络，得到单晶硅太阳能电池的缺陷信息，缺陷信息包括用于指示单晶硅太阳能电池所包括的缺陷的缺陷类别及位置的信息。

在本实施例中，基于步骤202所得到的待检测的单晶硅太阳能电池的电致发光图像的特征图，上述执行主体可以将上述单晶硅太阳能电池的电致发光图像的特征图输入到预先训练的缺陷定位分类网络中，从而得到单晶硅太阳能电池的缺陷信息。

上述缺陷信息包括用于指示单晶硅太阳能电池所包括的缺陷的缺陷类别及位置的信息。其中缺陷类别例如可以包括：位错、断层、隐裂、碎片、断栅等。上述用于指示缺陷类别的信息例如可以包括缺陷类别的标识。作为示例，缺陷类别的标识可以是数值，例如：“1”为表示位错的标识，“2”表示断层的标识，“3”表示隐裂的标识，“4”表示碎片的标识，“5”表示“断栅”的标识等。此外，标识还可以是文字、字符或符号，或者是数值、文字、字符和符号的组合等。另外，若上述单晶硅太阳能电池没有缺陷，没有缺陷的单晶硅太阳能电池的缺陷类别可以为良品。良品类别的标识，例如可以为“0”。可以理解的是，上述缺陷类别的标识可以根据需要进行设定，此处不进行限定。上述用于指示缺陷的位置的信息可以包括但不限于上述缺陷的最小外接矩形的四个顶点各自在上述单晶硅太阳电池中的位置的坐标。

在本实施例中，上述缺陷定位分类网络用于根据所输入的单晶硅太阳能电池的电致发光图像的特征图预测单晶硅太阳能电池所包括的缺陷的缺陷类别及位置。

需要说明的是，待检测的单晶硅太阳能电池可以包括多个缺陷。在将待检测的单晶硅太阳能电池的电致发光图像的特征图输入到缺陷定位分类网络，所得到的单晶硅太阳能电池的缺陷信息中可以包括用于指示多个缺陷各自对应的缺陷类别以及位置的信息。

在本实施例中，上述缺陷定位分类网络可以是通过不同的训练方式训练得到的。

作为一种示例，训练缺陷定位分类网络的执行主体中可以存储有基于对大量单晶硅太阳能电池的电致发光图像的特征图及各自所对应的缺陷类别及位置进行统计而生成的对应关系表，并将该对应关系表作为缺陷定位分类网络。上述对应关系表中存储有单晶硅太阳能电池的电致发光图像的特征图及所对应的缺陷类别和位置的对应关系。这样，上述执行主体可以将待检测的单晶硅太阳能电池的电致发光图像的特征图与该对应关系表中的多个单晶硅太阳能电池的电致发光图像的特征图进行比较，若该对应关系表中的一个单晶硅太阳能电池的电致发光图像的特征图与待检测的单晶硅太阳能电池的电致发光图像的特征图相同或相似，则将该对应关系表中的单晶硅太阳能电池的电致发光图像特征图所对应的缺陷类别和位置作为待检测的单晶硅太阳能电池所具有的缺陷的缺陷类别和位置。

需要说明的是，训练缺陷定位分类网络的执行主体可以与用于检测单晶硅太阳能电池缺陷的方法的执行主体相同，也可以不同。如果相同，则训练缺陷定位分类网络的执行主体可以在统计得到上述对应关系表之后，将上述对应关系表保存在本地。如果不同，则训练缺陷定位分类网络的执行主体可以在统计得到上述对应关系表之后，将上述对应关系表通过网络发送给用于检测单晶硅太阳能电池缺陷的方法的执行主体。

在本实施例的一些可选的实现方式中，上述缺陷定位分类网络可以为Faster R-CNN网络、R-FCN网络、SSD和YOLO网络等。

上述Faster R-CNN网络、R-FCN网络、SSD和YOLO网络是目前广泛研究和应用的公知技术，在此不再赘述。

在这些可选的实现方式中，上述缺陷定位分类网络可以是通过如下训练步骤训练得到的。

首先，获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像的特征图和预先确定的单晶硅太阳能电池的缺陷信息。

在这些可选的实现方式中，训练缺陷定位分类网络的执行主体可以从本地获取训练样本集合，或者可以从与训练缺陷定位分类网络的执行主体实现通信连接的远程电子设备获取训练样本集合。

