CN112215821A - 一种基于人工智能的光伏电池板栅线缺陷检测方法及系统 - Google Patents
一种基于人工智能的光伏电池板栅线缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN112215821A CN112215821A CN202011092656.2A CN202011092656A CN112215821A CN 112215821 A CN112215821 A CN 112215821A CN 202011092656 A CN202011092656 A CN 202011092656A CN 112215821 A CN112215821 A CN 112215821A
- Authority
- CN
- China
- Prior art keywords
- image
- photovoltaic cell
- cell panel
- channel
- grid line
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于人工智能的光伏电池板栅线缺陷检测方法及系统,涉及人工智能领域;该方法包括获取单个光伏电池板图像;根据光伏电池板图像中的先验颜色特征构建图像矩阵,对图像矩阵进行滑窗计算得到单通道图像;获取单通道图像各列像素的压缩值作为表示光伏电池板图像的一维数列;将一维数列输入时间卷积网络中,获得栅线在光伏电池板图像中的周期性,并根据异常点判断栅线缺陷位置。本发明采用语义分割的网络类型识别图像中各列的内容,此图像处理方式无需调试参数,利用光伏电池板内容的周期性,适应各种尺寸的电池板图像,简化了预处理过程,泛化能力强。本发明能够消除相机参数、光照强度的影响,实现自动化,提高检测效率及准确率。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于人工智能的光伏电池板栅线缺陷检测方法及系统。
背景技术
太阳能作为一种可再生的清洁能源,在社会上得到越来越多的应用,光伏电池板作为太阳能的发电载体,通常希望其具有较长的使用寿命及较高的转化率,而在制造过程中出现的栅线缺陷限制了其适用性。因此,有效的检测手段,对提高光伏电池板的质量非常重要。
栅线检测通常使用背景建模法及帧差法,但是往往需要标准模板,同时使用图像处理的方式,需要人为设定较多的经验阈值,使得系统的泛化能力较差,相机参数或者光照强度的不同会使设定的阈值失效,需要人为重新调试,难以实现自动化。
发明内容
为了解决上述技术问题,本发明提供了一种基于人工智能的光伏电池板栅线缺陷检测方法及系统,所采用的技术方案如下:
第一方面,本发明实施例提供了一种基于人工智能的光伏电池板栅线缺陷检测方法,该方法包含以下步骤:
获取单个光伏电池板图像;
根据单个光伏电池板图像中的先验颜色特征构建图像矩阵,对图像矩阵进行滑窗计算,以修正每个像素点的像素值,得到单通道图像;
对单通道图像中的每列像素进行压缩运算,获取各列像素的压缩值作为表示光伏电池板图像的一维数列;
将一维数列输入时间卷积网络中,获得栅线在光伏电池板图像中的周期性,并根据异常点判断栅线缺陷位置。
优选地,获取单个光伏电池板图像的步骤包括:
采集每个光伏电池板的样本图象;
使用语义分割的网络模型来获取光伏电池板样本图像中各个像素的类别,并得到光伏电池板的二值化遮罩图像;
使用二值化遮罩图像与样本图像相乘,裁剪掉背景部分,得到对应的光伏电池板初始图像;
对光伏电池板初始图象进行旋转,得到对齐的单个光伏电池板图像。
优选地,构建图像矩阵,对图像矩阵进行滑窗计算,包括以下步骤:
采用阵列形式,以两个蓝色通道、一个红色通道和一个绿色通道的排列方式对光伏电池板的像素点进行扩充,构建图像矩阵;
以图像矩阵中的每个像素点在蓝色通道与红色通道之差为第一差值,在蓝色通道与绿色通道之差为第二差值,将第一差值与第二差值分别乘以各自的权重之后再求和的绝对值作为修正后单通道图像的像素值。
优选地,压缩值的获取方法是:
求得单通道图像中每列像素的离差平方和作为相应列的压缩值。
第二方面,本发明实施例提供了一种基于人工智能的光伏电池板栅线缺陷检测系统,包括:
图像获取单元,用于获取单个光伏电池板图像;
判断单元,包括单通道图像获取模块、压缩计算模块、异常位置判断模块:
