CN109256341B - 用于检测单晶硅太阳能电池的方法和装置 - Google Patents

用于检测单晶硅太阳能电池的方法和装置 Download PDF

Info

Publication number
CN109256341B
CN109256341B CN201810907552.9A CN201810907552A CN109256341B CN 109256341 B CN109256341 B CN 109256341B CN 201810907552 A CN201810907552 A CN 201810907552A CN 109256341 B CN109256341 B CN 109256341B
Authority
CN
China
Prior art keywords
silicon solar
solar cell
monocrystalline silicon
neural network
result information
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.)
Active
Application number
CN201810907552.9A
Other languages
English (en)
Other versions
CN109256341A (zh
Inventor
文亚伟
冷家冰
徐玉林
肖慧慧
刘明浩
郭江亮
李旭
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201810907552.9A priority Critical patent/CN109256341B/zh
Publication of CN109256341A publication Critical patent/CN109256341A/zh
Application granted granted Critical
Publication of CN109256341B publication Critical patent/CN109256341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本申请实施例公开了用于检测单晶硅太阳能电池的方法和装置。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；响应于确定电致发光图像满足预设的检测条件，将电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息，其中，单晶硅太阳能电池缺陷检测系统包括至少一个基于语义分割的卷积神经网络，检测结果信息用于指示输入的电致发光图像中的像素显示的内容的类别，类别包括用于表示非缺陷的第一类别和用于表示缺陷的第二类别。该实施方式实现了利用基于语义分割的卷积神经网络对单晶硅太阳能电池进行检测，无需再由人工对单晶硅太阳能电池进行检测。

