CN112700412A - 基于led光源的光致发光电池片缺陷检测方法 - Google Patents
基于led光源的光致发光电池片缺陷检测方法 Download PDFInfo
- Publication number
- CN112700412A CN112700412A CN202011592785.8A CN202011592785A CN112700412A CN 112700412 A CN112700412 A CN 112700412A CN 202011592785 A CN202011592785 A CN 202011592785A CN 112700412 A CN112700412 A CN 112700412A
- Authority
- CN
- China
- Prior art keywords
- battery
- battery piece
- deep learning
- defects
- light source
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000005424 photoluminescence Methods 0.000 title claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000013136 deep learning model Methods 0.000 claims abstract description 8
- 238000013145 classification model Methods 0.000 claims abstract description 5
- 238000002372 labelling Methods 0.000 claims abstract description 3
- 230000011218 segmentation Effects 0.000 claims description 4
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 230000003287 optical effect Effects 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000005401 electroluminescence Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002503 electroluminescence detection Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提出一种基于LED光源的光致发光电池片缺陷检测方法,包括:S1在流水线履带上方安装LED光源和红外相机;S2红外相机拍摄电池片图像,并传输给工业计算机;S3收集图像进行标注,并进行离线训练深度学习模型;S4深度学习算法在线检测电池片缺陷。该检测方法利用电池片光致发光技术,并采用深度学习CNN分类模型对电池片进行分类,以及采用U‑Net模型对电池片缺陷进行检测和定位,实现了电池片缺陷检测的自动化,并提高了电池片缺陷检测的速度和精准度。
Description
技术领域
本发明涉及太阳能电池片检测领域,具体涉及基于LED光源的光致发光电池片缺陷检测方法。
背景技术
随着太阳能利用技术的不断发展,对太阳能电池片的质量要求越来越高,太阳能电池片中即便存在微小瑕疵,也会严重影响其效率和寿命,因此在其大规模生产中进行准确、灵敏、快速、高效地检测显得至关重要。
在电池片生产流程的各个工序中都有可能产生缺陷,例如:隐裂、黑心、污染等,而且缺陷会不断累加。传统的缺陷检测方法采用电致发光技术,即对电池片通上一定电流,利用太阳能电池片电致发光的原理使电池发光,再进行拍摄,根据拍摄的光进行缺陷检测。此种传统电致发光检测方法的优点是检测装置成本低,缺点是属于接触式检测,需要采用检测夹具夹取电池片,检测速度慢,不仅容易损坏电池片,而且电流大小易波动导致发光不稳定从而影响检测效果。
另一传统的缺陷检测方法是机器视觉方法,其能检测出部分明显的缺陷,但是对于一些没有鲜明的特征的缺陷却难以检测出。由于不同产品的发光特性差异较大,因此,更多时候还需要肉眼进行缺陷电池片的检测。人工检测不仅耗时,而且人为的不可靠因素太高,很难定性定量的衡量电池片的好坏,不利于工业自动化。传统的机器视觉方法需消耗工程师精力,实时性没有保证,对于复杂缺陷的检测准确性不高,难以完全替代人工,并且,更换产品之后需要人工重新调试设备。
发明内容
为解决现有技术存在的缺陷,本发明提出基于LED光源的光致发光电池片缺陷检测方法,其实现了电池片缺陷的自动化检测,并且能适用于不同规格和网板的电池片,可以准确地检测出电池片的十多种缺陷,检测结果更加可靠。
