CN109926341A - 硅光伏电池扫描涡流热成像检测平台及缺陷分类方法 - Google Patents
硅光伏电池扫描涡流热成像检测平台及缺陷分类方法 Download PDFInfo
- Publication number
- CN109926341A CN109926341A CN201910233644.8A CN201910233644A CN109926341A CN 109926341 A CN109926341 A CN 109926341A CN 201910233644 A CN201910233644 A CN 201910233644A CN 109926341 A CN109926341 A CN 109926341A
- Authority
- CN
- China
- Prior art keywords
- thermal imaging
- silicon photrouics
- defect
- silicon
- photrouics
- 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
Links
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 137
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 137
- 239000010703 silicon Substances 0.000 title claims abstract description 137
- 230000007547 defect Effects 0.000 title claims abstract description 126
- 238000001931 thermography Methods 0.000 title claims abstract description 84
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010438 heat treatment Methods 0.000 claims abstract description 58
- 238000006073 displacement reaction Methods 0.000 claims abstract description 40
- 230000005674 electromagnetic induction Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000005855 radiation Effects 0.000 claims abstract description 11
- 230000006698 induction Effects 0.000 claims description 39
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000000513 principal component analysis Methods 0.000 claims description 15
- 238000012880 independent component analysis Methods 0.000 claims description 13
- 239000003550 marker Substances 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 7
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 239000012535 impurity Substances 0.000 claims description 5
- 230000003902 lesion Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012300 Sequence Analysis Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 239000000498 cooling water Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 9
- 238000007635 classification algorithm Methods 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 15
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000005284 excitation Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000011664 signaling Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
- H02S50/15—Testing of PV devices, e.g. of PV modules or single PV cells using optical means, e.g. using electroluminescence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
-
- 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
Abstract
本发明提出了一种硅光伏电池扫描涡流热成像检测平台及缺陷分拣方法,本发明采取的技术方案为:首先,固定电磁感应线圈和热像仪位置,利用主位移传送带搭载硅光伏电池在生产线上向前移动,形成硅光伏电池的扫描涡流加热。然后,利用热像仪非接触、快速、高分辨率的获得缺陷温度信息,热成像获得的热辐射信号是图像序列。其次,采用特征提取算法提取光伏电池的缺陷特征。最后,采用图像分类算法对得到的硅光伏电池缺陷特征进行分类,并利用分拣传送带实现生产线上含有不同类型缺陷的硅光伏电池自动分拣。本发明大大提高了在线检测的效率和性能,检测过程主客观结合,分类结果准确。