单通道图像获取模块,用于根据单个光伏电池板图像中的先验颜色特征构建图像矩阵,对图像矩阵进行滑窗计算,以修正每个像素点的像素值,得到单通道图像;
压缩计算模块,用于对单通道图像中的每列像素进行压缩运算,获取各列像素的压缩值作为表示光伏电池板图像的一维数列;以及
异常位置判断模块,用于将一维数列输入时间卷积网络中,获得栅线在光伏电池板图像中的周期性,并根据异常点判断栅线缺陷位置。
进一步地,图像获取单元,还包括图像采集模块、语义分割模块、裁剪模块、预处理模块:
图像采集模块,用于采集每个光伏电池板的样本图象;
语义分割模块,用于使用语义分割的网络模型来获取光伏电池板样本图像中各个像素的类别,并得到光伏电池板的二值化遮罩图像;
裁剪模块,用于使用二值化遮罩图像与样本图像相乘,裁剪掉背景部分,得到对应的光伏电池板初始图像;
预处理模块,用于对光伏电池板初始图象进行旋转,得到对齐的单个光伏电池板图像。
进一步地,单通道图像获取模块,还包括图像矩阵获取模块、滑窗计算模块:
图像矩阵获取模块,用于采用阵列形式,以两个蓝色通道、一个红色通道和一个绿色通道的排列方式对光伏电池板的像素点进行扩充,构建图像矩阵;
滑窗计算模块,用于以图像矩阵中的每个像素点在蓝色通道与红色通道之差为第一差值,在蓝色通道与绿色通道之差为第二差值,将第一差值与第二差值分别乘以各自的权重之后再求和的绝对值作为修正后单通道图像的像素值。
进一步地,压缩计算模块还包括压缩值获取模块,用于求出单通道图像中每列像素的离差平方和作为相应列的压缩值。
本发明实施例至少具有如下有益效果:
本发明实施例采用阵列扩充提取像素弱特征,并放大其影响系数,结合光伏电池板的先验颜色特征压缩图像为一维数列,而后通过寻找周期性特征的异常点来获取栅线缺陷位置,消除了相机参数、光照强度对检测过程的影响,使检测结果更加准确;再结合时间卷积网络识别,实现了自动化,提高了检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的光伏电池板栅线缺陷检测方法的流程图;
图2为本发明一个实施例所提供的图像对齐示意图;
图3为本发明一个实施例所提供的阵列形式示意图;
图4为本发明一个实施例所提供的一种基于人工智能的光伏电池板栅线缺陷检测系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的光伏电池板栅线缺陷检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
需要说明的是,光伏电池板理想图像为:
1.栅线为周期出现的纵向细线;
2.栅线间的区域为纯色或单色区域;
3.光伏电池板理想图像仅包括栅线,硅晶两种区域,栅线像素值相同,硅晶区域像素也相同。
但在光伏电池板生产流水线中,经常因为图像尺寸、相机参数、光照的因素影响图像质量,进而降低检测结果的准确性,本发明实施例主要对室内光伏电池板制造流水线上的栅线异常缺陷进行检测,消除了以上图像质量的影响,以便及时纠正不合格产品。
请参阅图1,其示出了一种基于人工智能的光伏电池板栅线缺陷检测方法的流程图,该检测方法包括以下步骤:
步骤S100,获取单个光伏电池板图像。
具体的,本发明实施例通过在光伏电池板的生产流水线上方搭载摄像装备来实现样本图象的采集:摄像装备光轴垂直向下,并正对传输电池板的流水线,实现对单个光伏电池板的拍摄,此时光伏电池板样本图像中包含有部分背景。
采用语义分割的网络模型来获取光伏电池板样本图像中各个像素的类别,并得到光伏电池板的二值化遮罩图像,本领域技术人员可根据需求选择合适的语义分割网络模型,本发明实施例中采用DNN网络对样本图像进行训练,具体训练内容为:
对获取到的样本图像进行像素级分类,样本图像中特征明显,易于区分,光伏电池板的边缘框为白色宽条矩形,边缘框的内部区域为浅蓝色硅晶及白色细条栅线,背景部分为边缘框外部空域;本发明实施例中需要给样本图像数据集中的目标进行标注,得到相应的标签,目标包括背景、边缘框和光伏电池板内部区域;
将样本图像和标签输入语义分割网络模型中进行训练,并用交叉熵损失函数表述像素所属类别的预测情况和真实情况之间的差异,优化网络参数,有:
其中,n表示同一批量进行处理的数据数量,i表示n个数据中的第i个,p(xi)表示真实概率分布,q(xi)表示预测概率分布,F(p,q)表示预测值和标签值的差异。