为实现上述目的,本发明的基于LED光源的光致发光电池片缺陷检测方法包括:
S1:在流水线履带上方安装LED光源和红外相机;
S2:红外相机拍摄电池片图像,并传输给工业计算机;
S3:收集图像进行标注,并进行离线训练深度学习模型;
S4:深度学习算法在线检测电池片缺陷。
在一种实施方式中,LED光源前安装聚焦用透镜。
在一种实施方式中,红外相机前安装滤光片,并通过网线连接工业计算机。
在一种实施方式中,步骤S3具体包括:
S31:收集不同种类的电池片,并分别收集不同种类的缺陷,对电池片上的缺陷位置进行标注;
S32:构建CNN分类模型,对电池片进行分类;
S33:构建多尺度语义分割网络U-Net,对电池片缺陷进行定位;
S34:采用分类交叉熵作为损失函数,NADAM作为优化器,对深度学习模型进行优化。
在一种实施方式中,深度学习模型采用谷歌深度学习框架Tensorflow开发,并采用英伟达CUDA计算框架进行加速。
在一种实施方式中,步骤S4包括:现场通过红外相机获取电池片图像,电池片图像经处理后输入深度学习程序中,通过深度学习算法获得缺陷的位置图。
有益效果:
本发明的电池片缺陷检测方法基于电池片光致发光技术,利用LED光源聚焦照射电池片,并利用高性能红外线相机进行拍摄,无需安装夹具和改动生产流水线,实现了非接触式检测,因而避免了夹具压坏电池片的问题;另外,本发明的检测方法与产线的速度一致,适用于不同尺寸和网板的电池片,使得设备的机械结构更加简化;再者,本发明采用深度学习CNN模型对电池片进行分类,再采用U-Net模型检测电池片的缺陷位置,提高了电池片缺陷检测的速度和精准度。
附图说明
下面结合附图对本发明作进一步描写和阐述。
图1是本发明首选实施方式的基于LED光源的光致发光电池片缺陷检测方法所采用的硬件系统的示意图。
图2是深度学习CNN模型的结构示意图。
图3是卷积块的结构示意图。
图4是深度学习U-Net模型的结构示意图
具体实施方式
下面将结合附图、通过对本发明的优选实施方式的描述,更加清楚、完整地阐述本发明的技术方案。
本发明首选实施方式的基于LED光源的光致发光电池片缺陷检测方法运用到硬件系统和软件系统。
如图1所示,硬件系统包括LED光源1、红外相机2、工业计算机3。工业计算机3具有独立显卡,红外相机2通过网线与工业计算机3连接。LED光源1前安装聚焦用透镜10。红外相机2前安装滤光片20。
软件系统包括深度学习CNN分类模型、U-Net分割模型、模型训练、现场检测程序。
利用上述硬件系统和软件系统,本发明的基于LED光源的光致发光电池片缺陷检测方法,包括如下步骤:
S1:在流水线履带上方安装LED光源和红外相机。
具体地,LED光源1和红外相机2安装在一个壳体内,该壳体固定在电池片流水线履带的上方。在工作时,LED光源1发出光,经透镜10聚焦成线光照射在电池片5上。利用太阳能电池片光致发光原理,在LED光源的照射下,入射光子激发电池片的电子向低能级跃迁,以光辐射形式释放能量,从而发出一定波长的光,而电池片的异常部位与正常电池片的发光特性不一致。
S2:红外相机拍摄电池片图像,并传输给工业计算机。
具体地,红外相机2前的滤光片20能过滤特定波长,只拍摄电池片5激发波段的光。红外相机2将拍摄到的电池片图像通过网线传输给工业计算机3。
S3:收集缺陷图像进行标注,并进行离线训练深度学习模型。
具体地,步骤S3包括如下子步骤:
S31:收集电池片图像,按照电池片类别进行分类,电池片图像上标注缺陷位置。
更具体地,收集带有缺陷的电池片图像,每种缺陷收集100张,采用人工对缺陷图像进行缺陷位置的标注
S32:通过CNN分类模型对电池片进行分类。
更具体地,构建深度学习CNN模型(如图2所示),其中,基本特征提取如图3所示,为卷积->批归一化->激活,整体特征提取->池化,降低四次采样,最后接全局最大池化和分类输出,模型输出为电池片的类别。
S33:构建多尺度语义分割网络U-Net。
构建深度学习U-Net模型,基本特征提取单元如图3所示,整体特征提取如图4所示,左边为编码器,右边为解码器,中间有跳跃连接,卷积块用于特征提取。编码器部分,模型的特征图尺寸减少但特征图数量增加,解码部分特征图尺寸逐渐上升同时数量减少,利用跃层连接融合不同尺度的信息。U-Net结构具有通用性强,鲁棒性强,适合小样本数据集的特点。
模型训练方法,为所需检测的不同种电池片训练CNN模型,模型输出为电池片的类别,使检测程序可以适应不同的电池片产品。为每种缺陷训练一个模型,模型输出为像素级二分类,将电池片图像以及标注后的图像送进神经网络的训练器里,小批次训练,每个小批次送进1张图像。
S34:采用分类交叉熵作为损失函数,NADAM作为优化器,离线训练深度学习模型。