训练样本集合中包括多个训练样本。其中，每个训练样本包括单晶硅太阳能电池的电致发光图像的特征图和预先确定的单晶硅太阳能电池的缺陷信息。

上述缺陷信息包括用于指示单晶硅太阳能电池所具有的缺陷的缺陷类别以及位置的信息。

这里的缺陷类别可以用数值、文字、字符或符号来标识，还可以用数值、文字、字符和符号等的组合来标识。

其次，利用机器学习的方法，将训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像的特征图作为初始缺陷定位分类网络的输入，将与输入的单晶硅太阳能电池的电致发光图像的特征图对应的缺陷类别及位置作为初始缺陷定位分类网络的期望输出，训练得到缺陷定位分类网络。

在这些可选的实现方式中，训练缺陷定位分类网络的执行主体可以首先确定出损失函数。损失函数例如可以为：对数损失函数，平方损失函数，指数损失函数，Hinge损失函数等。然后利用上述损失函数计算将样本输入到初始缺陷定位分类网络所输出的缺陷类别与训练样本集合中该训练样本对应的缺陷类别的差异，以及计算将样本输入到初始缺陷定位分类网络所输出的缺陷位置与训练样本集合中该训练样本对应的缺陷位置的差异。之后，可以基于利用上述损失函数计算所得的差异，调整初始缺陷定位分类网络的参数。循环执行上述训练步骤，直到上述训练满足预设的训练结束条件，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。

在这些可选的实现方式中，可以采用各种实现方式基于将训练样本输入到初始缺陷定位网络所生成的缺陷类别与训练样本集合中该训练样本的缺陷类别的差异，以及基于所生成的训练样本的缺陷位置与训练样本集合中该训练样本的缺陷位置之间的差异调整初始缺陷定位分类网络各层的参数。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整初始缺陷定位分类网络的参数。

需要说明的是，上述训练缺陷定位分类网络的执行主体可以与用于检测单晶硅太阳能电池缺陷的方法的执行主体相同，也可以不同。如果相同，则训练缺陷定位分类网络的执行主体可以在训练得到缺陷定位分类网络后将训练好的缺陷定位分类网络的参数值存储在本地。如果不同，则训练缺陷定位分类网络的执行主体可以在训练得到缺陷定位分类网络后，将训练好的缺陷定位分类网络的参数值通过网络发送给用于检测单晶硅太阳能电池缺陷的方法的执行主体。

继续参见图3，图3是根据本实施例的用于检测单晶硅太阳能电池缺陷的方法的应用场景的一个示意图300。在图3的所示的应用场景中，相机301首先实时拍摄单晶硅太阳能电池302的电致发光图像。之后，电子设备303可以从上述电致发光图像中获取待检测的单晶硅太阳能电池302的电致发光图像304。之后，上述电子设备303可以提取待检测的单晶硅太阳能电池的电致发光图像的特征图305。然后，将待检测的单晶硅太阳能电池的电致发光图像的特征图输入到预先训练的缺陷定位分类网络306，得到单晶硅太阳能电池的缺陷信息307。

本申请的上述实施例提供的方法通过获取待检测的单晶硅太阳能电池的电致发光图像，然后提取待检测的单晶硅太阳能电池的电致发光图像的特征图，最后将特征图输入到预先训练的缺陷定位分类网络，得到单晶硅太阳能电池的缺陷信息。可以在实时检测在线生产的单晶硅太阳能电池的缺陷的基础上，提高识别单晶硅太阳能电池缺陷的准确率。缺陷信息所提供的缺陷的位置可以为人工核验单晶硅太阳能电池的缺陷提供便利。

在本实施例的一些可选的实现方式中，用于检测单晶硅太阳能电池缺陷的方法的执行主体中可以设置有至少一个预先训练的缺陷定位分类网络。例如，若执行主体为多个服务器组成的服务器集群，可以在每一个服务器上设置一个预先训练的缺陷定位分类网络。若执行主体为单个服务器，可以在该服务器上设置至少一个预先训练的缺陷定位分类网络。

上述执行主体可以为每一个缺陷定位分类网络分配至少一个单晶硅太阳能电池的电致发光图像的特征图进行分析处理。每一个待处理的单晶硅太阳能电池的电致发光图像的特征图可以作为该缺陷定位分类网络的一个负载。

在这些可选的实现方式中，上述执行主体可以根据负载均衡的方法从多个缺陷定位分类网络中选择出目标缺陷定位分类网络，将上述待检测的单晶硅太阳能电池的电致发光图像的特征图发送给目标缺陷定位分类网络进行处理。可以提高对在线生成的单晶硅太阳能电池进行缺陷检测的效率。