Description
技术领域
本发明涉及硅光伏电池缺陷检测技术领域,尤其涉及一种硅光伏电池扫描涡流热成像缺陷检测平台及缺陷分类方法。
背景技术
硅光伏电池的质量直接影响到整个光伏系统的效率。在硅光伏电池的工业生产制造和光伏电池或组件的使用过程,缺陷和损坏是不可避免的。例如,硅光伏电池的裂纹和划痕缺陷会逐渐降低模块的输出功率,甚至会导致热斑现象,直到光伏组件被破坏。因此,建立一种无损、快速、准确的硅光伏电池缺陷检测和损伤分拣方法是很有意义的。随着红外热像、机器视觉检测和卷积神经网络算法的迅速发展,满足了硅光伏电池高分辨率、非接触式、定量分析和缺陷分类的要求。
现有的静态涡流热成像缺陷检测方法存在以下不足:1)静态检测速度慢;2)加热不均匀、缺陷检测效果差;3)硅光伏电池检测数量小。并且现有工业生产线上人工检测存在缺陷检测效率低和检测误差率高的缺点。
发明内容
针对现有工业生产线上人工检测硅光伏电池缺陷效率低和检测数据量较小、检测误差率高等缺点,本发明建立动态扫描涡流热成像缺陷检测方法,提出一种高效、创新的硅光伏电池缺陷检测智能分类方法,目的是提高硅光伏电池检测的准确性,保障硅光伏电池生产过程中的安全可靠,实现高精度、大量的硅光伏电池缺陷检测与分类。
本发明解决其技术问题所采用的技术方案是:
提供一种硅光伏电池扫描涡流热成像检测平台,包括:
主位移平台,其上设有主位移传送带,硅光伏电池置于该主位移传送带上;
红外摄像机,实时采集光伏电池的热像图序列;
多个分拣位移平台,与主位移平台连接,其上放置分拣传送带,主位移传送带上带有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣;
感应加热模块,通过电磁感应对硅光伏电池进行感应加热;
热像仪,设置在主位移平台的光伏电池上方,实时捕捉多个硅光伏电池的表面热辐射信息;
计算机,与热像仪连接,实时获取热像仪捕捉的原始数据并进行热序列分析,提取可表征的缺陷特征值,并采用卷积神经网络算法对不同类型的硅光伏电池缺陷进行分类标记;根据标记结果控制分拣位移平台,将含有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣。
接上述技术方案,所述感应加热模块包括函数信号发生器、感应加热电源、电磁感应线圈和水冷系统,函数信号发生器控制感应加热电源的加热模式、输出功率和激励频率;电磁感应线圈设置在主位移平台的电池上方。
接上述技术方案,电磁感应线圈设置在主位移平台的电池上方5cm处;电磁感应线圈为内部空心的扁平矩形结构和长条形结构;
接上述技术方案,水冷系统往电磁感应线圈内部通水以降低电磁感应线圈的温度,冷却水压力为0.2~0.3Mpa。
接上述技术方案,热像仪设置在主位移平台的光伏电池上方60cm处;热像仪的测量精度为±2°,检测温度范围为-20℃~120℃,光谱响应范围为7.5μm~13μm。
接上述技术方案,红外摄像机的温度灵敏度为50mK。
接上述技术方案,感应加热模块的加热模式包括脉冲式和锁相式。
本发明还提供了一种硅光伏电池红外视觉缺陷检测方法,该方法上述检测平台,包括以下步骤:
S1、通过主位移传送带移动正常硅光伏电池和带有缺陷的硅光伏电池匀速经过感应加热模块和热像仪视场;
S2、感应加热模块对硅光伏电池进行感应加热,在热像仪扫描涡流热成像过程中,硅光伏电池的表面热辐射信息包含硅光伏电池表面的温度值;
S3、热像仪获取不同位置的硅光伏电池表面瞬态温度响应,得到不同时刻的热像图序列,作为原始数据,每个硅光伏电池均得到多张热像图;
S4、采用频域互相关、主成分分析、独立分量分析和非负矩阵分解特征提取算法从不同时刻的热像图序列中提取可表征的缺陷特征值;
S5、采用卷积神经网络模型对不同类型的硅光伏电池缺陷进行分类标记;分类的缺陷包括边缘破碎、表面杂质、划痕、裂纹、热斑和大面积损伤。
S6、将含有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣。
接上述技术方案,步骤S1还包括根据硅光伏电池的缺陷属性优化设置,包括设置传送带移动速度、热像仪视场大小、感应加热模块参数、热像仪参数、数据采集频率。
本发明还提供了一种硅光伏电池红外视觉缺陷检测软件系统,软件系统集成缺陷检测分类和分拣模块,包括:
参考信号设定模块,用于设置参考信号,采用有限元模型产生无缺陷区域的响应信号作为参考信号,或者采用硅光伏电池无缺陷区域的检测信号作为参考信号,或者把检测数据中无缺陷区域某几个点的平均检测信号作为参考信号;
检测信号提取模块,用于将热像仪实时捕捉的硅光伏电池离热源不同位置的瞬态温度变化序列,作为检测信号,采用特征提取算法提取从检测信号中提取可表征的缺陷特征值;
缺陷分类模块,用于根据可表征的缺陷特征值采用卷积神经网络对不同类型的硅光伏电池缺陷进行分类标记。
缺陷分拣模块,控制分拣传送带将的带有不同缺陷类型的光伏电池分类回收。
本发明产生的有益效果是:本发明利用涡流感应线圈扫描加热硅光伏电池,利用热像仪非接触、快速、高分辨率的获得缺陷温度信息,采用特征提取算法从不同时刻的热像图序列中提取可表征的缺陷特征值。并采用卷积神经网络模型对大量不同类型的硅光伏电池缺陷进行分类标记。实现生产线上含有不同缺陷光伏电池的自动分拣。本发明将人工检测硅光伏电池缺陷转化为生产线上红外机器视觉检测,提升检测速度,减少人力物力的损耗。同时扫描式涡流热成像检测解决了静态检测速度慢的问题,改进缺陷检测效果;解决了硅光伏电池检测数量小的问题,降低了分拣错误率。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明的结构示意图;
图2a、2b是本发明的流程图;
图3(a)-图3(d)是本发明方法的频域互相关、PCA、ICA和NMF缺陷特征提取算法原理图;
图4是本发明方法得到的硅光伏电池热成像和缺陷特征提取实测数据;
图5是本发明方法LeNet-5、VGG-16、GoogLeNet等卷积神经网络得到缺陷分类训练结果;
图6是本发明边缘破碎、表面杂质、划痕、裂纹、热斑和大面积损伤等六种缺陷的分类准确率和错误率;