Description

用于检测单晶硅太阳能电池的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于检测单晶硅太阳能电池的方法和装置。
背景技术
对于单晶硅太阳能电池，硅片的质量会直接影响到太阳能电池的转换效率等，因此，硅片表面质量检测是生产过程中重要的一环。
目前，硅片的质量控制主要是依靠人工一片一片目视检测，还有少部分采用自动检测设备，利用基于计算机图像处理的检测技术来完成。
发明内容
本申请实施例提出了用于检测单晶硅太阳能电池的方法和装置。
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；响应于确定电致发光图像满足预设的检测条件，将电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息，其中，单晶硅太阳能电池缺陷检测系统包括至少一个基于语义分割的卷积神经网络，检测结果信息用于指示输入的电致发光图像中的像素显示的内容的类别，类别包括用于表示非缺陷的第一类别和用于表示缺陷的第二类别。
在一些实施例中，上述方法还包括：响应于确定电致发光图像不满足预设的检测条件，根据检测条件调整电致发光图像，得到调整后的电致发光图像；将调整后的电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息。
在一些实施例中，将电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息，包括：根据至少一个基于语义分割的卷积神经网络的负载信息，选取基于语义分割的卷积神经网络作为目标卷积神经网络，将电致发光图像输入至目标卷积神经网络，得到检测结果信息。
在一些实施例中，在将电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息之后，还包括：根据得到的检测结果信息，查找检测结果信息对应的处理信息；执行处理信息指示的处理操作。
在一些实施例中，上述处理操作包括以下至少一项：记录日志、触发报警、触发对单晶硅太阳能电池的拾取。
在一些实施例中，上述基于语义分割的卷积神经网络通过如下方式训练得到：确定初始基于语义分割的卷积神经网络；获取训练样本集合，其中，训练样本包括满足检测条件的、单晶硅太阳能电池的电致发光图像和满足检测条件的、电致发光图像对应的检测结果信息；利用机器学习的方法，将训练样本集合中的训练样本中的电致发光图像作为初始基于语义分割的卷积神经网络的输入，将与输入的电致发光图像对应的检测结果信息作为初始基于语义分割的卷积神经网络的期望输出，训练得到基于语义分割的卷积神经网络。
在一些实施例中，上述基于语义分割的卷积神经网络通过如下方式进行更新：获取针对输入至单晶硅太阳能电池缺陷检测系统的电致发光图像标注的检测结果信息；将标注的检测结果信息与利用单晶硅太阳能电池缺陷检测系统得到的检测结果信息进行比较，得到用于表示标注的检测结果信息与利用单晶硅太阳能电池缺陷检测系统得到的检测结果信息的差异的差异值；响应于确定差异值大于预设的差异阈值，将输入至单晶硅太阳能电池缺陷检测系统的电致发光图像和对输入至单晶硅太阳能电池缺陷检测系统的电致发光图像标注的检测结果信息添加到训练样本集合中，得到更新后的训练样本集合；基于更新后的训练样本集合，训练基于语义分割的卷积神经网络，得到更新后的基于语义分割的卷积神经网络。
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；检测单元，被配置成响应于确定电致发光图像满足预设的检测条件，将电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息，其中，单晶硅太阳能电池缺陷检测系统包括至少一个基于语义分割的卷积神经网络，检测结果信息用于指示输入的电致发光图像中的像素显示的内容的类别，类别包括用于表示非缺陷的第一类别和用于表示缺陷的第二类别。
在一些实施例中，上述检测单元进一步被配置成：响应于确定电致发光图像不满足预设的检测条件，根据检测条件调整电致发光图像，得到调整后的电致发光图像；将调整后的电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息。
在一些实施例中，上述检测单元，进一步被配置成：根据至少一个基于语义分割的卷积神经网络的负载信息，选取基于语义分割的卷积神经网络作为目标卷积神经网络，将电致发光图像输入至目标卷积神经网络，得到检测结果信息。
在一些实施例中，上述装置还包括：查找单元，被配置成根据得到的检测结果信息，查找检测结果信息对应的处理信息；处理单元，被配置成执行处理信息指示的处理操作。
在一些实施例中，上述处理操作包括以下至少一项：记录日志、触发报警、触发对单晶硅太阳能电池的拾取。
在一些实施例中，上述基于语义分割的卷积神经网络通过如下方式训练得到：确定初始基于语义分割的卷积神经网络；获取训练样本集合，其中，训练样本包括满足检测条件的、单晶硅太阳能电池的电致发光图像和满足检测条件的、电致发光图像对应的检测结果信息；利用机器学习的方法，将训练样本集合中的训练样本中的电致发光图像作为初始基于语义分割的卷积神经网络的输入，将与输入的电致发光图像对应的检测结果信息作为初始基于语义分割的卷积神经网络的期望输出，训练得到基于语义分割的卷积神经网络。