进一步参考图4，其示出了用于检测单晶硅太阳能电池缺陷的方法的又一个实施例的流程400。该用于检测单晶硅太阳能电池缺陷的方法的流程400，包括以下步骤：

步骤401，获取待检测的单晶硅太阳能电池的电致发光图像。

在本实施例中，步骤401与图2所示实施例的步骤201相同，此处不赘述。

步骤402，将电致发光图像输入到预先训练的卷积神经网络提取电致发光图像的特征图。

在本实施例中，基于步骤401所得到的单晶硅太阳能电池的电致发光图像，用于检测单晶硅太阳能电池缺陷的方法的执行主体可以将上述电致发光图像输入到预先训练的卷积神经网络中，从而提取待检测的单晶硅太阳能电池的电致发光图像的特征图。

上述卷积神经网络可以包括至少一个卷积层、至少一个池化层。其中每一个卷积层可以包括多个卷积核。卷积层利用权值不同的卷积核对单晶硅太阳能电池的电致发光图像或特征图进行扫描卷积，得到单晶硅太阳能电池的电致发光图像的特征图。特征图可以包括单晶硅太阳能电池的电致发光图像不同维度的特征。池化层用于对上述卷积层输出的特征图进行降维操作，保留特征图中的主要特征。这种具有卷积层、池化层的深度神经网络模型，对生产线上所拍摄到的单晶硅太阳能电池电致发光图像的变形、模糊、光照变化等具有较高的鲁棒性，对于分类任务具有更高的可泛化性。

在本实施例中，上述卷积神经网络可以是通过如下训练步骤训练得到的：

第一，获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像和预先确定的电致发光图像的特征图。

在这些可选的实现方式中，训练卷积神经网络的执行主体可以从本地获取训练样本集合，或者可以从远程电子设备获取训练样本集合。其中上述远程电子设备可以与训练卷积神经网络的执行主体通过网络实现通信连接。训练样本集合中包括多个训练样本。其中，每个训练样本包括单晶硅太阳能电池的电致发光图像以及预先提取的该单晶硅太阳能电池的电致发光图像的特征图。

第二，利用机器学习的方法，将训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像作为初始卷积神经网络的输入，将与输入的单晶硅太阳能电池的电致发光图像对应的特征图作为初始卷积神经网络的期望输出，训练得到卷积神经网络。

在这些可选的实现方式中，训练卷积神经网络的执行主体可以首先确定出损失函数。损失函数例如可以为：对数损失函数，平方损失函数，指数损失函数，Hinge损失函数等。然后利用上述损失函数计算将样本输入到初始卷积神经网络所输出的特征图与训练样本集合中该训练样本对应的特征图之间的差异。之后，可以基于利用上述损失函数计算所得的差异，调整初始卷积神经网络的网络参数。循环执行上述训练步骤，直到上述训练满足预设的训练结束条件，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。

在这些可选的实现方式中，可以采用各种实现方式基于初始卷积神经网络生成的训练样本的特征图与训练样本集合中该训练样本的特征图之间的差异调整初始卷积神经网络的网络参数。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整初始神经网络的网络参数。

需要说明的是，上述训练卷积神经网络的执行主体可以与用于检测单晶硅太阳能电池缺陷的方法的执行主体相同，也可以不同。如果相同，则训练卷积神经网络的执行主体可以在训练得到卷积神经网络后将训练好的卷积神经网络的参数值存储在本地。如果不同，则训练卷积神经网络的执行主体可以在训练得到卷积神经网络后，将训练好的卷积神经网络的参数值通过网络发送给用于检测单晶硅太阳能电池缺陷的方法的执行主体。

步骤403，将特征图输入到预先训练的缺陷定位分类网络，得到单晶硅太阳能电池的缺陷信息，缺陷信息包括用于指示单晶硅太阳能电池所包括的缺陷的缺陷类别及位置的信息。

在本实施例中，步骤403与图2所示的步骤203相同，此处不赘述。

在一些应用场景中，步骤402中的卷积神经网络可以与上述缺陷定位分类网络连接成为一体。这样一来，可以使用相同的训练样本集合对卷积神经网络以及缺陷定位分类网络同时进行训练。训练的步骤可以为如下所示：