至此,可以获得光伏电池板样本图像中各像素的类别,另外,在语义分割结果中,根据边缘框和光伏电池板内部两个类别的连通域获得对应的二值化遮罩图像。
使用二值化遮罩图像与初始图象相乘,裁剪掉背景部分,得到对应的光伏电池板初始图像。
对光伏电池板初始图象进行旋转,得到对齐的单个光伏电池板图像。具体的,请参阅图2,对语义分割后得到的标签为光伏电池板内部区域的连通域进行分析,获得其最小外接矩形10。根据最小外接矩形10的长轴与水平线的夹角得到矩形边缘框倾斜角度θ,角度θ为矩形框长轴与图像水平线的夹角。
对光伏电池板初始图像顺时针旋转θ,得到对齐的单个光伏电池板图像。
步骤S200:根据单个光伏电池板图像中的先验颜色特征构建图像矩阵,对图像矩阵进行滑窗计算,以修正每个像素点的像素值,得到单通道图像。
具体的,请参阅图3,其中R代表红色通道,G代表绿色通道,B代表蓝色通道,为了保留图像的颜色区别信息,以及模拟人眼对颜色的敏感程度,本发明实施例结合光伏电池板图像的RGB三个通道的像素值进行图像扩充,提取光伏电池板图像每个像素点的RGB三个通道中的值,采用阵列形式,以两个蓝色通道、一个红色通道和一个绿色通道的排列方式对光伏电池板的像素点进行扩充,得到图像矩阵,光伏电池板图像中单个像素扩充为图3所示的形式,对于原图像中蓝色硅晶和白色栅线,其像素值在蓝色通道上具有较高的响应,故阵列形式中蓝色通道的占比相对其它两个通道更大。若原光伏电池板图像尺寸为H*W,则图像矩阵的大小为2H*2W。
对图像矩阵进行滑窗计算,根据各个通道的影响程度,修正每个元素的值。滑窗大小为2*2,移动步长为2,计算公式为:
M(i,j)=|α*(I(1,1)-I(1,2))+β*(I(2,1)-I(2,2))|
其中,以I(x,y)表示如图3所示的2*2滑窗中第x行第y列通道的像素值,则I(1,1)表示蓝色通道的像素值,以此类推;α对应像素点在蓝色通道与红色通道之间差异的权重,β对应像素点在蓝色通道与绿色通道之间差异的权重,α>β且α+β=1。M(i,j)的计算结果作为单通道图像第i行第j列的像素值。
滑窗计算实现了像素的同行作差,以图像矩阵中的每个像素点在蓝色通道与红色通道之差为第一差值,在蓝色通道与绿色通道之差为第二差值,将第一差值与第二差值分别乘以各自的权重之后再求和的绝对值作为修正后单通道图像的像素值。
需要说明的是,电池板中主要颜色为蓝色,栅线为白色,同时包括黑色或其他颜色的噪声影响。纯蓝色在RGB三通道的响应数值为(0,0,255),纯白色在RGB三通道的响应数值为(255,255,255),光伏电池板的蓝色硅晶和白色栅线在红色通道上差异最大,所以,修正每个元素的值时,蓝色通道与红色通道对比的差异影响系数更大,即权重α大于权重β,本发明实施例中,α可取0.75,β可取0.25。
至此,得到新的尺寸为H*W的单通道图像,其中像素值为M(i,j)。
步骤S300:对单通道图像中的每列像素进行压缩运算,获取各列像素的压缩值作为表示光伏电池板图像的一维数列。
单通道图像综合了光伏电池板图像上不同通道颜色的影响,本发明实施例为了使用时间卷积网络来从图像横向规律中寻找异常,需要对单通道图像进行纵向压缩运算,求得单通道图像中每列像素的离差平方和作为相应列的压缩值。具体过程为:
其中,Ej为单通道图像中第j列像素的均值,Pj为每一列的压缩值;求出各列压缩值作为光伏电池板图像对应的一维数列,图像共有W列,则一维数列中一共有W个数值,也就是由W个P值组成。单个电池板图像经压缩处理后得到数列为(P1,P2,P3,…,Pw)。
以上是通过对单通道图像进行压缩处理,获得压缩数据集的过程,接下来需要结合光伏电池板图像中列像素的周期性寻找栅线,并找到打断变化规律的异常栅线列。
步骤S400:将一维数列输入时间卷积网络中,获得栅线在光伏电池板图像中的周期性,并根据异常点判断栅线缺陷位置。
使用纵向压缩后,由时间卷积网络进行自动识别,时间卷积网络能够使用因果卷积来联系前后序列的特征,在光照强度、相机参数的噪声影响下获得栅线在光伏电池板图像中的周期性特征,而后寻找到破坏周期性的异常特征,判断栅线缺陷位置,此方法使得结果更可靠,具有较高鲁棒性。
本发明实施例将举例说明由TCN网络的因果卷积来联系前后列像素判定栅线缺陷位置的具体方法。
