CN110349120A - 太阳能电池片表面缺陷检测方法 - Google Patents
太阳能电池片表面缺陷检测方法 Download PDFInfo
- Publication number
- CN110349120A CN110349120A CN201910471773.0A CN201910471773A CN110349120A CN 110349120 A CN110349120 A CN 110349120A CN 201910471773 A CN201910471773 A CN 201910471773A CN 110349120 A CN110349120 A CN 110349120A
- Authority
- CN
- China
- Prior art keywords
- confidence network
- depth confidence
- solar battery
- battery sheet
- limited
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 230000007547 defect Effects 0.000 claims abstract description 20
- 238000013136 deep learning model Methods 0.000 claims abstract description 13
- 210000004027 cell Anatomy 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 238000012958 reprocessing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000002950 deficient Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种太阳能电池片表面缺陷检测方法，图片进行归一化处理，得到太阳能电池表面图像的二值图；基于卷积神经网络结构建立深度学习模型；构成深度置信网络；通过深度学习模型训练深度置信网络；通过误差反向传播算法调整深度置信网络；选取深度置信网络的学习速率、迭代次数和权重；将训练好的深度置信网络对测试集的二值图进行太阳能电池片表面缺陷检测，深度置信网络输出检测结果。本发明通过将特征提取和图像处理合二为一，缩短缺陷检测时间，并且能够快速适应训练的环境和位置的变化，满足生产需求，节约经济成本，同时深度置信网络与误差反向传播算法相结合完成特征提取与图像处理为之后的图像缺陷检测提供事实依据。
Description
技术领域
本发明涉及电池片表面缺陷检测技术领域，尤其涉及一种太阳能电池片表面缺陷检测方法。
背景技术
太阳能电池的生产是基于太阳能需求的行业。太阳能向电能的转换是通过由多个太阳能电池形成的太阳能光伏阵列来实现的。太阳能电池片再生产的过程中，由于装置和操作的误差，表面一般会存在一些瑕疵和缺陷。这不仅影响电池的生产质量，更直接降低了发电效率和电池寿命。在国内太阳能电池中，硅电池占主导地位。这类电池以极具脆性的硅片作为原料，而且在生产制备过程中，要经过多道复杂工艺，在形成成品和出产之前，极易产生各种缺陷。因此，为保证电池片生产质量，保持企业的竞争力，就需要不断进行测试来将含有缺陷的电池片剔除。太阳能电池片表面缺陷检测对促进行业的发展，具有广泛的现实意义。
目前对于太阳能电池片的缺陷检测来说，很大部分都是依靠人工来测验，想要用Charge Coupled Device(CCD)成像系统来实现无需人工的辨别是很困难的。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种太阳能电池片表面缺陷检测方法，缩短缺陷检测时间，提高工作效率。
根据本发明实施例的一种太阳能电池片表面缺陷检测方法，应用于太阳能电池片表面检测，所述太阳能电池片表面缺陷检测方法步骤如下：
S1：对训练集图片进行归一化处理，将训练集中为太阳能电池表面的图像进行压缩处理，压缩处理后的图像再次进行归一化处理，得到太阳能电池表面图像的二值图；
S2：基于卷积神经网络结构建立深度学习模型；
S3：应用步骤S1中得到的二值图，将检测二值图需要的多个受限波尔兹曼机依次相连，以构成深度置信网络；
S4：应用步骤S3中得到的深度置信网络，通过误差反向传播算法调整深度置信网络；
S5：应用步骤S4中得到的深度置信网络，通过深度学习模型训练深度置信网络；
S6：应用步骤S5中得到的深度置信网络，选取深度置信网络的学习速率、迭代次数和权重；
S7：应用步骤S6中得到的深度置信网络，将训练好的深度置信网络对测试集的二值图进行太阳能电池片表面缺陷检测，深度置信网络输出检测结果。
优选的，应用步骤S3中的受限玻尔兹曼机，在多个受限玻尔兹曼机中，前一个受限玻尔兹曼机的隐层为后一个受限玻尔兹曼机的显层，相连接的两个受限玻尔兹曼机的输入端与输出端对应设置。