使用Tensorflow为模型训练的框架,Tensorflow为谷歌的开源深度学习框架,支持广泛的语言和操作系统平台,训练过程使用英伟达的CUDA通用计算框架为其加速,能实现远高于正常处理器的速度。
S4:深度学习算法在线检测电池片缺陷。
现场通过所述红外相机获取电池片图像,电池片图像经处理后输入深度学习程序中,通过深度学习算法获得缺陷的位置图。
本发明的电池片缺陷检测方法基于太阳能电池片光致发光技术,采用LED光源,使用透镜将光进行聚焦照射电池片,高性能红外线扫相机拍摄,无需安装夹具改动生产流水线,非接触式检测不会压坏电池片,无需使用昂贵的高功率激光,和产线生产流水线速度一致,能兼容不同尺寸不同网板的电池片,简化设备的机械结构。深度学习算法对电池片类别进行分类,后续再对电池片进行精细的缺陷检测,可适应不同规格的电池片,能细致检测电池片的缺陷,简化程序结构,提高了电池片的检测精度和速度。
上述具体实施方式仅仅对本发明的优选实施方式进行描述,而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下,本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进,均应属于本发明的保护范畴。本发明的保护范围由权利要求确定。
Claims (6)
1.基于LED光源的光致发光电池片缺陷检测方法,其特征在于,包括:
S1:在流水线履带上方安装LED光源和红外相机;
S2:红外相机拍摄电池片图像,并传输给工业计算机;
S3:收集图像进行标注,并进行离线训练深度学习模型;
S4:深度学习算法在线检测电池片缺陷。
2.根据权利要求1所述的检测方法,其特征在于,所述LED光源前安装聚焦用透镜。
3.根据权利要求1所述的检测方法,其特征在于,所述红外相机前安装滤光片,并通过网线连接所述工业计算机。
4.根据权利要求1所述的检测方法,其特征在于,所述步骤S3具体包括:
S31:收集不同种类的电池片,并分别收集不同种类的缺陷,对电池片上的缺陷位置进行标注;
S32:构建CNN分类模型,区分不同种类的电池片;
S33:构建多尺度语义分割网络U-Net,对缺陷位置进行定位;
S34:采用分类交叉熵作为损失函数,NADAM作为优化器,对模型进行优化。
5.根据权利要求4所述的检测方法,其特征在于,所述深度学习模型采用谷歌深度学习框架Tensorflow开发,并采用英伟达CUDA计算框架进行加速。
6.根据权利要求5所述的检测方法,其特征在于,所述步骤S4包括:
现场通过所述红外相机获取电池片图像,电池片图像经处理后输入深度学习程序中,通过深度学习算法获得缺陷的位置图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011592785.8A CN112700412A (zh) | 2020-12-29 | 2020-12-29 | 基于led光源的光致发光电池片缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011592785.8A CN112700412A (zh) | 2020-12-29 | 2020-12-29 | 基于led光源的光致发光电池片缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112700412A true CN112700412A (zh) | 2021-04-23 |
Family
ID=75511707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011592785.8A Pending CN112700412A (zh) | 2020-12-29 | 2020-12-29 | 基于led光源的光致发光电池片缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700412A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362298A (zh) * | 2021-06-03 | 2021-09-07 | 长沙理工大学 | 一种基于vgg16深度卷积神经网络的太阳能网版缺陷检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101988904A (zh) * | 2010-10-15 | 2011-03-23 | 中国电子科技集团公司第十八研究所 | 太阳能电池缺陷检测方法 |
CN204167265U (zh) * | 2014-08-28 | 2015-02-18 | 陕西众森电能科技有限公司 | 一种太阳电池led光源光致发光检测系统 |