在一些实施例中，上述基于语义分割的卷积神经网络通过如下方式进行更新：获取针对输入至单晶硅太阳能电池缺陷检测系统的电致发光图像标注的检测结果信息；将标注的检测结果信息与利用单晶硅太阳能电池缺陷检测系统得到的检测结果信息进行比较，得到用于表示标注的检测结果信息与利用单晶硅太阳能电池缺陷检测系统得到的检测结果信息的差异的差异值；响应于确定差异值大于预设的差异阈值，将输入至单晶硅太阳能电池缺陷检测系统的电致发光图像和对输入至单晶硅太阳能电池缺陷检测系统的电致发光图像标注的检测结果信息添加到训练样本集合中，得到更新后的训练样本集合；基于更新后的训练样本集合，训练基于语义分割的卷积神经网络，得到更新后的基于语义分割的卷积神经网络。
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，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得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，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；响应于确定电致发光图像满足预设的检测条件，将电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息，其中，单晶硅太阳能电池缺陷检测系统包括至少一个基于语义分割的卷积神经网络，检测结果信息用于指示输入的电致发光图像中的像素显示的内容的类别，类别包括用于表示非缺陷的第一类别和用于表示缺陷的第二类别，从而实现了利用基于语义分割的卷积神经网络对单晶硅太阳能电池进行检测，无需再由人工对单晶硅太阳能电池进行检测，有助于提升对单晶硅太阳能电池的检测方式的灵活性和检测效率。
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的方法的又一个实施例的流程图；
图4是根据本申请实施例的用于检测单晶硅太阳能电池的方法的一个应用场景的示意图；
图5是根据本申请的用于检测单晶硅太阳能电池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示出了可以应用本申请的用于检测单晶硅太阳能电池的方法或用于检测单晶硅太阳能电池的装置的实施例的示例性架构100。
如图1所示，系统架构100可以包括终端设备101(图中显示为膝上型便携计算机)、102(图中显示为平板电脑)、103(图中显示为摄像设备)，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105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通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以用来采集和存储待检测的单晶硅太阳能电池的电致发光图像。
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，可以是采集和存储电致发光图像的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机、台式计算机、摄像机、照相机等等。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多个软件或软件模块)，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可以是提供各种服务的服务器，例如为终端设备101、102、103获取的待检测的单晶硅太阳能电池的电致发光图像进行检测的检测服务器。检测服务器可以对待检测的单晶硅太阳能电池的电致发光图像进行处理，并将检测结果信息反馈给终端设备。
需要说明的是，上述待检测的单晶硅太阳能电池的电致发光图像也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的待检测的单晶硅太阳能电池的电致发光图像并进行处理，此时，可以不存在终端设备101、102、103和网络104。
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的方法一般由服务器105执行，相应地，用于检测单晶硅太阳能电池的装置一般设置于服务器105中。
还需要指出的是，终端设备101和102中也可以安装有图像处理类应用，终端设备101和102中也可以基于图像处理类应用对待检测的单晶硅太阳能电池的电致发光图像进行处理，此时，用于检测单晶硅太阳能电池的方法也可以由终端设备101和102执行，相应地，用于检测单晶硅太阳能电池的装置也可以设置于终端设备101和102中。此时，示例性系统架构100可以不存在终端设备103、服务器105和网络104。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，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)，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的执行主体(如图1中的服务器105)可以通过有线或无线的方式、从本地或从其他存储设备(如图1中的终端设备101、102、103)获取待检测的单晶硅太阳能电池的电致发光图像。
步骤202，响应于确定电致发光图像满足预设的检测条件，将电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息。
在本实施例中，检测条件可以是由技术人员根据具体的应用场景、针对待检测的单晶硅太阳能电池的电致发光图像的各种属性预先设置的。例如，检测条件可以是电致发光图像中除了显示有单晶硅太阳能电池的图像区域之外的其它图像区域的面积小于预设的面积阈值。又例如，检测条件可以是电致发光图像的亮度和/或对比度等满足预设的亮度和/或对比度的要求。