优选的，所述受限玻尔兹曼机的能量函数定义为：
其中，v为可见层单元的状态，h为隐藏层单元的状态，Wi×j是可见层m和隐含层h之间的权重矩阵；
b＝(b1,...,bm)是可见节点的偏移量；
c＝(c1,...,cn)是隐藏节点的偏移量；
受限玻尔兹曼机符合正则分布的形式，当以上数值确定时,RBM处于状态v、h的概率为：
其中，
优选的，获得前项受限玻尔兹曼权重和后项受限玻尔兹曼权重后，通过误差反向传播算法算法调整深度置信网络的权重。
优选的，应用步骤S5中通过深度学习模型训练深度置信网络的方法步骤如下：
S51：对底部受限玻尔兹曼机以原始输入数据训练；
S52：从底部受限玻尔兹曼机提取的特征作为顶部受限玻尔兹曼机的输入；
S53：重复处理S51和S52，达到训练多层受限玻尔兹曼机的目的。
优选的，在步骤S52中，低层特征向量映射到高层特征空间，特征数据信息保存完整。
本发明中：
(1)太阳能电池片表面含有是易于区分的纹理特征，便于提取特征，当检测环境和位置不发生变化时，无缺陷电池片图像具备相同的纹理特征，反之，有缺陷电池片图像仅仅有少部分区域产生灰度差异，本文是为了检测太阳能电池的表面空缺，此特点非常适合采用深度置信网络去提取特征并进行检测；
(2)深度置信网络将特征提取和图像处理合二为一，缩短缺陷检测时间，为并行处理提供基础，节约了成本，并且满足产品检测需求；
(3)深度置信网络训练权值的时间短，在训练的环境和位置出现改动的情况下，能够快速适应，满足生产需求，节约了经济成本；
(4)深度置信网络与误差反向传播算法相结合完成特征提取与图像处理，为之后的图像缺陷检测提供事实依据。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明提出的太阳能电池片表面缺陷检测方法的流程框图；
图2为本发明提出的深度置信网络学习训练流程框图；
图3为本发明提出的受限玻尔兹曼机叠加形成深度置信网络的模型图；
图4为本发明提出的太阳能电池片成像示意图；
图5为本发明提出的深度置信网络的预训练、展开以及微调的过程示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1-5，一种太阳能电池片表面缺陷检测方法，包括应用于太阳能电池片表面检测，太阳能电池片表面缺陷检测方法步骤如下：
S1：对训练集图片进行归一化处理，将训练集中为太阳能电池表面的图像进行压缩处理，压缩处理后的图像再次进行归一化处理，得到太阳能电池表面图像的二值图；
S2：基于卷积神经网络结构建立深度学习模型；
S3：应用步骤S1中得到的二值图，将检测二值图需要的多个受限波尔兹曼机依次相连，以构成深度置信网络；
S4：应用步骤S3中得到的深度置信网络，通过误差反向传播算法调整深度置信网络；
S5：应用步骤S4中得到的深度置信网络，通过深度学习模型训练深度置信网络；
S6：应用步骤S5中得到的深度置信网络，选取深度置信网络的学习速率、迭代次数和权重；
S7：应用步骤S6中得到的深度置信网络，将训练好的深度置信网络对测试集的二值图进行太阳能电池片表面缺陷检测，深度置信网络输出检测结果。
应用步骤S3中的受限玻尔兹曼机，在多个受限玻尔兹曼机中，前一个受限玻尔兹曼机的隐层为后一个受限玻尔兹曼机的显层，相连接的两个受限玻尔兹曼机的输入端与输出端对应设置。
受限玻尔兹曼机的能量函数定义为：
其中，v为可见层单元的状态，h为隐藏层单元的状态，Wi×j是可见层m和隐含层h之间的权重矩阵；
b＝(b1,...,bm)是可见节点的偏移量；
c＝(c1,...,cn)是隐藏节点的偏移量；
受限玻尔兹曼机符合正则分布的形式，当以上数值确定时,RBM处于状态v、h的概率为：
其中，
获得前项受限玻尔兹曼权重和后项受限玻尔兹曼权重后，通过误差反向传播算法算法调整深度置信网络的权重。
应用步骤S5中通过深度学习模型训练深度置信网络的方法步骤如下：
S51：对底部受限玻尔兹曼机以原始输入数据训练；
S52：从底部受限玻尔兹曼机提取的特征作为顶部受限玻尔兹曼机的输入；
S53：重复处理S51和S52，达到训练多层受限玻尔兹曼机的目的。
在步骤S52中，低层特征向量映射到高层特征空间，特征数据信息保存完整。
在机器学习和模式识别等领域中，一般需要将样本分成独立的三部分训练集，验证集和测试集。其中训练集用来估计模型，验证集用来确定网络结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。
深度学习是对人的大脑进行模拟的一种神经网络算法，它的复杂程度，主要取决于它的隐藏层的层数，是一种当下非常热门的学习算法。由于这种多层神经网络的学习算法它对样本有相当大的特征提取能力，所以受到了许多人的青睐。深度学习模型对于空间信息的处理主要也是基于卷积神经网络(CNN)结构的，例如，基于图像的显著性检测模型，在应用到太阳能电池片表面检测时，首先提取其边缘得到区域和边缘特征，然后通过CNN进行深度学习，获得目标检测的相应显著置信度图，然后最小化条件随机场的能量，完成非重大和重大歧视，实现重大检测工作。