图1中:1、感应加热电源,2、热像仪,3、电磁感应线圈,4、热辐射信息,5、正常的硅光伏电池,6、有缺陷的硅光伏电池,7、分拣传送带,8、主位移传送带,9、计算机,10、频域互相关,11、主成分分析,11、独立成分分析,12、非负矩阵分解,13、GoogLeNet,14、VGG-16,15、LeNet-5,16、不同缺陷的硅光伏电池分拣。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明的主要原理为:将涡流热源和热像仪固定,主传送带移动硅光伏电池匀速经过涡流热源和热像仪视场。在扫描过程中,涡流源对被检对象进行均匀的有限长电磁感应加热,热像仪在动态条件下连续采集同一个硅光伏电池不同位置的表面温度值(热像图序列),作为原始数据。扫描加热技术可以同时记录不同传导时间的温度值,一次检测可以反映不同光伏电池的温度信息。采用特征提取算法对原始数据进行处理,提取可表征缺陷深度和特定深度属性的特征值。采用图像分类算法对大量不同类型的硅光伏电池缺陷进行分类,带有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣回收。最终,为硅光伏电池生产过程中的在役检测和缺陷分拣提供一种可靠的手段。
本发明实施例工业现场生产线硅光伏电池扫描涡流热成像检测平台,如图1所示,包括:
(1)主位移平台模块。由于硅光伏电池比电磁感应线圈大,而且红外相机的视场有限,所以保持电磁感应线圈和热像仪静止。硅光伏电池置于该主位移传送带上利用位移平台携带硅光伏模块移动,以1cm/s的速度前进,红外摄像机实时采集光伏模块的热像图序列,这样可以实现大量的硅光伏电池缺陷检测。
(2)多个分拣位移平台模块,与主位移平台连接,其上放置分拣传送带,主位移传送带上带有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣;
(3)感应加热模块,包括函数信号发生器、感应加热电源、电磁感应线圈和水冷系统。函数信号发生器控制感应加热电源的加热模式、输出功率和激励频率,感应加热电源采用GGC-15A大功率感应加热器,最大励磁功率为15kW,输入电压范围为150~240V,最大电流为100Arms,激励频率范围为100~150kHz(本发明实验频率f=100kHz,加热功率为300W),为电磁感应线圈提供谐振激励频率涡流电流。电磁感应线圈对硅光伏电池进行感应加热,加热模式分为脉冲式(加热1s后停止加热)和锁相式(加热1s停止1s)两种。线圈设置在主位移平台的电池上方5cm处检测效果最好;本发明采用的两个线圈一个是内部空心,直径为6.5cm、检测面积为73cm2的扁平矩形结构,一个是内部空心,长2cm,宽12cm的长条形结构,采用水冷系统往线圈内部通水以降低线圈的温度,冷却水压力为0.2~0.3Mpa。
(4)热成像模块。实验使用FLIR A310热像仪实时捕捉多个硅光伏电池的表面热辐射信息,设置在主位移平台的光伏电池上方60cm处检测效果最佳;实验中使用的红外摄像机的温度灵敏度为50mK。热像图的测量精度为±2°,检测温度范围为-20℃~120℃,光谱响应范围为7.5μm~13μm。
(5)计算机,与热像仪连接,实时获取热像仪捕捉的原始数据并进行热序列分析,提取可表征的缺陷特征值,并采用卷积神经网络算法对不同类型的硅光伏电池缺陷进行分类标记;根据标记结果控制分拣位移平台,将含有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣。
本发明实施例硅光伏电池红外视觉缺陷检测融合特征提取算法和深度学习以及卷积神经网络图像分类方法,该方法基于上述检测平台,包括以下步骤:
S1、通过主位移传送带移动正常硅光伏电池和带有缺陷的硅光伏电池匀速经过电磁感应线圈和热像仪视场,感应加热器为电磁感应线圈提供一定谐振激励频率涡流电流;
S2、电磁感应线圈对硅光伏电池进行感应加热,在扫描涡流热成像过程中,硅光伏电池的表面热辐射信息包含硅光伏电池表面的温度值;
S3、热像仪捕捉离电磁感应线圈不同位置的硅光伏电池表面瞬态温度响应信号,得到不同时刻的热像图序列,作为原始数据,即每个硅光伏电池都得到多张热像图;
S4、采用频域互相关、主成分分析(PCA)、独立分量分析(ICA)和非负矩阵分解(NMF)等特征提取算法从不同时刻的热像图序列中提取可表征的缺陷特征值。
S5、采用LeNet-5、VGG-16、GoogLeNet等卷积神经网络模型对大量不同类型的硅光伏电池缺陷进行分类标记;
S6、将含有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣。
本发明实施例中,步骤S1中具体根据硅光伏电池的缺陷属性优化设置包括传送带移动速度、热像仪视场大小、感应加热电源参数、热像仪参数、采集频率的关键参数。具体方法如下:
第1步:设定电磁感应线圈的激励电流I、主位移传送带的位移速度ν、扫描时间ts、热像仪的像素大小n×m、空间分辨率dx、横向视场Dn×Dm、采样频率f等参数;设置热像仪记录的硅光伏电池相邻图像的空间距离d=ν×dt和热像仪空间分辨率dx的关系为整数倍i,即d=i×dx;并设置热像仪横向像素n为i的整数倍。
第2步:采用控制模块使感应加热电源、主位移传送带和热像仪同时开始工作。同时,感应加热电源驱动感应线圈加热硅光伏电池,加热宽度为dr,则硅光伏电池每个点的加热时间tr=dr/ν,加热能量如式(1)所示;然后,位移传送带搭载硅光伏电池固定速度ν向前移动。其中,控制模块可以采用函数信号发生器,设置周期性或者脉冲式的信号开通感应加热器的电源,使感应加热线圈加热光伏电池。
本发明实施例中,步骤S2中硅光伏电池的感应加热过程,涉及到三个物理过程:1、电磁感应加热;2、热传导和热辐射;3、热成像;
扫描涡流热成像缺陷检测包含三个主要的物理过程:
第1步:扫描式感应线圈的电磁感应加热。在扫描配置下,感应加热的时间tr是有限长的,由加热宽度dr和扫描速度ν决定。加热能量可表示为:
式(1)中,I是激励线圈中的激励电流,f是激励电流频率,σ是硅光伏电池的电导率,μ是硅光伏电池的相对磁导率。涡流的加热宽度dr与提离h效应相关,提离h越大,加热宽度dr越小。实际采用感应线圈进行电磁加热时,加热效率可表示为:
第2步:三维热传导过程。根据焦耳定律,硅光伏电池中感应出的涡流将转化为热量,深度方向的热传导有利于缺陷检测,其透入深度可表示为:
式(3)中,f为感应电流频率,本发明实验中其值为100kHz,σ为硅光伏电池的电导率,其值为2.52×104(单位:S/m),μ为硅光伏电池的磁导,其值为4π×10-7(H/m)。在100kHz激励下,透入深度δ的计算值为3170μm,远远大于硅光伏电池(约200μm)的厚度。因此,光伏电池的加热方式是体积加热,热量会向材料内部和周边传导。