在本实施例中，单晶硅太阳能电池缺陷检测系统可以包括至少一个基于语义分割的卷积神经网络，检测结果信息可以用于指示输入的电致发光图像中的像素显示的内容的类别，类别可以包括用于表示非缺陷的第一类别和用于表示缺陷的第二类别。
其中，输入的电致发光图像中的像素显示的内容的类别可以是预先设置的，根据实际的应用需求，可以有不同的类别划分方式。例如，针对用于表示缺陷的第二类别，还可以进一步细分为第一子类别、第二子类别、第三子类别等，分别对应于不同的缺陷类别。例如，第一子类别对应于空洞缺陷，第二子类别对应于杂质缺陷，第三子类别对应于层错缺陷等。
其中，基于语义分割的卷积神经网络可以对图像进行处理，并对图像中的各个像素对应的类别进行预测。其中，像素对应的类别可以指各像素显示的内容的类别。以单晶硅太阳能电池的电致发光图像为例，单晶硅太阳能电池的电致发光图像中的各个像素对应的类别可以包括两种，分别为非缺陷部分(针对图像中除了显示有缺陷的图像区域之外的其它图像区域)和缺陷部分(针对图像中显示有缺陷的图像区域)。
在本实施例中，可以预先分别针对第一类别和第二类别可以分别设置类别编号(如数字或字符串等)，此时，检测结果信息可以为待检测的单晶硅太阳能电池的电致发光图像中的各个像素所对应的类别编号。
在本实施例的一些可选的实现方式中，在获取的待检测的单晶硅太阳能电池的电致发光图像不满足预设的检测条件时，可以根据检测条件对电致发光图像进行调整，从而得到调整后的电致发光图像。之后，可以将调整后的电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，以得到检测结果信息。
例如，在获取的待检测的单晶硅太阳能电池的电致发光图像中除了显示有单晶硅太阳能电池的图像区域之外的其它图像区域的面积大于预设的面积阈值，那么可以先对所获取的待检测的单晶硅太阳能电池的电致发光图像进行修剪，使得电致发光图像中除了显示有单晶硅太阳能电池的图像区域之外的其它图像区域的面积小于预设的面积阈值。
其中，基于语义分割的卷积神经网络可以基于现有的一些基于语义分割的卷积神经网络训练得到。现有的基于语义分割的卷积神经网络的结构有多种。
可选地，基于语义分割的卷积神经网络可以通过如下方式训练得到：
第一步，确定初始基于语义分割的卷积神经网络。
在本步骤中，可以获取开源的、基于语义分割的卷积神经网络作为初始基于语义分割的卷积神经网络。
第二步，获取训练样本集合，其中，训练样本包括满足检测条件的、单晶硅太阳能电池的电致发光图像和满足检测条件的、电致发光图像对应的检测结果信息。
在本步骤中，可以利用摄像机等图像采集设备采集单晶硅太阳能电池的电致发光图像，然后可以通过人工标注的方式得到电致发光图像对应的检测结果信息。实践中，可以采集不同拍摄条件下(如不同的角度、光线、滤镜、倍镜、焦距等)的单晶硅太阳能电池的电致发光图像，从而增加训练样本数据的丰富性，进而是的训练得到的模型能够针对不同拍摄条件下的单晶硅太阳能电池的电致发光图像具有较高的鲁棒性。
第三步，利用机器学习的方法，将训练样本集合中的训练样本中的电致发光图像作为初始基于语义分割的卷积神经网络的输入，将与输入的电致发光图像对应的检测结果信息作为初始基于语义分割的卷积神经网络的期望输出，训练得到上述基于语义分割的卷积神经网络。
在本步骤中，可以基于预设的损失函数完成对初始基于语义分割的卷积神经网络的训练。其中，损失函数可以用来表示训练过程中初始基于语义分割的卷积神经网络输出的检测结果信息和训练样本中与输入的电致发光图像对应的检测结果信息的差异程度。根据每次得到的损失函数的值调整基于语义分割的卷积神经网络的相关网络参数，并且可以在确定前后两次或多次的损失函数的值均小于一定阈值时结束训练，并将此时得到的基于语义分割的卷积神经网络作为上述基于语义分割的卷积神经网络。
可选地，基于语义分割的卷积神经网络还可以通过如下方式训练得到：
第一步，确定基于语义分割的卷积神经网络的网络结构。
由于现有的一些开源的、基于语义分割的卷积神经网络结构固定，例如卷积层的层数、是否有池化层、是否有全连接层等是设置好的，用户很难再去调整和修改。而实践中，用户根据自身的应用场景通常具有不同的需求(如需要速度快或精度高)，而针对不同的需求所需要设置的网络结构也具有差别。
因此，在本步骤中，可以先根据实际的应用需求确定网络结构，例如确定基于语义分割的卷积神经网络需要包括哪些层、每层的层数、卷积核的大小等等。
第二步，基于第一步确定的网络结构，构建具有上述网络结构的初始基于语义分割的卷积神经网络。
在本步骤中，可以利用现有的一些神经网络API(Application ProgrammingInterface)来构建具有确定出的网络结构的初始基于语义分割的卷积神经网络。
第三步，获取训练数据，利用训练数据对第二步中构建的初始基于语义分割的卷积神经网络进行训练以得到训练完成的基于语义分割的卷积神经网络。
本步骤的具体过程可以参见上述关于利用训练数据训练开源的、基于语义分割的卷积神经网络得到训练完成的基于语义分割的卷积神经网络的过程。
在本实施例的一些可选的实现方式中，还可以通过如下的方式对上述训练完成的基于语义分割的卷积神经网络进行更新：
第一步，获取针对输入至单晶硅太阳能电池缺陷检测系统的电致发光图像标注的检测结果信息。
在本步骤中，可以定期地，通过抽样的方式针对输入至单晶硅太阳能电池缺陷检测系统的电致发光图像，由人工进行标注结果信息。