太阳能电池表面缺陷检测也可以通过由受限玻尔兹曼机(RBM)、深度置信网络(DBN)和误差反向传播算法(BP)组合而成的训练网络来实现。
RBM是一种随机生成的神经网络，它包括学习输入数据集的概率分布；一个DBN深层信念网络由多个按顺序连接的RBM构成。BP算法用于执行整体网络优化以检测缺陷。
深度学习使用分层结构来处理复杂的高维数据。每层由包含特征检测器的单元组成，低层检测简单特征，并反馈给高层，从而检测出更复杂的特征。深度学习算法，其思想就是堆积多个非线性处理单元以产生更抽象和更有用的特征表达。就是经过将m层的输出当做m+1层的输入，完成对输入信息特征的分层展示。
在本发明中，需要说明的是，对每个RBM进行训练使问题简单化，而不需要对复杂的DBN模型架构直接训练。BP算法对整个网络的反向传播优化网络，将可信度高的网络用来做全监督训练；通过这种方法可以获得更准确的参数初始值，从而大大提高了模型架构的建模能力，从而使得DBN可以经过预训获取想要的权重初值,避免没有一个特定的初始化参数导致不能对全局实施优化以及加长训练时间的弊端。
在这个训练过程中，由可见层形成的向量v用作将值传递给隐藏层的传输方法。相反，视觉层的输入将被任意选择，以便重建初始输入信号之后，让这些新出现可见的神经元中被激活的单元以前向传递方式去再次创建隐层的激活单元，得到数值h，这种反复的映射方法被称为吉布斯采样，不断进行前进以及后退的步骤。权值更新的重要依据是可视层输入和隐层激活单元这两者的相关性差异。其中，最高两层中的权值被衔接起来，使得更低层的输出来递送一个线索供顶层参考，然后顶层就可以使其和它的记忆内容相关联。最终，DBN就能够根据带标签的数据运用BP算法优化整个网络提高检测性能。
在具体实施例中：
首先将像素为120×120压缩为20×20的图像，然后归一化处理使得输入为20×20的二值图，该数据集包含106个图像作为训练样本，随机选择10个样本作为测试样本，样本里包含有白色空缺图像和无缺陷图像，接着，训练DBN并获得相应的预训练权重。基于初始权重，BP算法用于进一步调整权重。最后，得到DBN的输入层是400维，隐含层为3。
DBN在基于CNN的深度学习模型的训练过程中：
a、首先训练第一个RBM，该网络是由400维输入层和50维的第一个隐藏层组成的网络。计算隐藏层训练样本的输出值；
b、将上述a中的输出作为待训练的第二个网络的输入值，并使用RBM优化，然后获得网络的输出值，第三个RBM网络和第四个RBM网络以相同的方式进行训练；
c、将上述b中生成的4个RBM网络依次连接组成新网络，并分成“encode:”端和“decode:”端；在这两个端口中，使用a和b中的数据为这个新网络分配初始值；
d、以第一个输入值作为网络理论的输出标签值，采用BP算法得到网络的成本函数及其偏导数，运用共扼梯度下降法优化DBN网络并获得最终的网络权值。其中包含几个重要的参数如表1所示：
表1 DBN训练结果表
| 学习率 | 迭代次数 | 权重 | 最大BP迭代次数 | 维数 |
| 0.1 | 50 | 0.0002 | 30 | 400 |
DBN训练完成后，将图片特征提取出来，分成训练集data.mat和测试集textD.mat，无缺陷的图片灰度显示较为均匀，而有缺陷的图片缺陷区域存在着可观测的灰度差异，可以将有缺陷图像和无缺陷图像进行区分。
将数据载入之后，设定无缺陷图片的输出值为0，而有缺陷的图片输出值为1，测试样本设定为十张，以代码的形式对结果进行输出，这十张测试样本是从106张图片中随机抽取而出的，这样更具有说服力，研究得出，十张测试样本全部检测正确，正确率为100％。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，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表面缺陷检测方法，应用于太阳能电池片表面检测，其特征在于,所述太阳能电池片表面缺陷检测方法步骤如下：
S1：对训练集图片进行归一化处理，将训练集中为太阳能电池表面的图像进行压缩处理，压缩处理后的图像再次进行归一化处理，得到太阳能电池表面图像的二值图；
S2：基于卷积神经网络结构建立深度学习模型；
S3：应用步骤S1中得到的二值图，将检测二值图需要的多个受限波尔兹曼机依次相连，以构成深度置信网络；
S4：应用步骤S3中得到的深度置信网络，通过误差反向传播算法调整深度置信网络；
S5：应用步骤S4中得到的深度置信网络，通过深度学习模型训练深度置信网络；
S6：应用步骤S5中得到的深度置信网络，选取深度置信网络的学习速率、迭代次数和权重；
S7：应用步骤S6中得到的深度置信网络，将训练好的深度置信网络对测试集的二值图进行太阳能电池片表面缺陷检测，深度置信网络输出检测结果。
2.根据权利要求1所述的太阳能电池片表面缺陷检测方法，其特征在于：应用步骤S3中的受限玻尔兹曼机，在多个受限玻尔兹曼机中，前一个受限玻尔兹曼机的隐层为后一个受限玻尔兹曼机的显层，相连接的两个受限玻尔兹曼机的输入端与输出端对应设置。