第3步:根据热辐射基本定理,采用红外热像仪记录光伏电池表面热辐射时,遵循斯蒂芬-玻尔兹曼法则,即物体表面每单位时间辐射的能量正比于物体的绝对温度的四次方和发射率:
j*=σsbεT4 (4)
式中,σsb为Stefan-Boltzmann常数,T是绝对温度(单位:K),ε为发射率。最后,热像仪记录硅光伏电池表面加热之后随时间变化的温度信息,作为原始数据,并把原始数据传输给计算机。
本发明实施例中,步骤S4中通过基于频域互相关、主成分分析(PCA)、独立分量分析(ICA)和非负矩阵分解(NMF)等特征提取算法的缺陷特征提取方法,提取不同类型的缺陷特征值。基于热序列分析的硅光伏电池缺陷特征提取方法具体包括以下步骤:
(5.1)频域互相关算法进行缺陷特征提取,如图3(a)所示。
第1步:采用硅光伏电池无缺陷区域的检测信号作为参考信号ref(t)。为提高信噪比,也可以把检测数据中无缺陷区域某几个点的平均检测信号作为参考信号。
第2步:通过频域互相关算法计算检测数据中检测信号s(t)与参考信号ref(t)的同相和正交信号。检测信号s(t)指的是原始信号(热像仪连续采集得到的热像图序列)。
第3步:如图3(a)所示,把检测信号进行快速傅里叶变换(FFT)得到频域检测信号;把参考信号进行希尔伯特变换(HT)产生正交参考信号;把参考信号和正交参考信号进行快速傅里叶变换(FFT)和复共轭(Z*)运算,得到频域参考信号和频域正交参考信号;把频域检测信号与频域参考信号依次进行乘法运算、逆快速傅里叶变换(IFFT)和实部运算(Real),得到同相信号。
第4步:把频域检测信号与频域正交参考信号依次进行乘法运算、逆快速傅里叶变换(IFFT)和实部运算(Real),得到正交信号。
第5步:对同相和正交信号求幅值后得到互相关幅值(CC Amp)图像,如图3(b)所示。对正交和同相求相位后得到互相关相位(CC Phase)图像,
(5.2)对于PCA、ICA和NMF算法进行缺陷特征提取,如图3(b)-(d)所示。
第1步:利用红外热像仪获得了硅光伏电池的原始热序列导入MATLAB,这是一个三维阵列数据。
第2步:在MATLAB中将三维阵列转换为二维阵列,二维阵列的每一行向量表示热图像中每个像素的温度序列,它可以理解为瞬态温度响应。
第3步:利用PCA、ICA和NMF对热像序列进行处理,得到相应的主成分分量(PCs)、独立成分分量(ICs)和NMF分量。将每个PCs和ICs都是一维向量。通过数据转换,在MATLAB中将一维矢量转换为二维阵列。
第4步:选择合适的PCs、ICs和NMF分量进行图像重构,得到清晰的有缺陷的硅光伏电池的二维图像。
本发明实验得到的硅光伏电池热成像和缺陷特征提取实测数据如图4所示,图中列举的数据分为六种缺陷类型,每种缺陷的原始热像120张。共有720幅含有缺陷的原始热像图。热像仪产生的原始热图像像素为320×240像素。同时图4列举了PCA、ICA和NMF算法得到的多张缺陷特征提取图像。对于PCA,六种缺陷的PCA第一分量更清晰。对于ICA,边缘破碎、表面杂质、划痕、裂纹、热斑和大面积损伤分别对应的第29、第54、第8、第45、第6、第9成分更清晰。对于NMF,六种缺陷的第三分量更清晰。
本发明实施例中,步骤S5中采用LeNet-5、VGG-16、GoogLeNet等卷积神经网络模型对大量不同类型的硅光伏电池缺陷进行分类标记,具体包括以下步骤:
第1步:在实验中,CPU是Inter(R)Core(TM)i7-4790CPU@3.60GHz,GPU是NVIDIAGeForce GTX 750 Ti,,卷积神经网络框架是Caffe中开源的GoogLeNet、VGG-16和LeNet-5框架。由FLIR A310热像仪产生的原始热图像的像素为320×240像素。通过图像配准预处理每个原始热图像,并且将所有热像图尺寸改变为224×224像素,每张图像包含50176像素。
第2步:FLIR A310热像仪共得到720个原始热图像含有缺陷,同时分别从PCA、ICA和NMF中提取720幅图像。共有720×4=2880张热像图。将这些有缺陷的硅光伏电池数据导入LeNet-5、VGG-16和GoogLeNet卷积神经网络中进行缺陷分类识别,在训练过程中,80%的数据作为验证数据集。在测试过程中,以20%的数据作为测试数据集。因此,训练数据集的数目为2304,测试数据集的数目为576。在创建数据之后,我们使用LeNet-5、VGG-16和GoogLeNet模型对获得的数据进行了微调。图5的训练结果表明,这三种分类模型都达到了较高的精度值。其中GoogLeNet模型具有最佳的分类准确度和损失函数。在第30次迭代时,GoogLeNet模型已经显示了90%以上的准确度值。GoogleNet模型在训练77次迭代时达到最大分类准确度100%,对应的损失函数值为0.002。从77次迭代以后,GoogLeNet模型基本上保持了100%的分类准确度。在训练的第21次迭代中,VGG-16模型达到了最大的精度值,最终的分类准确率定格在为94.67%,LeNet-5模型的准确率最高为89.65%。因此可以证明GoogLeNet的缺陷分类效果最好。
第3步:在GoogLeNet所有卷积层中应用Relu激活函数。全连接层的神经元数可以修改,因为本实验过程中有六类硅光伏电池缺陷所以将最终全连接层的神经元数修改为6个。为了防止过拟合,减小误差,增强特征,加快收敛速度,在对模型进行卷积运算后,采用改进的线性单元(Relu)作为分类器。本发明不仅提高了计算机资源(特别是处理大量硅光伏电池数据集)的效率,也提高了缺陷分类任务的准确性。选取缺陷特征提取后的720张图像,每种缺陷120张,图6为本发明方法得到的六种硅光伏电池热像图缺陷分类的准确率和错误率。边缘破碎、表面杂质、划痕、裂纹、热斑和大面积损伤的分类精度和错误分别达到100%(120/120,0错误)、99.16%(119/120,1错误)、96.67%(116/120,4错误)、95.83%(115/120,5错误)、95.83%(115/120,5错误)、100%(120/120,0错误)。各种硅光伏电池缺陷的分类精度相比没有做缺陷特征提取之前都有了一定程度的提高。