TCN网络的训练过程如下:
TCN网络输入经过压缩处理的光伏电池板图像的序列形式为:
[(A1,A2,A3,…,Aw),(B1,B2,B3,…,BW),……]
其中,(A1,A2,A3,…,Aw)为第一张光伏电池板图像压缩处理后获得的一维数列,(B1,B2,B3,…,BW)为第二张光伏电池板图像压缩处理后获得的一维数列,以此类推,直至输入全部光伏电池板图像的压缩数据集。
TCN网络将图像中列像素分为三种类别:栅线间隔区域,栅线,异常栅线。对每个光伏电池板图像压缩成的一维数列进行处理后,将输出相同长度的标签数列,输出形式为:
[(a1,a2,a3,…,aw),(b1,b2,b3,…,bW),……]
标签数列的值为列像素压缩数据对应的标签类别,共为三类,标签相应目标包括栅线间隔区域、栅线和异常栅线。
栅线异常包括栅线断开和栅线虚印,断栅为白色栅线断开不再连续,虚印为栅线整体印制较浅,即栅线的视觉表现为白色栅线较浅或被其他像素断开。
若输出的序列存在异常栅线对应的标签数字,则判断图像中栅线有缺陷存在,并标注栅线缺陷所在列坐标,并反馈到原图像中,进行重新着色。
举例,若栅线间间隔区域、栅线、异常栅线按顺序对应标签的数字为1至3,且TCN网络输出序列为:
[1111111111222211111111112222111111111133331111111111]
其中,异常栅线对应标签数字3在序列中重复出现,可以判定存在栅线缺陷,同时定位对应列坐标。
TCN网络实现了从带有一定周期规律的序列中寻找打断规律的点,即异常栅线所在列。
综上所述,本发明实施例提供了一种基于人工智能的光伏电池板栅线缺陷检测方法,该方法包括采用语义分割识别图像中各列的内容,此图像处理方式无需调试参数,利用电池板内容周期性出现的特性,适应各种尺度大小的电池板图像,简化了预处理过程,泛化能力强。采用阵列扩充及纵向压缩提取像素弱特征,并放大其影响系数,消除相机参数、光照强度对检测过程的影响,使检测结果更加准确,再结合时间卷积网络识别,实现了自动化,提高了检测效率。
基于与上述方法实施例相同的发明构思,本发明另一个实施例提供了一种基于人工智能的光伏电池板栅线缺陷检测系统。
请参阅图4,其示出了本发明另一个实施例所提供的一种基于人工智能的光伏电池板栅线缺陷检测系统100的结构框图,该系统包括图像获取单元20和判断单元30。
具体的,图像获取单元20用于获取单个光伏电池板图像;判断单元30包括单通道图像获取模块、压缩计算模块、异常位置判断模块:单通道图像获取模块31用于根据单个光伏电池板图像中的先验颜色特征构建图像矩阵,对图像矩阵进行滑窗计算,以修正每个像素点的像素值,得到单通道图像;压缩计算模块32用于对单通道图像中的每列像素进行压缩运算,获取各列像素的压缩值作为表示光伏电池板图像的一维数列;异常位置判断模块33用于将一维数列输入时间卷积网络中,获得栅线在光伏电池板图像中的周期性,并根据异常点判断栅线缺陷位置。
进一步地,图像获取单元20,还包括图像采集模块、语义分割模块、裁剪模块、预处理模块:
图像采集模块用于采集每个光伏电池板的样本图象;语义分割模块用于使用语义分割的网络模型来获取光伏电池板样本图像中各个像素的类别,并得到光伏电池板的二值化遮罩图像;裁剪模块用于使用二值化遮罩图像与样本图像相乘,裁剪掉背景部分,得到对应的光伏电池板初始图像;预处理模块用于对光伏电池板初始图象进行旋转,得到对齐的单个光伏电池板图像。
进一步地,单通道图像获取模块31,还包括图像矩阵获取模块、滑窗计算模块:
图像矩阵获取模块用于采用阵列形式,以两个蓝色通道、一个红色通道和一个绿色通道的排列方式对光伏电池板的像素点进行扩充,构建图像矩阵;滑窗计算模块用于以图像矩阵中的每个像素点在蓝色通道与红色通道之差为第一差值,在蓝色通道与绿色通道之差为第二差值,将第一差值与第二差值分别乘以各自的权重之后再求和的绝对值作为修正后单通道图像的像素值。
进一步地,压缩计算模块32还包括压缩值获取模块,用于求出单通道图像中每列像素的离差平方和作为相应列的压缩值。
