CN113834585A - 还原炉内硅棒检测方法及系统、装置、介质及电子设备 - Google Patents
还原炉内硅棒检测方法及系统、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN113834585A CN113834585A CN202111123872.3A CN202111123872A CN113834585A CN 113834585 A CN113834585 A CN 113834585A CN 202111123872 A CN202111123872 A CN 202111123872A CN 113834585 A CN113834585 A CN 113834585A
- Authority
- CN
- China
- Prior art keywords
- silicon rod
- image
- obtaining
- reducing furnace
- temperature
- 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.)
- Granted
Links
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 172
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 171
- 239000010703 silicon Substances 0.000 title claims abstract description 171
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 230000009467 reduction Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 18
- 230000005855 radiation Effects 0.000 claims description 17
- 239000003086 colorant Substances 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000009529 body temperature measurement Methods 0.000 description 6
- 238000000151 deposition Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000008021 deposition Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 3
- 229920006395 saturated elastomer Polymers 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008016 vaporization Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 229910021419 crystalline silicon Inorganic materials 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920005591 polysilicon Polymers 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- ZDHXKXAHOVTTAH-UHFFFAOYSA-N trichlorosilane Chemical compound Cl[SiH](Cl)Cl ZDHXKXAHOVTTAH-UHFFFAOYSA-N 0.000 description 1
- 239000005052 trichlorosilane Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10141—Special mode during image acquisition
- G06T2207/10144—Varying exposure
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Radiation Pyrometers (AREA)
Abstract
本公开提供了一种还原炉内硅棒检测方法及系统、装置、介质及电子设备。该方法包括获取还原炉内的硅棒图像;将硅棒图像输入至温度识别模型以得到温度信息;基于硅棒图像,通过形态识别模型得到硅棒图像的形态;以及根据硅棒图像的温度信息和形态得到检测结果。该方法解决了传统还原炉硅棒温度测量方法中,完全依靠人员不断手动操作、过度依赖人员经验、以及测量存在误差的问题,节省了大量人力,避免不同操作人员由于主观判断所引起的误差。通过对硅棒温度的测量以及炉内硅棒形态的快速诊断,从而可以及时反映炉内状态,并针对问题及时采取相关措施或调整操作参数,保证还原炉的稳定运行。
Description
技术领域
本公开涉及硅还原炉生产技术领域,尤其涉及一种还原炉内硅棒检测方法及系统、装置、介质及电子设备。
背景技术
多晶硅还原炉系统中,将高纯三氯氢硅送至汽化装置进行汽化,形成饱和蒸汽,并与高纯氢气按照一定比例进行混合,在规定温度和流量下送入还原炉,在炉内通电的高温硅芯的表面,发生化学气相沉积反应,晶体硅沉积于硅棒表面,使硅棒直径不断长大,直至达到规定的直径。