CN108631727A (zh) * | 2018-03-26 | 2018-10-09 | 河北工业大学 | 一种基于卷积神经网络的太阳能电池板缺陷识别方法 |
CN111626994A (zh) * | 2020-05-18 | 2020-09-04 | 江苏远望仪器集团有限公司 | 基于改进U-Net神经网络的设备故障缺陷诊断方法 |
-
2020
- 2020-12-29 CN CN202011592785.8A patent/CN112700412A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101988904A (zh) * | 2010-10-15 | 2011-03-23 | 中国电子科技集团公司第十八研究所 | 太阳能电池缺陷检测方法 |
CN204167265U (zh) * | 2014-08-28 | 2015-02-18 | 陕西众森电能科技有限公司 | 一种太阳电池led光源光致发光检测系统 |
CN108631727A (zh) * | 2018-03-26 | 2018-10-09 | 河北工业大学 | 一种基于卷积神经网络的太阳能电池板缺陷识别方法 |
CN111626994A (zh) * | 2020-05-18 | 2020-09-04 | 江苏远望仪器集团有限公司 | 基于改进U-Net神经网络的设备故障缺陷诊断方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362298A (zh) * | 2021-06-03 | 2021-09-07 | 长沙理工大学 | 一种基于vgg16深度卷积神经网络的太阳能网版缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111650210B (zh) | 高速高精度锂离子电池极片的毛刺检测方法及检测系统 | |
CN111929314A (zh) | 一种轮毂焊缝视觉检测方法及检测系统 | |
CN101221134A (zh) | 计算机视觉技术检测微小轴承表面缺陷的方法及其装置 | |
CN113758932B (zh) | 一种基于深度学习的锂电池膈膜缺陷视觉检测方法 | |
CN105004727A (zh) | 电路板检测方法及系统 | |
CN111179250A (zh) | 一种基于多任务学习的工业品缺陷检测系统 | |
CN103308524A (zh) | Pcb自动光学检测系统 | |
CN112700412A (zh) | 基于led光源的光致发光电池片缺陷检测方法 | |
CN110702699B (zh) | 一种压延玻璃缺陷检测装置和方法 | |
CN103048297A (zh) | 硅片及硅太阳电池片缺陷检测方法 | |
CN116309313A (zh) | 一种电池表面焊接缺陷检测方法 | |
CN202177587U (zh) | 基于机器视觉技术的滤纸缺陷检测系统 | |
CN102841102B (zh) | 一种损伤阈值测量中微小尺度损伤点的识别方法及装置 | |
CN110940672A (zh) | 智能光学检测样品特征与瑕疵ai模型自动产生方法及装置 | |
Demirci et al. | Defective PV cell detection using deep transfer learning and EL imaging | |
CN204790307U (zh) | 用于pcb菲林片检测的aoi装置 | |
TWI421971B (zh) | 物件定位方法 | |
CN112927222B (zh) | 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法 | |
CN114226289A (zh) | 基于机器视觉的自动化激光标记系统、标记方法及应用 | |
Li et al. | Research and design of inspection of LR6 battery negative surface scratches online defects based on computer vision | |
CN211825761U (zh) | 一种压延玻璃缺陷检测装置 | |
TW202213938A (zh) | 太陽能發電模組失效分析系統與方法 | |
KR20110001443U (ko) | 메탈마스크 표면 이물 및 페턴 자동검사장비 및 분류 리페어 장비발명 | |
CN206960377U (zh) | 一种保护膜检测机构 | |
CN111856480A (zh) | 一种设备位移快速检测方法及检测系统 |
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 |