综上所述,本发明实施例提供了一种基于人工智能的光伏电池板栅线缺陷检测系统,该系统包括采用语义分割模块识别图像中各列的内容,该过程无需调试参数,利用电池板内容周期性出现的特性,适应各种尺度大小的电池板图像,简化了预处理过程,泛化能力强。采用单通道图像获取模块及压缩计算模块提取像素弱特征,并放大其影响系数,消除相机参数、光照强度对检测过程的影响,使检测结果更加准确,再结合异常位置判断模块进行网络识别,实现了自动化,提高了检测效率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于人工智能的光伏电池板栅线缺陷检测方法,其特征在于,该方法包含以下步骤:
获取单个光伏电池板图像;
根据所述单个光伏电池板图像中的先验颜色特征构建图像矩阵,对所述图像矩阵进行滑窗计算,以修正每个像素点的像素值,得到单通道图像;
对所述单通道图像中的每列像素进行压缩运算,获取各列像素的压缩值作为表示所述光伏电池板图像的一维数列;
将所述一维数列输入时间卷积网络中,获得栅线在光伏电池板图像中的周期性,并根据异常点判断栅线缺陷位置。
2.根据权利要求1所述的一种基于人工智能的光伏电池板栅线缺陷检测方法,其特征在于,所述获取单个光伏电池板图像的步骤包括:
采集每个光伏电池板的样本图象;
使用语义分割的网络模型来获取所述光伏电池板样本图像中各个像素的类别,并得到光伏电池板的二值化遮罩图像;
使用所述二值化遮罩图像与所述样本图像相乘,裁剪掉背景部分,得到对应的光伏电池板初始图像;
对所述光伏电池板初始图象进行旋转,得到对齐的单个光伏电池板图像。
3.根据权利要求1所述的一种基于人工智能的光伏电池板栅线缺陷检测方法,其特征在于,所述构建图像矩阵,对所述图像矩阵进行滑窗计算,包括以下步骤:
采用阵列形式,以两个蓝色通道、一个红色通道和一个绿色通道的排列方式对光伏电池板的像素点进行扩充,构建所述图像矩阵;
以所述图像矩阵中的每个像素点在蓝色通道与红色通道之差为第一差值,在蓝色通道与绿色通道之差为第二差值,将所述第一差值与所述第二差值分别乘以各自的权重之后再求和的绝对值作为修正后单通道图像的像素值。
4.根据权利要求1所述的一种基于人工智能的光伏电池板栅线缺陷检测方法,其特征在于,所述压缩值的获取方法是:
求得单通道图像中每列像素的离差平方和作为相应列的压缩值。
5.一种基于人工智能的光伏电池板栅线缺陷检测系统,其特征在于,包括:
图像获取单元,用于获取单个光伏电池板图像;
判断单元,包括单通道图像获取模块、压缩计算模块和异常位置判断模块:
所述单通道图像获取模块,用于根据所述单个光伏电池板图像中的先验颜色特征构建图像矩阵,对所述图像矩阵进行滑窗计算,以修正每个像素点的像素值,得到单通道图像;
所述压缩计算模块,用于对所述单通道图像中的每列像素进行压缩运算,获取各列像素的压缩值作为表示所述光伏电池板图像的一维数列;
所述异常位置判断模块,用于将所述一维数列输入时间卷积网络中,获得栅线在光伏电池板图像中的周期性,并根据异常点判断栅线缺陷位置。
6.根据权利要求5所述的一种基于人工智能的光伏电池板栅线缺陷检测系统,其特征在于,所述图像获取单元,还包括图像采集模块、语义分割模块、裁剪模块和预处理模块:
所述图像采集模块,用于采集每个光伏电池板的样本图象;
所述语义分割模块,用于使用语义分割的网络模型来获取所述光伏电池板样本图像中各个像素的类别,并得到光伏电池板的二值化遮罩图像;
所述裁剪模块,用于使用所述二值化遮罩图像与所述样本图像相乘,裁剪掉背景部分,得到对应的光伏电池板初始图像;
所述预处理模块,用于对所述光伏电池板初始图象进行旋转,得到对齐的单个光伏电池板图像。
7.根据权利要求5所述的一种基于人工智能的光伏电池板栅线缺陷检测系统,其特征在于,所述单通道图像获取模块,还包括图像矩阵获取模块、滑窗计算模块:
所述图像矩阵获取模块,用于采用阵列形式,以两个蓝色通道、一个红色通道和一个绿色通道的排列方式对光伏电池板的像素点进行扩充,构建图像矩阵;
所述滑窗计算模块,用于以所述图像矩阵中的每个像素点在蓝色通道与红色通道之差为第一差值,在蓝色通道与绿色通道之差为第二差值,将所述第一差值与所述第二差值分别乘以各自的权重之后再求和的绝对值作为修正后单通道图像的像素值。