在此基础上,涡流扫描热成像和卷积神经网络技术在硅光伏电池缺陷的检测和自动识别中具有很高的应用潜力,可以实现工业生产线上大量硅光伏电池的检测与缺陷分拣,为硅光伏电池的研制、测试、制造、服务和维护提供了可靠的方法。
本发明主要利用主位移传送带搭载硅光伏电池在生产线上向前移动,形成硅光伏电池的扫描涡流加热。利用热像仪非接触、快速、高分辨率的获得缺陷温度信息,热成像获得的热辐射信号是图像序列。采用采用频域互相关、PCA、ICA和NMF等特征提取算法从不同时刻的热像图序列中提取可表征的缺陷特征值。最后采用LeNet-5、VGG-16、GoogLeNet等卷积神经网络模型对大量不同类型的硅光伏电池缺陷进行分类标记,并利用分拣传送带实现生产线上含有不同缺陷光伏电池的自动分拣。本发明大大提高了在线检测的效率和性能,检测过程主客观结合,分类结果准确。
此外,本发明的研究成果还可以应用于金属或碳纤维复合材料板材生产制造过程中的质量检测以及交通轨道、输送管道、蒙皮结构、风机叶片等大型构件的在线检测。
本发明实施例的硅光伏电池红外视觉缺陷检测软件系统,软件系统集成缺陷检测分类和分拣模块,包括:
参考信号设定模块,用于设置参考信号,采用有限元模型产生无缺陷区域的响应信号作为参考信号,或者采用硅光伏电池无缺陷区域的检测信号作为参考信号,或者把检测数据中无缺陷区域某几个点的平均检测信号作为参考信号;
检测信号提取模块,用于将热像仪实时捕捉的硅光伏电池离热源不同位置的瞬态温度变化序列,作为检测信号,采用特征提取算法提取从检测信号中提取可表征的缺陷特征值;
缺陷分类模块,用于根据可表征的缺陷特征值采用卷积神经网络对不同类型的硅光伏电池缺陷进行分类标记。
缺陷分拣模块,控制分拣传送带将的带有不同缺陷类型的光伏电池分类回收。各个模块的具体实现方式详见上文实施例,再次不赘述。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种硅光伏电池扫描涡流热成像检测平台,其特征在于,包括:
主位移平台,其上设有主位移传送带,硅光伏电池置于该主位移传送带上;
红外摄像机,实时采集光伏电池的热像图序列;
多个分拣位移平台,与主位移平台连接,其上放置分拣传送带,主位移传送带上带有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣;
感应加热模块,通过电磁感应对硅光伏电池进行感应加热;
热像仪,设置在主位移平台的光伏电池上方,实时捕捉多个硅光伏电池的表面热辐射信息;
计算机,与热像仪连接,实时获取热像仪捕捉的原始数据并进行热序列分析,提取可表征的缺陷特征值,并采用卷积神经网络算法对不同类型的硅光伏电池缺陷进行分类标记;根据标记结果控制分拣位移平台,将含有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣。
2.根据权利要求1所述的硅光伏电池扫描涡流热成像检测平台,其特征在于,所述感应加热模块包括函数信号发生器、感应加热电源、电磁感应线圈和水冷系统,函数信号发生器控制感应加热电源的加热模式、输出功率和激励频率;电磁感应线圈设置在主位移平台的电池上方。
3.根据权利要求2所述的硅光伏电池扫描涡流热成像检测平台,其特征在于,电磁感应线圈设置在主位移平台的电池上方5cm处;电磁感应线圈为内部空心的扁平矩形结构和长条形结构。
4.根据权利要求2所述的硅光伏电池扫描涡流热成像检测平台,其特征在于,水冷系统往电磁感应线圈内部通水以降低电磁感应线圈的温度,冷却水压力为0.2~0.3Mpa。
5.根据权利要求1所述的硅光伏电池扫描涡流热成像检测平台,其特征在于,热像仪设置在主位移平台的光伏电池上方60cm处;热像仪的测量精度为±2°,检测温度范围为-20℃~120℃,光谱响应范围为7.5μm~13μm。
6.根据权利要求1所述的硅光伏电池扫描涡流热成像检测平台,其特征在于,红外摄像机的温度灵敏度为50mK。
7.根据权利要求1所述的硅光伏电池扫描涡流热成像检测平台,其特征在于,感应加热模块的加热模式包括脉冲式和锁相式。
8.一种硅光伏电池红外视觉缺陷检测方法,该方法基于权利要求1的检测平台,其特征在于,包括以下步骤:
S1、通过主位移传送带移动正常硅光伏电池和带有缺陷的硅光伏电池匀速经过感应加热模块和热像仪视场;
S2、感应加热模块对硅光伏电池进行感应加热,在热像仪扫描涡流热成像过程中,硅光伏电池的表面热辐射信息包含硅光伏电池表面的温度值;
S3、热像仪获取不同位置的硅光伏电池表面瞬态温度响应,得到不同时刻的热像图序列,作为原始数据,每个硅光伏电池均得到多张热像图;
S4、采用频域互相关、主成分分析、独立分量分析和非负矩阵分解特征提取算法从不同时刻的热像图序列中提取可表征的缺陷特征值;
S5、采用卷积神经网络模型对不同类型的硅光伏电池缺陷进行分类标记;分类的缺陷包括边缘破碎、表面杂质、划痕、裂纹、热斑和大面积损伤;
S6、将含有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣。
9.根据权利要求8所述的方法,其特征在于,步骤S1还包括根据硅光伏电池的缺陷属性优化设置,包括设置传送带移动速度、热像仪视场大小、感应加热模块参数、热像仪参数、数据采集频率。
10.一种基于权利要求1的硅光伏电池红外视觉缺陷检测软件系统,其特征在于软件系统集成缺陷检测分类和分拣模块,包括:
参考信号设定模块,用于设置参考信号,采用有限元模型产生无缺陷区域的响应信号作为参考信号,或者采用硅光伏电池无缺陷区域的检测信号作为参考信号,或者把检测数据中无缺陷区域某几个点的平均检测信号作为参考信号;
检测信号提取模块,用于将热像仪实时捕捉的硅光伏电池离热源不同位置的瞬态温度变化序列,作为检测信号,采用特征提取算法提取从检测信号中提取可表征的缺陷特征值;
缺陷分类模块,用于根据可表征的缺陷特征值采用卷积神经网络对不同类型的硅光伏电池缺陷进行分类标记;
缺陷分拣模块,控制分拣传送带将的带有不同缺陷类型的光伏电池分类回收。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910233644.8A CN109926341A (zh) | 2019-03-26 | 2019-03-26 | 硅光伏电池扫描涡流热成像检测平台及缺陷分类方法 |