3.根据权利要求2所述的太阳能电池片表面缺陷检测方法，其特征在于：所述受限玻尔兹曼机的能量函数定义为：
其中，v为可见层单元的状态，h为隐藏层单元的状态，Wi×j是可见层m和隐含层h之间的权重矩阵；
b＝(b1,...,bm)是可见节点的偏移量；
c＝(c1,...,cn)是隐藏节点的偏移量；
受限玻尔兹曼机符合正则分布的形式，当以上数值确定时,RBM处于状态v、h的概率为：
其中，
4.根据权利要求3所述的太阳能电池片表面缺陷检测方法，其特征在于：获得前项受限玻尔兹曼权重和后项受限玻尔兹曼权重后，通过误差反向传播算法算法调整深度置信网络的权重。
5.根据权利要求1所述的太阳能电池片表面缺陷检测方法，其特征在于：应用步骤S5中通过深度学习模型训练深度置信网络的方法步骤如下：
S51：对底部受限玻尔兹曼机以原始输入数据训练；
S52：从底部受限玻尔兹曼机提取的特征作为顶部受限玻尔兹曼机的输入；
S53：重复处理S51和S52，达到训练多层受限玻尔兹曼机的目的。
6.根据权利要求4所述的太阳能电池片表面缺陷检测方法，其特征在于：在步骤S52中，低层特征向量映射到高层特征空间，特征数据信息保存完整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910471773.0A CN110349120A (zh) | 2019-05-31 | 2019-05-31 | 太阳能电池片表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910471773.0A CN110349120A (zh) | 2019-05-31 | 2019-05-31 | 太阳能电池片表面缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110349120A true CN110349120A (zh) | 2019-10-18 |
Family
ID=68174580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910471773.0A Pending CN110349120A (zh) | 2019-05-31 | 2019-05-31 | 太阳能电池片表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110349120A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910360A (zh) * | 2019-11-14 | 2020-03-24 | 腾讯云计算（北京）有限责任公司 | 电网图像的定位方法和图像定位模型的训练方法 |
| CN111105405A (zh) * | 2019-12-24 | 2020-05-05 | 刘甜甜 | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 |
| CN113010442A (zh) * | 2021-04-30 | 2021-06-22 | 中国工商银行股份有限公司 | 基于深度置信网络的用户界面测试结果分类方法及装置 |
| CN115294135A (zh) * | 2022-10-09 | 2022-11-04 | 临沂华太电池有限公司 | 一种电池卷边封口质量检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629370A (zh) * | 2018-04-28 | 2018-10-09 | 广东工业大学 | 一种基于深度置信网络的分类识别算法及装置 |
| CN109118483A (zh) * | 2018-08-09 | 2019-01-01 | 合肥顺为信息科技有限公司 | 一种标签质量检测方法及装置 |
| US20190138731A1 (en) * | 2016-04-22 | 2019-05-09 | Lin Tan | Method for determining defects and vulnerabilities in software code |
-
2019
- 2019-05-31 CN CN201910471773.0A patent/CN110349120A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190138731A1 (en) * | 2016-04-22 | 2019-05-09 | Lin Tan | Method for determining defects and vulnerabilities in software code |
| CN108629370A (zh) * | 2018-04-28 | 2018-10-09 | 广东工业大学 | 一种基于深度置信网络的分类识别算法及装置 |