8.根据权利要求5所述的一种基于人工智能的光伏电池板栅线缺陷检测系统,其特征在于,所述压缩计算模块还包括压缩值获取模块,用于求出单通道图像中每列像素的离差平方和作为相应列的压缩值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092656.2A CN112215821A (zh) | 2020-10-13 | 2020-10-13 | 一种基于人工智能的光伏电池板栅线缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092656.2A CN112215821A (zh) | 2020-10-13 | 2020-10-13 | 一种基于人工智能的光伏电池板栅线缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112215821A true CN112215821A (zh) | 2021-01-12 |
Family
ID=74054007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011092656.2A Withdrawn CN112215821A (zh) | 2020-10-13 | 2020-10-13 | 一种基于人工智能的光伏电池板栅线缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215821A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469974A (zh) * | 2021-07-05 | 2021-10-01 | 天津市三特电子有限公司 | 球团链篦机蓖板状态监测方法及其监测系统 |
CN113470016A (zh) * | 2021-08-31 | 2021-10-01 | 江苏裕荣光电科技有限公司 | 一种基于人工智能的光伏电池板异常检测方法及装置 |
CN114871140A (zh) * | 2022-05-10 | 2022-08-09 | 苏州天准科技股份有限公司 | 电极双面检测装置、检测方法和电极综合检测设备 |
CN114937035A (zh) * | 2022-07-19 | 2022-08-23 | 江苏苏能森源电气有限公司 | 基于图像处理的电力变压器硅钢片质量检测方法及系统 |
CN115115643A (zh) * | 2022-08-30 | 2022-09-27 | 一道新能源科技(衢州)有限公司 | 一种光伏电池板生产缺陷检测方法 |
CN115272348A (zh) * | 2022-09-30 | 2022-11-01 | 索日新能源科技(南通)有限公司 | 一种基于光伏电池栅线缺陷的编码检测方法 |
CN115797355A (zh) * | 2023-02-09 | 2023-03-14 | 江苏惠汕新能源集团有限公司 | 太阳能光伏发电装置故障检测方法及系统 |
-
2020
- 2020-10-13 CN CN202011092656.2A patent/CN112215821A/zh not_active Withdrawn
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469974A (zh) * | 2021-07-05 | 2021-10-01 | 天津市三特电子有限公司 | 球团链篦机蓖板状态监测方法及其监测系统 |
CN113469974B (zh) * | 2021-07-05 | 2022-12-02 | 天津市三特电子有限公司 | 球团链篦机篦板状态监测方法及其监测系统 |
CN113470016A (zh) * | 2021-08-31 | 2021-10-01 | 江苏裕荣光电科技有限公司 | 一种基于人工智能的光伏电池板异常检测方法及装置 |
CN113470016B (zh) * | 2021-08-31 | 2021-11-30 | 江苏裕荣光电科技有限公司 | 一种基于人工智能的光伏电池板异常检测方法及装置 |
CN114871140A (zh) * | 2022-05-10 | 2022-08-09 | 苏州天准科技股份有限公司 | 电极双面检测装置、检测方法和电极综合检测设备 |
CN114937035A (zh) * | 2022-07-19 | 2022-08-23 | 江苏苏能森源电气有限公司 | 基于图像处理的电力变压器硅钢片质量检测方法及系统 |