首先，获取训练样本集合，训练样本包括单晶硅太阳能电池的电致发光图像和缺陷信息。其中，缺陷信息包括用于指示单晶硅太阳能电池所具有的缺陷的缺陷类别和位置的信息。

其次，利用机器学习的方法，将训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像作为初始卷积神经网络的输入，将与输入的单晶硅太阳能电池的电致发光图像的所对应的缺陷类别及位置作为初始缺陷定位分类网络的期望输出，训练得到卷积神经网络和缺陷定位分类网络。

步骤404，响应于单晶硅太阳能电池所对应的缺陷的缺陷类别和位置满足预设条件，触发报警装置报警。

在本实施例中，上述执行主体可以响应于单晶硅太阳能电池所对应的缺陷类别和位置满足预设条件，发出相关指令以触发报警装置报警。

这里的预设条件可以根据具体的应用场景进行设定，此处不做限定。

在本实施例中，报警装置可以通过网络与上述用于检测单晶硅太阳能电池缺陷的方法的执行主体进行通信连接。

这里，触发报警装置报警用以提示生产人员该单晶硅太阳能电池具有缺陷。在一些应用场景中，该报警信息需要人工确认并解除。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于检测单晶硅太阳能电池缺陷的方法的流程400突出了使用卷积神经网络提取单晶硅太阳能电池的电致发光图像的特征图，并且突出了根据缺陷类别及位置满足预设条件触发报警的步骤。由此，本实施例描述的方案可以一方面提高检测单晶硅太阳能电池缺陷的速度，另一方面可以提高检测单晶硅太阳能电池的缺陷的准确率。此外，采用报警装置报警可以提示生产人员及时对具有缺陷的单晶硅太阳能电池进行处理。

在本实施例的一些可选实现方式中，卷积神经网络和缺陷定位分类网络连接为一体。上述卷积神经网络和缺陷定位分类网络是通过如下方式更新的：

第一，获取用户根据报警所执行的响应操作。

若单晶硅太阳能电池所对应的缺陷类别及位置满足预设条件，上述用于检测单晶硅太阳能电池缺陷的方法的执行主体可以生成相应指令触发报警装置报警，用户可以根据上述报警执行相应的响应操作。这里的用户可以为单晶硅太阳能电池生产线上的相关人员(例如质量检测人员)。

这里的响应操作可以是用户对上述报警所指示的单晶硅太阳能电池的电致发光图像确认后作出的。例如用户对上述报警所指示的单晶硅太阳能电池的电致发光图像确认后，确定该单晶硅太阳能电池为良品，则上述响应操作可以为输入用于指示该单晶硅太阳能电池为良品的信息的操作。又例如，用户对上述报警所指示的单晶硅太阳能电池的电致发光图像确认后，确定该单晶硅太阳能电池不具有用于检测单晶硅太阳能电池缺陷的方法的执行主体所确定类别的缺陷，但是具有其他类别的缺陷，则上述响应操作可以为输入用于指示该单晶硅太阳能电池具有其他类别的缺陷及位置的信息的操作。又例如，用户对上述报警所指示的单晶硅太阳能电池的电致发光图像确认后，确定该单晶硅太阳能电池具有用于检测单晶硅太阳能电池缺陷的方法的执行主体所确定类别的缺陷，但是缺陷的位置有误，则上述响应操作可以为输入缺陷的位置的操作。

若更新卷积神经网络和缺陷定位分类网络的执行主体与上述用于检测单晶硅太阳能电池缺陷的方法的执行主体相同，则更新卷积神经网络和缺陷定位分类网络的执行主体可以从本地获取用户的上述响应操作。

若更新卷积神经网络和缺陷定位分类网络的执行主体与上述用于检测单晶硅太阳能电池缺陷的方法的执行主体不相同，则更新卷积神经网络和缺陷定位分类网络的执行主体可通过网络从用于检测单晶硅太阳能电池缺陷的方法的执行主体获取上述用户的响应操作。

第二，根据响应操作所指示的缺陷类别及位置更新单晶硅太阳能电池的缺陷信息。

更新卷积神经网络和缺陷定位分类网络的执行主体可以根据响应操作所指示的缺陷类别及位置来更新单晶硅太阳能电池的缺陷信息，例如更新单晶硅太阳能电池所对应的缺陷类别。

第三，基于更新后的单晶硅太阳能电池的缺陷信息调整卷积神经网络和缺陷定位分类网络。

在这些可选的实现方式中，更新卷积神经网络和缺陷定位分类网络的执行主体可以将上述单晶硅太阳能电池的电致发光图像输入到卷积神经网络中，以该单晶硅太阳能电池所对应的更新后缺陷类别及位置作为缺陷定位分类网络的期望输出，来同时调整卷积神经网络和缺陷分类网络的参数，以实现对调整卷积神经网络和缺陷分类网络的调整。