第二步，将标注的检测结果信息与利用单晶硅太阳能电池缺陷检测系统得到的检测结果信息进行比较，得到用于表示标注的检测结果信息与利用单晶硅太阳能电池缺陷检测系统得到的检测结果信息的差异的差异值。
第三步，响应于确定差异值大于预设的差异阈值，将输入至单晶硅太阳能电池缺陷检测系统的电致发光图像和对单晶硅太阳能电池缺陷检测系统的电致发光图像标注的检测结果信息添加到训练样本集合中，得到更新后的训练样本集合。
在本步骤中，可以通过预设的差异阈值，将利用单晶硅太阳能电池缺陷检测系统得到的、误差较大的检测结果信息筛选出来，并将这部分误差较大的检测结果信息对应的输入单晶硅太阳能电池缺陷检测系统的电致发光图像，以及电致发光图像对应的标注的检测结果信息作为新的训练样本，从而更新训练样本集合。
第四步，基于更新后的训练样本集合，训练基于语义分割的卷积神经网络，得到更新后的基于语义分割的卷积神经网络。
本申请的上述实施例提供的方法可以针对单晶硅太阳能电池的图像，设置两种类别分别用来表示非缺陷和缺陷部分，通过基于语义分割的卷积神经网络对单晶硅太阳能电池的电致发光图像进行检测，从而可以得到电致发光图像中的每个像素对应的类别，进而可以了解单晶硅太阳能电池上是否存在缺陷，以及缺陷所存在的区域。和人工检测单晶硅太阳能电池上的缺陷的方法相比，有助于提升检测效率。
进一步参考图3，其示出了用于检测单晶硅太阳能电池的方法的又一个实施例的流程300。该用于检测单晶硅太阳能电池的方法的流程300，包括以下步骤：
步骤301，获取待检测的单晶硅太阳能电池的电致发光图像。
本步骤的具体的执行过程可参考图2对应实施例中的步骤201的相关说明，在此不再赘述。
步骤302，根据至少一个基于语义分割的卷积神经网络的负载信息，选取基于语义分割的卷积神经网络作为目标卷积神经网络，将电致发光图像输入至目标卷积神经网络，得到检测结果信息。
在本实施例中，可以根据单晶硅太阳能电池缺陷检测系统中的各个基于语义分割的卷积神经网络的负载信息，从中选取一个基于语义分割的卷积神经网络来对待检测的单晶硅太阳能电池的电致发光图像进行处理。例如，可以选取负载最小的基于语义分割的卷积神经网络作为目标卷积神经网络。具体地，可以选取当前空闲的基于语义分割的卷积神经网络作为目标卷积神经网络。或者在各个基于语义分割的卷积神经网络均为非空闲状态时，可以选取对应的未处理的单晶硅太阳能电池的电致发光图像的个数最少的基于语义分割的卷积神经网络作为目标卷积神经网络。
步骤303，根据得到的检测结果信息，查找检测结果信息对应的处理信息。
在本实施例中，可以预先针对不同的检测结果信息，设置对应的处理信息。例如，可以将检测结果信息划分为两类：指示单晶硅太阳能电池上存在缺陷的检测结果信息(如检测结果信息中包含第二类别)和指示单晶硅太阳能电池上不存在缺陷的检测结果信息(如检测结果信息中不包含上述第二类别)。此时，可以针对两种类别分别设置不同的处理信息。
具体地，可以根据实际的应用需求对检测结果进行划分。例如，当第二类别包括多种对应于不同缺陷的子类别时，还可以根据预先设置的缺陷类别阈值，将检测结果信息划分为如下两类：指示单晶硅太阳能电池上存在缺陷的种类数大于预设的缺陷类别阈值和单晶硅太阳能电池上存在缺陷的种类数小于预设的缺陷类别阈值。
步骤304，执行处理信息指示的处理操作。
在本实施例的一些可选的实现方式中，处理操作包括以下至少一项：记录日志、触发报警、触发对单晶硅太阳能电池的拾取。
例如，可以记录待检测的单晶硅太阳能电池与该单晶硅太阳能电池的检测结果信息的对应关系。又例如，在检测结果信息指示单晶硅太阳能电池上的存在缺陷时，可以触发预设的报警操作，或者触发对存在缺陷的单晶硅太阳能电池进行拾取等操作。
继续参见图4，图4是根据本实施例的用于检测单晶硅太阳能电池的方法的应用场景的一个示意图。在图4的应用场景中，可以首先待检测的单晶硅太阳能电池401的电致发光图像402。然后，从单晶硅太阳能电池缺陷检测系统403所包含的4个基于语义分割的卷积神经网络(分别为M1、M2、M3、M4)中选取空闲的基于语义分割的卷积神经网络M1作为目标卷积神经网络404。
之后，可以将待检测的单晶硅太阳能电池401的电致发光图像402输入至目标卷积神经网络404，得到检测结果信息406。其中，针对待检测的单晶硅太阳能电池401的电致发光图像402，可以设置两个类别(如图中标号405所示)：缺陷和其它。并且对于缺陷部分，使用编号1标识，对于其它部分，使用编号2标识。其中，检测结果信息为输入的电致发光图像402中的各个像素分别对应的类别的编号。
以图中的检测结果信息406为(1,2,2,1····,2)为例，可以看出，该检测结果信息406表示待检测的单晶硅太阳能电池401上存在有缺陷。进而可以根据预先设置的检测结果指示的类别与对应的处理信息的对应关系表407，查找有缺陷对应的处理信息为触发报警，从而执行触发报警的操作408。
从图3中可以看出，与图2对应的实施例相比，本实施例中的信息推送方法的流程300突出了在利用基于语义分割的卷积神经网络对待检测的单晶硅太阳能电池的电致发光图像进行处理，并得到检测结果信息之后，还可以根据检测结果信息，查找对应的处理信息，并根据处理信息执行对应的处理操作，从而不仅实现了对单晶硅太阳能电池的检测，而且能够根据检测结果进一步执行处理操作，有助于提升对于单晶硅太阳能电池的处理效率。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了用于检测单晶硅太阳能电池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，本实施例提供的用于检测单晶硅太阳能电池的装置500包括获取单元501和检测单元502。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；检测单元502被配置成响应于确定电致发光图像满足预设的检测条件，将电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息，其中，单晶硅太阳能电池缺陷检测系统包括至少一个基于语义分割的卷积神经网络，检测结果信息用于指示输入的电致发光图像中的像素显示的内容的类别，类别包括用于表示非缺陷的第一类别和用于表示缺陷的第二类别。