| CN109118483A (zh) * | 2018-08-09 | 2019-01-01 | 合肥顺为信息科技有限公司 | 一种标签质量检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 刘梦溪等: "焊缝缺陷图像分类识别的深度置信网络研究", 《测控技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910360A (zh) * | 2019-11-14 | 2020-03-24 | 腾讯云计算（北京）有限责任公司 | 电网图像的定位方法和图像定位模型的训练方法 |
| CN111105405A (zh) * | 2019-12-24 | 2020-05-05 | 刘甜甜 | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 |
| CN111105405B (zh) * | 2019-12-24 | 2020-12-25 | 芜湖楚睿智能科技有限公司 | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 |
| CN113010442A (zh) * | 2021-04-30 | 2021-06-22 | 中国工商银行股份有限公司 | 基于深度置信网络的用户界面测试结果分类方法及装置 |
| CN115294135A (zh) * | 2022-10-09 | 2022-11-04 | 临沂华太电池有限公司 | 一种电池卷边封口质量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110349120A (zh) | 太阳能电池片表面缺陷检测方法 | |
| CN111739075B (zh) | 一种结合多尺度注意力的深层网络肺部纹理识别方法 | |
| CN106600577B (zh) | 一种基于深度反卷积神经网络的细胞计数方法 | |
| CN104102919B (zh) | 一种有效防止卷积神经网络过拟合的图像分类方法 | |
| CN109063724B (zh) | 一种增强型生成式对抗网络以及目标样本识别方法 | |
| CN113379699A (zh) | 基于深度学习的输电线路绝缘子缺陷检测方法 | |
| CN107679465A (zh) | 一种基于生成网络的行人重识别数据生成和扩充方法 | |
| CN106023154B (zh) | 基于双通道卷积神经网络的多时相sar图像变化检测方法 | |
| CN108958217A (zh) | 一种基于深度学习的can总线报文异常检测方法 | |
| CN107644221A (zh) | 基于参数压缩的卷积神经网络交通标志识别方法 | |
| CN103020935A (zh) | 一种自适应在线字典学习的图像超分辨率方法 | |
| CN106529605A (zh) | 基于免疫理论的卷积神经网络模型的图像识别方法 | |
| CN111832484A (zh) | 一种基于卷积感知哈希算法的回环检测方法 | |
| CN109559297A (zh) | 一种基于三维区域生成网络的肺结节检测的方法 | |
| CN110245711A (zh) | 基于角度旋转生成网络的sar目标识别方法 | |
| CN113516656B (zh) | 一种基于ACGAN和Cameralink相机的缺陷图像数据处理仿真方法 | |
| CN111382785A (zh) | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 | |
| CN110992315A (zh) | 一种基于生成式对抗网络的芯片表面缺陷分类装置和方法 | |
| CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
| CN110210503A (zh) | 一种印章识别方法和装置以及设备 | |
| CN115797808A (zh) | 一种无人机巡检缺陷图像的识别方法、系统、装置及介质 | |
| CN116205876A (zh) | 基于多尺度标准化流的无监督笔记本外观缺陷检测方法 | |
| CN115330697A (zh) | 基于可迁移Swin Transformer的轮胎瑕疵检测域自适应方法 | |
| CN111160428A (zh) | 基于cnn-svm算法蔬菜自动识别方法 | |
| CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191018 |
|
| WD01 | Invention patent application deemed withdrawn after publication |