在这些可选的实现方式中，由于采用了上述方式对卷积神经网络和缺陷定位分类网络进行更新，使得上述卷积神经网络和缺陷定位分类网络可以在使用过程中不断得到完善，从而可以进一步提高识别对单晶硅太阳能电池缺陷的准确率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于检测单晶硅太阳能电池缺陷的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于检测单晶硅太阳能电池缺陷的装置500包括：获取单元501、提取单元502和缺陷信息生成单元503。其中，获取单元501，被配置成获取待检测的单晶硅太阳能电池的电致发光图像；提取单元502，被配置成提取电致发光图像的特征图；缺陷信息生成单元503，被配置成将特征图输入到预先训练的缺陷定位分类网络，得到单晶硅太阳能电池的缺陷信息，缺陷信息包括用于指示单晶硅太阳能电池所包括的缺陷的缺陷类别及位置的信息，其中，缺陷定位分类网络用于根据所输入的单晶硅太阳能电池的电致发光图像的特征图预测单晶硅太阳能电池所包括的缺陷的缺陷类别及位置。

在本实施例中，用于检测单晶硅太阳能电池缺陷的装置500的获取单元501、提取单元502和缺陷信息生成单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，提取单元202进一步被配置成：将电致发光图像输入到预先训练的卷积神经网络提取电致发光图像的特征图。

在本实施例的一些可选的实现方式中，卷积神经网络是通过如下方式训练得到的：获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像和预先确定的电致发光图像的特征图；利用机器学习的方法，将训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像作为初始卷积神经网络的输入，将与输入的单晶硅太阳能电池的电致发光图像对应的特征图作为初始卷积神经网络的期望输出，训练得到卷积神经网络。

在本实施例的一些可选的实现方式中，缺陷定位分类网络是通过如下方式训练得到的：获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像的特征图和预先确定的单晶硅太阳能电池的缺陷信息；利用机器学习的方法，将训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像的特征图作为初始缺陷定位分类网络的输入，将与输入的单晶硅太阳能电池的电致发光图像的特征图对应的单晶硅太阳能电池的缺陷信息所指示的缺陷的类别及位置作为初始缺陷定位分类网络的期望输出，训练得到缺陷定位分类网络。

在本实施例的一些可选的实现方式中，用于检测单晶硅太阳能电池缺陷的装置500还包括报警单元504，报警单元504被配置成：响应于单晶硅太阳能电池所对应的缺陷的缺陷类别和位置满足预设条件，触发报警装置报警。

在本实施例的一些可选的实现方式中，卷积神经网络和缺陷定位分类网络是通过如下方式更新的：获取用户根据报警所执行的响应操作；根据响应操作所指示的缺陷类别及位置更新单晶硅太阳能电池的缺陷信息；基于更新后的单晶硅太阳能电池的缺陷信息调整卷积神经网络和缺陷定位分类网络。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU，Central Processing Unit)601，其可以根据存储在只读存储器(ROM，Read Only Memory)602中的程序或者从存储部分608加载到随机访问存储器(RAM，Random Access Memory)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O，Input/Output)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元和缺陷信息生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待检测的单晶硅太阳能电池的电致发光图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取待检测的单晶硅太阳能电池的电致发光图像；提取电致发光图像的特征图；将特征图输入到预先训练的缺陷定位分类网络，得到单晶硅太阳能电池的缺陷信息，缺陷信息包括用于指示单晶硅太阳能电池所包括的缺陷的缺陷类别及位置的信息，其中，缺陷定位分类网络用于根据所输入的单晶硅太阳能电池的电致发光图像的特征图预测单晶硅太阳能电池所包括的缺陷的缺陷类别及位置。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于检测单晶硅太阳能电池缺陷的方法，包括：

获取待检测的单晶硅太阳能电池的电致发光图像；

提取所述电致发光图像的特征图；

将所述特征图输入到预先训练的缺陷定位分类网络，得到所述单晶硅太阳能电池的缺陷信息，所述缺陷信息包括用于指示所述单晶硅太阳能电池所包括的缺陷的缺陷类别及位置的信息，其中，所述缺陷定位分类网络用于根据所输入的单晶硅太阳能电池的电致发光图像的特征图预测单晶硅太阳能电池所包括的缺陷的缺陷类别及位置。