在本实施例中，用于检测单晶硅太阳能电池的装置500中：获取单元501和检测单元502的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201和步骤202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，上述检测单元502进一步被配置成：响应于确定电致发光图像不满足预设的检测条件，根据检测条件调整电致发光图像，得到调整后的电致发光图像；将调整后的电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息。
在本实施例的一些可选的实现方式中，上述检测单元502进一步被配置成：根据至少一个基于语义分割的卷积神经网络的负载信息，选取基于语义分割的卷积神经网络作为目标卷积神经网络，将电致发光图像输入至目标卷积神经网络，得到检测结果信息。
在本实施例的一些可选的实现方式中，上述装置500还包括：查找单元(图中未示出)被配置成根据得到的检测结果信息，查找检测结果信息对应的处理信息；处理单元(图中未示出)被配置成执行处理信息指示的处理操作。
在本实施例的一些可选的实现方式中，上述处理操作包括以下至少一项：记录日志、触发报警、触发对单晶硅太阳能电池的拾取。
在本实施例的一些可选的实现方式中，上述基于语义分割的卷积神经网络通过如下方式训练得到：确定初始基于语义分割的卷积神经网络；获取训练样本集合，其中，训练样本包括满足检测条件的、单晶硅太阳能电池的电致发光图像和满足检测条件的、电致发光图像对应的检测结果信息；利用机器学习的方法，将训练样本集合中的训练样本中的电致发光图像作为初始基于语义分割的卷积神经网络的输入，将与输入的电致发光图像对应的检测结果信息作为初始基于语义分割的卷积神经网络的期望输出，训练得到基于语义分割的卷积神经网络。
在本实施例的一些可选的实现方式中，上述基于语义分割的卷积神经网络通过如下方式进行更新：获取针对输入至单晶硅太阳能电池缺陷检测系统的电致发光图像标注的检测结果信息；将标注的检测结果信息与利用单晶硅太阳能电池缺陷检测系统得到的检测结果信息进行比较，得到用于表示标注的检测结果信息与利用单晶硅太阳能电池缺陷检测系统得到的检测结果信息的差异的差异值；响应于确定差异值大于预设的差异阈值，将输入至单晶硅太阳能电池缺陷检测系统的电致发光图像和对输入至单晶硅太阳能电池缺陷检测系统的电致发光图像标注的检测结果信息添加到训练样本集合中，得到更新后的训练样本集合；基于更新后的训练样本集合，训练基于语义分割的卷积神经网络，得到更新后的基于语义分割的卷积神经网络。
本申请的上述实施例提供的装置，通过获取单元获取待检测的单晶硅太阳能电池的电致发光图像；由检测单元响应于确定电致发光图像满足预设的检测条件，将电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息，其中，单晶硅太阳能电池缺陷检测系统包括至少一个基于语义分割的卷积神经网络，检测结果信息用于指示输入的电致发光图像中的像素显示的内容的类别，类别包括用于表示非缺陷的第一类别和用于表示缺陷的第二类别，从而实现了利用基于语义分割的卷积神经网络对单晶硅太阳能电池进行检测，无需再由人工对单晶硅太阳能电池进行检测，有助于提升对单晶硅太阳能电池的检测方式的灵活性和检测效率。
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)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)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、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)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)、液晶显示器(LCD)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。
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，包括获取单元和检测单元。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电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：获取待检测的单晶硅太阳能电池的电致发光图像；响应于确定电致发光图像满足预设的检测条件，将电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息，其中，单晶硅太阳能电池缺陷检测系统包括至少一个基于语义分割的卷积神经网络，检测结果信息用于指示输入的电致发光图像中的像素显示的内容的类别，类别包括用于表示非缺陷的第一类别和用于表示缺陷的第二类别。
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 (12)