在还原炉内多晶硅沉积过程中,壁面沉积反应速率的控制是一大难点,需要严格控制多晶硅的生长,这发生在硅棒表面很小的区域内,因此需要提高还原炉内硅棒检测技术的精准性以实现对还原炉内生产状况的精确控制。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种还原炉内硅棒检测方法及装置、介质及电子设备,至少在一定程度上克服由于相关技术中还原炉内硅棒检测技术不够精准导致的不能精准控制还原炉内生产状况从而不能保证还原炉稳定运行的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种还原炉内硅棒检测方法,包括:获取还原炉内的硅棒图像;将硅棒图像输入至温度识别模型以得到温度信息;基于硅棒图像,通过形态识别模型得到硅棒图像的形态;以及根据硅棒图像的温度信息和形态得到检测结果。
在本公开一个实施例中,该方法还包括:根据温度信息生成硅棒图像的四通道图像数据。
在本公开一个实施例中,基于硅棒图像,通过形态识别模型得到硅棒图像的形态,还包括:基于四通道硅棒图像,通过形态识别模型得到四通道硅棒图像的形态。
在本公开一个实施例中,将硅棒图像输入至温度识别模型以得到温度信息之前,还包括:使用待标定的彩色CCD相机生成彩色图像;通过彩色图像的两个基色的颜色值与曝光时间,得到两个基色的辐射强度;获取不同黑体炉温度下的两个基色波长下的辐射强度作为训练样本;以及根据训练样本得到温度识别模型。
在本公开一个实施例中,基于所述硅棒图像,通过形态识别模型得到硅棒图像的形态之前,包括:获取彩色硅棒图像;对硅棒图像按照形态进行标注;以及将硅棒图像输入到深度学习网络训练,以得到形态识别模型。
根据本公开的另一个方面,提供一种实现上述还原炉内硅棒检测方法的检测系统,其特征在于,包括:配套图像传感器和工控机,其中配套图像传感器与工控机电连接。
在本公开一个实施例中,配套图像传感器还包括:CCD相机和镜杆,镜杆贴紧观测孔的玻璃,并将辐射光传导至CCD相机的传感器上,以生成彩色图像。
根据本公开的再一个方面,提供一种还原炉内硅棒检测装置,包括:图像获取模块,用于获取还原炉内的硅棒图像;温度识别模块,用于将硅棒图像输入至温度识别模型以得到温度信息和硅棒图像的图像数据;形态识别模块,用于基于硅棒图像,通过形态识别模型得到硅棒图像的形态;和检测模块,用于根据硅棒图像的温度信息和形态得到检测结果。
根据本公开的还一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述的还原炉内硅棒检测方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的还原炉内硅棒检测方法。
本公开的实施例所提供的还原炉内硅棒检测方法,能够解决传统还原炉硅棒温度测量方法中,完全依靠人员不断手动操作、过度依赖人员经验、以及测量存在误差的问题,节省了大量人力,避免不同操作人员由于主观判断所引起的误差。通过对硅棒温度的测量以及炉内硅棒形态的快速诊断,从而可以及时反映炉内状态,并针对问题及时采取相关措施或调整操作参数,保证还原炉的稳定运行。
本公开的实施例所提供的实现上述还原炉内硅棒检测方法的检测系统,还可以实现无接触式炉内硅棒温度测量,并且该系统安装简单又进一步降低了人工成本。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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他的附图。
图1示出本公开实施例中一种还原炉内硅棒检测方法的典型应用网络架构的示意图;
图2示出本公开实施例中一种还原炉内硅棒检测方法的流程图;
图3示出本公开实施例中另一种还原炉内硅棒检测方法的流程图;
图4示出本公开实施例中一种还原炉内硅棒检测方法中的生成温度识别模型的方法的流程图;
图5A示出本公开实施例中一种还原炉内硅棒检测方法中的得到形态识别模型的方法的流程图;
图5B和图5C示出本公开实施例中输入深度神经网络模型训练的样本示意图;
图5D示出本公开实施例中一种训练的深度神经网络模型的示意图;
图6示出本公开实施例中一种基于还原炉内硅棒检测方法的检测系统;
图7示出本公开实施例中一种还原炉内硅棒检测装置的示意图;
图8示出本公开实施例中另一种还原炉内硅棒检测装置的示意图;和
图9示出本公开实施例中一种还原炉内硅棒检测方法的计算机设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个、三个等,除非另有明确具体的限定。
图1是本申请一个示例性实施例提供的计算机系统的结构示意图。该系统包括:还原炉110、图像传感器120、若干个终端130和服务器集群140,也可以包括区块链系统150。
终端130可以是手机、游戏主机、平板电脑、电子书阅读器、智能眼镜、MP4(MovingPicture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、智能家居设备、AR(Augmented Reality,增强现实)设备、VR(Virtual Reality,虚拟现实)设备等移动终端,或者,终端130也可以是个人计算机(Personal Computer,PC),比如膝上型便携计算机和台式计算机等等。
其中,终端130中可以安装有用于提供还原炉内硅棒检测的应用程序,终端130尤其可以作为工控机的角色控制图像传感器120获取还原炉110内的硅棒图像数据。
终端130与服务器集群140之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
服务器集群140是一台服务器,或者由若干台服务器组成,或者是一个虚拟化平台,或者是一个云计算服务中心。服务器集群140用于为提供还原炉内硅棒检测的应用程序提供后台服务。可选地,服务器集群140承担主要计算工作,终端130承担次要计算工作;或者,服务器集群140承担次要计算工作,终端130承担主要计算工作;或者,终端130和服务器集群140之间采用分布式计算架构进行协同计算。