US16/593,957 US11218112B2 (en) | 2019-03-26 | 2019-10-04 | Silicon photovoltaic cell scanning eddy current thermography detection platform and defect classification method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910233644.8A CN109926341A (zh) | 2019-03-26 | 2019-03-26 | 硅光伏电池扫描涡流热成像检测平台及缺陷分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109926341A true CN109926341A (zh) | 2019-06-25 |
Family
ID=66988325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910233644.8A Pending CN109926341A (zh) | 2019-03-26 | 2019-03-26 | 硅光伏电池扫描涡流热成像检测平台及缺陷分类方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11218112B2 (zh) |
CN (1) | CN109926341A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111678366A (zh) * | 2020-04-23 | 2020-09-18 | 山东建筑大学 | 一种蓄热管壳式换热器及泄漏检测方法 |
CN112532182A (zh) * | 2020-11-06 | 2021-03-19 | 凯盛光伏材料有限公司 | 一种用于测试光伏组件热斑耐久测试的辅助治具 |
CN113295732A (zh) * | 2021-04-22 | 2021-08-24 | 杭州申昊科技股份有限公司 | 可供检测管道缺陷的管道机器人及其控制方法与控制系统 |
CN114113119A (zh) * | 2021-12-03 | 2022-03-01 | 浙江伟星实业发展股份有限公司 | 基于缺陷等级的产品视觉质检方法、系统、设备及介质 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11900581B2 (en) | 2020-09-22 | 2024-02-13 | Future Dial, Inc. | Cosmetic inspection system |
US11836912B2 (en) * | 2020-09-22 | 2023-12-05 | Future Dial, Inc. | Grading cosmetic appearance of a test object based on multi-region determination of cosmetic defects |
WO2022211754A1 (en) * | 2021-03-31 | 2022-10-06 | Kalyon Gunes Teknolojileri Uretim Anonim Sirketi | A system and method for controlling solar panels |
CN116896320B (zh) * | 2023-03-30 | 2024-04-05 | 淮南市国家电投新能源有限公司 | 一种应用于水面光伏电站的水陆空智能运维方法 |
CN116936394B (zh) * | 2023-07-27 | 2024-02-02 | 江苏森标科技有限公司 | 一种电池片缺陷检测及颜色分选机构 |
CN116689310B (zh) * | 2023-08-08 | 2023-10-20 | 河南工学院 | 一种用于电池分拣回收的自动化识别分类系统 |
CN117252840B (zh) * | 2023-09-26 | 2024-04-05 | 西安交通大学 | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 |
CN117525192B (zh) * | 2024-01-08 | 2024-03-15 | 深圳斯多福新材料科技有限公司 | 基于视觉检测的光伏板涂胶加工控制方法、系统和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494778A (zh) * | 2011-11-14 | 2012-06-13 | 北京理工大学 | 一种基于人工神经网络的二次电池表面最高温度预测方法 |
US8253102B1 (en) * | 2009-09-30 | 2012-08-28 | The United States Of America As Represented By The Secretary Of The Army | Gaseous focal plane thermal imager |
TWI400763B (zh) * | 2010-01-08 | 2013-07-01 | ||
CN103197221A (zh) * | 2013-03-06 | 2013-07-10 | 浙江正泰太阳能科技有限公司 | 光伏电池片的检测方法 |
CN203292095U (zh) * | 2013-06-18 | 2013-11-20 | 海南英利新能源有限公司 | 太阳能电池片的色差分选装置 |
CN105004758A (zh) * | 2015-08-18 | 2015-10-28 | 长沙学院 | 一种涡流线扫描热成像检测系统及方法 |
CN205550906U (zh) * | 2016-03-02 | 2016-09-07 | 东莞市翔度电子科技有限公司 | 一种锂电池分拣机 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5444241A (en) * | 1993-10-01 | 1995-08-22 | The Regents Of The University Of California | Emissivity corrected infrared method for imaging anomalous structural heat flows |