1.一种用于检测单晶硅太阳能电池的方法，包括：
获取待检测的单晶硅太阳能电池的电致发光图像；
响应于确定所述电致发光图像满足预设的检测条件，将所述电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息，其中，所述单晶硅太阳能电池缺陷检测系统包括至少一个基于语义分割的卷积神经网络，检测结果信息用于指示输入的电致发光图像中的像素显示的内容的类别，类别包括用于表示非缺陷的第一类别和用于表示缺陷的第二类别；
其中，所述将所述电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息，包括：
根据所述至少一个基于语义分割的卷积神经网络的负载信息，将在各个基于语义分割的卷积神经网络均为非空闲状态时、对应的未处理的单晶硅太阳能电池的电致发光图像的个数最少的基于语义分割的卷积神经网络选作目标卷积神经网络，将所述电致发光图像输入至所述目标卷积神经网络，得到检测结果信息；
响应于确定所述电致发光图像的亮度和/或对比度不满足预设的亮度和/或对比度的要求，调整所述亮度和/或所述对比度至满足所述要求，并将满足所述要求的电致发光图像输入至所述单晶硅太阳能电池缺陷检测系统，得到所述检测结果信息。
2.根据权利要求1所述的方法，其中，在所述将所述电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息之后，还包括：
根据得到的检测结果信息，查找所述检测结果信息对应的处理信息；
执行所述处理信息指示的处理操作。
3.根据权利要求2所述的方法，其中，所述处理操作包括以下至少一项：记录日志、触发报警、触发对所述单晶硅太阳能电池的拾取。
4.根据权利要求1所述的方法，其中，所述基于语义分割的卷积神经网络通过如下方式训练得到：
确定初始基于语义分割的卷积神经网络；
获取训练样本集合，其中，训练样本包括满足所述检测条件的、单晶硅太阳能电池的电致发光图像和满足所述检测条件的、电致发光图像对应的检测结果信息；
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电致发光图像作为所述初始基于语义分割的卷积神经网络的输入，将与输入的电致发光图像对应的检测结果信息作为所述初始基于语义分割的卷积神经网络的期望输出，训练得到所述基于语义分割的卷积神经网络。
5.根据权利要求4所述的方法，其中，所述基于语义分割的卷积神经网络通过如下方式进行更新：
获取针对输入至所述单晶硅太阳能电池缺陷检测系统的电致发光图像标注的检测结果信息；
将所述标注的检测结果信息与利用所述单晶硅太阳能电池缺陷检测系统得到的检测结果信息进行比较，得到用于表示所述标注的检测结果信息与利用所述单晶硅太阳能电池缺陷检测系统得到的检测结果信息的差异的差异值；
响应于确定所述差异值大于预设的差异阈值，将输入至所述单晶硅太阳能电池缺陷检测系统的电致发光图像和对输入至所述单晶硅太阳能电池缺陷检测系统的电致发光图像标注的检测结果信息添加到所述训练样本集合中，得到更新后的训练样本集合；
基于所述更新后的训练样本集合，训练所述基于语义分割的卷积神经网络，得到更新后的基于语义分割的卷积神经网络。
6.一种用于检测单晶硅太阳能电池的装置，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；
检测单元，被配置成响应于确定所述电致发光图像满足预设的检测条件，将所述电致发光图像输入至预先训练的单晶硅太阳能电池缺陷检测系统，得到检测结果信息，其中，所述单晶硅太阳能电池缺陷检测系统包括至少一个基于语义分割的卷积神经网络，检测结果信息用于指示输入的电致发光图像中的像素显示的内容的类别，类别包括用于表示非缺陷的第一类别和用于表示缺陷的第二类别；
所述检测单元，进一步被配置成：根据所述至少一个基于语义分割的卷积神经网络的负载信息，将在各个基于语义分割的卷积神经网络均为非空闲状态时、对应的未处理的单晶硅太阳能电池的电致发光图像的个数最少的基于语义分割的卷积神经网络选作目标卷积神经网络，将所述电致发光图像输入至所述目标卷积神经网络，得到检测结果信息；
响应于确定所述电致发光图像的亮度和/或对比度不满足预设的亮度和/或对比度的要求，调整所述亮度和/或所述对比度至满足所述要求，并将满足所述要求的电致发光图像输入至所述单晶硅太阳能电池缺陷检测系统，得到所述检测结果信息。
7.根据权利要求6所述的装置，其中，所述装置还包括：
查找单元，被配置成根据得到的检测结果信息，查找所述检测结果信息对应的处理信息；
处理单元，被配置成执行所述处理信息指示的处理操作。
8.根据权利要求7所述的装置，其中，所述处理操作包括以下至少一项：记录日志、触发报警、触发对所述单晶硅太阳能电池的拾取。
9.根据权利要求6所述的装置，其中，所述基于语义分割的卷积神经网络通过如下方式训练得到：
确定初始基于语义分割的卷积神经网络；
获取训练样本集合，其中，训练样本包括满足所述检测条件的、单晶硅太阳能电池的电致发光图像和满足所述检测条件的、电致发光图像对应的检测结果信息；
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电致发光图像作为所述初始基于语义分割的卷积神经网络的输入，将与输入的电致发光图像对应的检测结果信息作为所述初始基于语义分割的卷积神经网络的期望输出，训练得到所述基于语义分割的卷积神经网络。
10.根据权利要求9所述的装置，其中，所述基于语义分割的卷积神经网络通过如下方式进行更新：
获取针对输入至所述单晶硅太阳能电池缺陷检测系统的电致发光图像标注的检测结果信息；
将所述标注的检测结果信息与利用所述单晶硅太阳能电池缺陷检测系统得到的检测结果信息进行比较，得到用于表示所述标注的检测结果信息与利用所述单晶硅太阳能电池缺陷检测系统得到的检测结果信息的差异的差异值；
响应于确定所述差异值大于预设的差异阈值，将输入至所述单晶硅太阳能电池缺陷检测系统的电致发光图像和对输入至所述单晶硅太阳能电池缺陷检测系统的电致发光图像标注的检测结果信息添加到所述训练样本集合中，得到更新后的训练样本集合；
基于所述更新后的训练样本集合，训练所述基于语义分割的卷积神经网络，得到更新后的基于语义分割的卷积神经网络。
11.一种电子设备，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1-5中任一所述的方法。
12.一种计算机可读介质，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1-5中任一所述的方法。
CN201810907552.9A 2018-08-10 2018-08-10 用于检测单晶硅太阳能电池的方法和装置 Active CN109256341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810907552.9A CN109256341B (zh) 2018-08-10 2018-08-10 用于检测单晶硅太阳能电池的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810907552.9A CN109256341B (zh) 2018-08-10 2018-08-10 用于检测单晶硅太阳能电池的方法和装置