2.根据权利要求1所述的方法，其中，所述提取所述电致发光图像的特征图，包括：

将所述电致发光图像输入到预先训练的卷积神经网络提取所述电致发光图像的特征图。

3.根据权利要求2所述的方法，其中，所述卷积神经网络是通过如下方式训练得到的：

获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像和预先确定的所述电致发光图像的特征图；

利用机器学习的方法，将所述训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像作为初始卷积神经网络的输入，将与输入的单晶硅太阳能电池的电致发光图像对应的特征图作为初始卷积神经网络的期望输出，训练得到所述卷积神经网络。

4.根据权利要求1所述的方法，其中，所述缺陷定位分类网络是通过如下方式训练得到的：

获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像的特征图和预先确定的单晶硅太阳能电池的缺陷信息；

利用机器学习的方法，将所述训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像的特征图作为所述初始缺陷定位分类网络的输入，将与输入的单晶硅太阳能电池的电致发光图像的特征图对应的单晶硅太阳能电池的缺陷信息所指示的缺陷的类别及位置作为所述初始缺陷定位分类网络的期望输出，训练得到所述缺陷定位分类网络。

5.根据权利要求2所述的方法，其中，所述方法还包括：

响应于所述单晶硅太阳能电池所对应的缺陷的缺陷类别和位置满足预设条件，触发报警装置报警。

6.根据权利要求5所述的方法，其中，所述卷积神经网络和所述缺陷定位分类网络是通过如下方式更新的：

获取用户根据所述报警所执行的响应操作；

根据所述响应操作所指示的缺陷类别及位置更新所述单晶硅太阳能电池的缺陷信息；

基于更新后的单晶硅太阳能电池的缺陷信息调整所述卷积神经网络和所述缺陷定位分类网络。

7.一种用于检测单晶硅太阳能电池缺陷的装置，包括：

获取单元，被配置成获取待检测的单晶硅太阳能电池的电致发光图像；

提取单元，被配置成提取所述电致发光图像的特征图；

缺陷信息生成单元，被配置成将所述特征图输入到预先训练的缺陷定位分类网络，得到所述单晶硅太阳能电池的缺陷信息，所述缺陷信息包括用于指示所述单晶硅太阳能电池所包括的缺陷的缺陷类别及位置的信息，其中，所述缺陷定位分类网络用于根据所输入的单晶硅太阳能电池的电致发光图像的特征图预测单晶硅太阳能电池所包括的缺陷的缺陷类别及位置。

8.根据权利要求7所述的装置，其中，所述提取单元进一步被配置成：

将所述电致发光图像输入到预先训练的卷积神经网络提取所述电致发光图像的特征图。

9.根据权利要求8所述的装置，其中，所述卷积神经网络是通过如下方式训练得到的：

获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像和预先确定的所述电致发光图像的特征图；

利用机器学习的方法，将所述训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像作为初始卷积神经网络的输入，将与输入的单晶硅太阳能电池的电致发光图像对应的特征图作为初始卷积神经网络的期望输出，训练得到所述卷积神经网络。

10.根据权利要求7所述的装置，其中，所述缺陷定位分类网络是通过如下方式训练得到的：

获取训练样本集合，其中，训练样本包括单晶硅太阳能电池的电致发光图像的特征图和预先确定的单晶硅太阳能电池的缺陷信息；

利用机器学习的方法，将所述训练样本集合中的训练样本中的单晶硅太阳能电池的电致发光图像的特征图作为所述初始缺陷定位分类网络的输入，将与输入的单晶硅太阳能电池的电致发光图像的特征图对应的单晶硅太阳能电池的缺陷信息所指示的缺陷的类别及位置作为所述初始缺陷定位分类网络的期望输出，训练得到所述缺陷定位分类网络。

11.根据权利要求8所述的装置，其中，所述装置还包括报警单元，所述报警单元被配置成：

响应于所述单晶硅太阳能电池所对应的缺陷的缺陷类别和位置满足预设条件，触发报警装置报警。

12.根据权利要求11所述的装置，其中，所述卷积神经网络和所述缺陷定位分类网络是通过如下方式更新的：

获取用户根据所述报警所执行的响应操作；

根据所述响应操作所指示的缺陷类别及位置更新所述单晶硅太阳能电池的缺陷信息；

基于更新后的单晶硅太阳能电池的缺陷信息调整所述卷积神经网络和所述缺陷定位分类网络。

13.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。