US7173245B2 (en) * | 2001-01-04 | 2007-02-06 | The Regents Of The University Of California | Submicron thermal imaging method and enhanced resolution (super-resolved) AC-coupled imaging for thermal inspection of integrated circuits |
DE102004050463B3 (de) * | 2004-10-16 | 2006-04-20 | Manz Automation Ag | Testsystem für Solarzellen |
US7805064B2 (en) * | 2006-06-26 | 2010-09-28 | TP Solar, Inc. (Corporation of CA, USA) | Rapid thermal firing IR conveyor furnace having high intensity heating section |
US8449238B2 (en) * | 2006-10-11 | 2013-05-28 | Sunpower Corporation | In-line furnace conveyors with integrated wafer retainers |
TW200940977A (en) * | 2008-03-19 | 2009-10-01 | Viswell Technology Co Ltd | Optical imaging apparatus and method for inspection of solar cells |
US8816253B2 (en) * | 2011-01-21 | 2014-08-26 | Tp Solar, Inc. | Dual independent transport systems for IR conveyor furnaces and methods of firing thin work pieces |
CN202068606U (zh) * | 2011-04-11 | 2011-12-07 | 苏阳东 | 带冷却腔的电磁加热装置 |
US10332248B1 (en) * | 2016-08-17 | 2019-06-25 | The United States Of America As Represented By The Administator Of The National Aeronautics And Space Administration | Contrast based imaging and analysis computer-implemented method to analyze pulse thermography data for nondestructive evaluation |
CN107192759B (zh) * | 2017-06-09 | 2019-08-27 | 湖南大学 | 一种基于感应光热辐射的光伏电池无损检测方法及系统 |
US20190249923A1 (en) * | 2018-02-15 | 2019-08-15 | Illinois Tool Works Inc. | Methods and apparatus to provide closed loop control in a solar cell production system |
CN109145973A (zh) * | 2018-08-10 | 2019-01-04 | 北京百度网讯科技有限公司 | 用于检测单晶硅太阳能电池缺陷的方法和装置 |
-
2019
- 2019-03-26 CN CN201910233644.8A patent/CN109926341A/zh active Pending
- 2019-10-04 US US16/593,957 patent/US11218112B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8253102B1 (en) * | 2009-09-30 | 2012-08-28 | The United States Of America As Represented By The Secretary Of The Army | Gaseous focal plane thermal imager |
TWI400763B (zh) * | 2010-01-08 | 2013-07-01 | ||
CN102494778A (zh) * | 2011-11-14 | 2012-06-13 | 北京理工大学 | 一种基于人工神经网络的二次电池表面最高温度预测方法 |
CN103197221A (zh) * | 2013-03-06 | 2013-07-10 | 浙江正泰太阳能科技有限公司 | 光伏电池片的检测方法 |
CN203292095U (zh) * | 2013-06-18 | 2013-11-20 | 海南英利新能源有限公司 | 太阳能电池片的色差分选装置 |
CN105004758A (zh) * | 2015-08-18 | 2015-10-28 | 长沙学院 | 一种涡流线扫描热成像检测系统及方法 |
CN205550906U (zh) * | 2016-03-02 | 2016-09-07 | 东莞市翔度电子科技有限公司 | 一种锂电池分拣机 |
Non-Patent Citations (2)
Title |
---|
杜博伦: "硅光伏电池电磁红外热成像缺陷检测技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
杨瑞珍等: "晶体硅光伏电池电磁感应激励红外热辐射缺陷检测与成像技术", 《电工技术学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111678366A (zh) * | 2020-04-23 | 2020-09-18 | 山东建筑大学 | 一种蓄热管壳式换热器及泄漏检测方法 |