Publications (2)

Publication Number Publication Date
CN109256341A CN109256341A (zh) 2019-01-22
CN109256341B true CN109256341B (zh) 2023-07-04

Family

ID=65048795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810907552.9A Active CN109256341B (zh) 2018-08-10 2018-08-10 用于检测单晶硅太阳能电池的方法和装置

Country Status (1)

Country Link
CN (1) CN109256341B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886964A (zh) * 2019-03-29 2019-06-14 北京百度网讯科技有限公司 电路板缺陷检测方法、装置及设备
CN110910352A (zh) * 2019-11-06 2020-03-24 创新奇智(南京)科技有限公司 基于深度学习的太阳能电池缺陷检测系统及检测方法
CN111275679B (zh) * 2020-01-17 2023-06-02 同济大学 一种基于图像的太阳能电池缺陷检测系统及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4235685B1 (ja) * 2008-07-01 2009-03-11 日清紡績株式会社 太陽電池の検査装置及び太陽電池の欠陥判定方法
CN104732900B (zh) * 2013-12-20 2017-06-16 昆山国显光电有限公司 像素缺陷检测方法和装置
CN107966447B (zh) * 2017-11-14 2019-12-17 浙江大学 一种基于卷积神经网络的工件表面缺陷检测方法

Also Published As

Publication number Publication date
CN109256341A (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
US11276158B2 (en) Method and apparatus for inspecting corrosion defect of ladle
US11380232B2 (en) Display screen quality detection method, apparatus, electronic device and storage medium
US11341626B2 (en) Method and apparatus for outputting information
US11392792B2 (en) Method and apparatus for generating vehicle damage information
US20200175673A1 (en) Method and device for detecting defect of meal box, server, and storage medium
CN109308490B (zh) 用于生成信息的方法和装置
CN109086780B (zh) 用于检测电极片毛刺的方法和装置
CN109256341B (zh) 用于检测单晶硅太阳能电池的方法和装置
JP7394809B2 (ja) ビデオを処理するための方法、装置、電子機器、媒体及びコンピュータプログラム
CN111553362B (zh) 一种视频处理方法、电子设备和计算机可读存储介质
CN113436100B (zh) 用于修复视频的方法、装置、设备、介质和产品
US11915447B2 (en) Audio acquisition device positioning method and apparatus, and speaker recognition method and system
US20200410213A1 (en) Method and apparatus for processing mouth image
CN109583389B (zh) 绘本识别方法及装置
CN110211121B (zh) 用于推送模型的方法和装置
CN111402220B (zh) 用于获取信息的方法及装置
CN112364829A (zh) 一种人脸识别方法、装置、设备及存储介质
US20220270228A1 (en) Method and apparatus for obtaining information
CN110633383A (zh) 一种重复房源的识别方法、装置、电子设备及可读介质
CN113936232A (zh) 一种碎屏识别方法、装置、设备和存储介质
CN108921792B (zh) 用于处理图片的方法和装置
US11508143B2 (en) Automated salience assessment of pixel anomalies
CN111062920B (zh) 用于生成半导体检测报告的方法及装置
CN110827261B (zh) 图像质量检测方法及装置、存储介质及电子设备
CN114489903A (zh) 界面元素定位方法、装置、存储介质及电子设备

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
GR01 Patent grant
GR01 Patent grant