CN115115643A (zh) * | 2022-08-30 | 2022-09-27 | 一道新能源科技(衢州)有限公司 | 一种光伏电池板生产缺陷检测方法 |
CN115115643B (zh) * | 2022-08-30 | 2022-11-15 | 一道新能源科技(衢州)有限公司 | 一种光伏电池板生产缺陷检测方法 |
CN115272348A (zh) * | 2022-09-30 | 2022-11-01 | 索日新能源科技(南通)有限公司 | 一种基于光伏电池栅线缺陷的编码检测方法 |
CN115797355A (zh) * | 2023-02-09 | 2023-03-14 | 江苏惠汕新能源集团有限公司 | 太阳能光伏发电装置故障检测方法及系统 |
CN115797355B (zh) * | 2023-02-09 | 2023-04-07 | 江苏惠汕新能源集团有限公司 | 太阳能光伏发电装置故障检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112215821A (zh) | 一种基于人工智能的光伏电池板栅线缺陷检测方法及系统 | |
CN109858480A (zh) | 一种数字式仪表识别方法 | |
CN111062381B (zh) | 一种基于深度学习的车牌位置检测方法 | |
CN114240939A (zh) | 一种主板元器件外观缺陷检测方法、系统、设备及介质 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN112967255A (zh) | 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法 | |
CN112396635A (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
CN115496740A (zh) | 基于卷积神经网络的镜片缺陷检测方法及其系统 | |
CN110059076A (zh) | 一种输变电线路设备的故障数据库半自动化建立方法 | |
CN114972246A (zh) | 一种基于深度学习的模切产品表面缺陷检测方法 | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
CN117670820B (zh) | 一种塑料薄膜生产缺陷检测方法及系统 | |
CN112381794B (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN111414855B (zh) | 基于端到端回归模型的电线杆标牌目标检测及识别方法 | |
CN112053322B (zh) | 光伏电池板表面遮挡的分割与检测方法 | |
CN113408630A (zh) | 一种变电站指示灯状态识别方法 | |
CN113033548A (zh) | 用于机组运行状态判断及监控对点的图像识别方法 | |
CN117152642A (zh) | 基于无人机的生态环境监管系统及其方法 | |
CN108830834B (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
CN116091472A (zh) | 一种融合可见光和红外图像的光伏组件缺陷智能检测方法 | |
CN114092441A (zh) | 一种基于双重神经网络的产品表面缺陷检测方法及系统 | |
CN111028289B (zh) | 基于模板匹配的变电站内设备异物定位方法 | |
CN113763471A (zh) | 一种基于视觉的弹孔检测方法及系统 | |
CN113947563A (zh) | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 | |
CN113837178A (zh) | 一种基于深度学习的变电站表计自动定位与统一分割方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210112 |
|
WW01 | Invention patent application withdrawn after publication |