CN111678366B (zh) * | 2020-04-23 | 2021-11-19 | 山东建筑大学 | 一种蓄热管壳式换热器及泄漏检测方法 |
CN112532182A (zh) * | 2020-11-06 | 2021-03-19 | 凯盛光伏材料有限公司 | 一种用于测试光伏组件热斑耐久测试的辅助治具 |
CN113295732A (zh) * | 2021-04-22 | 2021-08-24 | 杭州申昊科技股份有限公司 | 可供检测管道缺陷的管道机器人及其控制方法与控制系统 |
CN114113119A (zh) * | 2021-12-03 | 2022-03-01 | 浙江伟星实业发展股份有限公司 | 基于缺陷等级的产品视觉质检方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
US11218112B2 (en) | 2022-01-04 |
US20200313612A1 (en) | 2020-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109926341A (zh) | 硅光伏电池扫描涡流热成像检测平台及缺陷分类方法 | |
Du et al. | Intelligent classification of silicon photovoltaic cell defects based on eddy current thermography and convolution neural network | |
CN103439342B (zh) | 基于热图时序特征的红外无损检测方法 | |
He et al. | Eddy current volume heating thermography and phase analysis for imaging characterization of interface delamination in CFRP | |
Zhang et al. | CFRP impact damage inspection based on manifold learning using ultrasonic induced thermography | |
CN105004758B (zh) | 一种涡流线扫描热成像检测系统及方法 | |
Jeon et al. | Defect detection for corner cracks in steel billets using a wavelet reconstruction method | |
He et al. | Dynamic scanning electromagnetic infrared thermographic analysis based on blind source separation for industrial metallic damage evaluation | |
CN102033081A (zh) | 基于图像序列处理的红外锁相热波无损检测方法 | |
Israil et al. | Automatic detection of micro-crack in solar wafers and cells: a review | |
CN103471513B (zh) | 光脉冲红外热成像测量涂层厚度的方法 | |
Yang et al. | Electromagnetic induction heating and image fusion of silicon photovoltaic cell electrothermography and electroluminescence | |
CN107504911B (zh) | 阶梯加热红外热波技术测量厚度的方法 | |
Gao et al. | Thermography spatial-transient-stage mathematical tensor construction and material property variation track | |
CN205228414U (zh) | 热波成像膜层厚度检测系统 | |
CN110333267A (zh) | 一种基于rsbss红外无损检测热成像缺陷图像处理方法及系统 | |
CN109919905A (zh) | 一种基于深度学习的红外无损检测方法 | |
Li et al. | Method for detecting damage in carbon-fibre reinforced plastic-steel structures based on eddy current pulsed thermography | |
Wang et al. | The aircraft skin crack inspection based on different-source sensors and support vector machines | |
Chen et al. | Characterization of image sequences of a defect using pulsed eddy current signals | |
Cong et al. | Detection for printed circuit boards (PCBs) delamination defects using optical/thermal fusion imaging technique | |
CN103514445A (zh) | 基于多流形学习的带钢表面缺陷识别方法 | |
CN104698036A (zh) | 基于三维温度曲面相似性分析的涡流热成像缺陷识别方法 | |
CN109816651B (zh) | 基于变化率与温度差异的热图像缺陷特征提取方法 | |
Vesala et al. | Deep anomaly detection model for composite inspection in quadratic frequency modulated thermal wave imaging |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190625 |