在一些可选的实施例中,服务器集群140用于存储还原炉内硅棒检测方法数据信息。
在本申请中,服务器集群140还与区块链系统150相连,服务器集群140将还原炉内硅棒检测方法信息和/或硅棒数据信息存储在区块链系统中。在一些可选的实施例中,服务器集群140本身也可以作为区块链系统中的一个节点运行和存储数据。
可选的,在本申请实施例中,服务器集群140包括逻辑服务器142和区块链服务器144。其中,逻辑服务器142用于实现应用程序的逻辑控制,比如,进行还原炉内硅棒图像的请求处理、硅棒图像检测方法数据管理、硅棒图像数据管理等,区块链服务器144作为区块链系统150的一部分,用于实现各个还原炉内硅棒检测方法信息和/或硅棒数据信息的存储,以及重要功能的决策管理,比如,可以实现对图像获取、处理请求的决策。
需要说明的是,上述逻辑服务器142和区块链服务器144可以属于同一个计算机设备,或者,上述逻辑服务器142和区块链服务器144也可以分属于不同的计算机设备。
可选地,不同的终端130中安装的应用程序的客户端是相同的,或两个终端130上安装的应用程序的客户端是不同控制系统平台的同一类型应用程序的客户端。基于终端平台的不同,该应用程序的客户端的具体形态也可以不同,比如,该应用程序客户端可以是手机客户端、PC客户端或者全球广域网(World Wide Web,Web)客户端等。
本领域技术人员可以知晓,上述终端130的数量可以更多或更少。比如上述终端可以仅为一个,或者上述终端为几十个或几百个,或者更多数量。本申请实施例对终端的数量和设备类型不加以限定。
可选的,该系统还可以包括管理设备(图1未示出),该管理设备与服务器集群140之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
可选的,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中,使用包括超文本标记语言(Hyper Text Mark-up Language,HTML)、可扩展标记语言(ExtensibleMarkupLanguage,XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer,SSL)、传输层安全(Transport Layer Security,TLS)、虚拟专用网络(Virtual Private Network,VPN)、网际协议安全(InternetProtocolSecurity,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
下面,将结合附图及实施例对本示例实施方式中的还原炉内硅棒检测方法的各个步骤进行更详细的说明。
图2示出本公开实施例中一种还原炉内硅棒检测方法的流程图。本公开实施例提供的方法可以由任意具备计算处理能力的电子设备执行,例如如图1中的终端130和/或服务器集群140。在下面的举例说明中,以服务器集群140为执行主体进行示例说明。
如图2所示,本公开实施例中的一种还原炉内硅棒检测方法可以包括以下步骤:
步骤210,获取还原炉内的硅棒图像。
在本公开的一些实施例中,由成像系统获取还原炉内的硅棒图像,其中成像系统包括成像所用的光学器件以及电荷耦合器件CCD相机。其中,CCD相机为彩色CCD相机。在一些实施例中,成像系统也可以包括定制镜杆。
步骤220,将硅棒图像输入至温度识别模型以得到温度信息。
在本公开的一些实施例中,温度识别模型可以通过黑体炉对彩色CCD相机进行标定得到,以由温度识别模型将成像系统获取的图像直接转换成温度信息。
步骤230,基于硅棒图像,通过形态识别模型得到硅棒图像的形态。
在本公开的一些实施例中,形态识别模型是基于深度学习网络模型训练的多分类模型。可以通过该形态识别模型,将成像系统获取的图像直接转换成形态信息。其中,该形态识别模型可以是由原始三通道RGB彩色图像训练得到的。在本公开的一些实施例中,硅棒形态可以分为“正常形态”和“异常形态”两种。也可以进一步分为倒棒、裂缝、表面沉积不均匀等形态。
在本公开的一些实施例中,待形态识别模型训练好后,可以将原始三通道RGB彩色图像经过清洗、降噪等预处理步骤输入至该形态识别模型得到形态识别结果。
步骤240,根据硅棒图像的温度信息和形态得到检测结果。
在本公开的一些实施例中,当硅棒图像的温度信息在正常值范围内,并且硅棒形态是正常时,则判断当前还原炉内硅棒的生产状态是正常的,在温度信息与硅棒形态存在一项异常时,则表示当前还原炉内的硅棒的生产状态存在异常。
使用本公开的还原炉内硅棒检测方法,能够解决传统还原炉硅棒温度测量方法中,完全依靠操作人员不断手动操作、过度依赖人员经验、以及测量存在误差的问题,节省了大量人力,避免不同操作人员由于主观判断所引起的误差。通过对硅棒温度的测量以及硅棒形态的快速诊断,从而可以及时反映炉内状态,并针对问题及时采取相关措施或调整操作参数,保证还原炉的稳定运行。
图3示出本公开实施例中另一种还原炉内硅棒检测方法的流程图,如图3所示,该方法包括:
步骤S310,获取还原炉内的硅棒图像。
此步骤与图2中的S210类似,在此不再赘述。
步骤S320,将硅棒图像输入至温度识别模型以得到温度信息和硅棒图像的四通道图像数据。
在本公开的一些实施例中,可以先通过黑体炉对CCD相机标定形成的标定模型,进一步构建图像特征数据与温度信息数据库,经训练形成反映图像像素的图像特征数据与温度信息之间的温度识别模型。再将成像系统获取的图像输入至温度识别模型直接转换成温度信息。
在本公开的一些实施例中,将温度识别模型输出的图像温度信息与原始的3通道RGB彩色图像进行组合得到四通道图像,其中四通道图像包含R(红)、G(绿)、B(蓝)和温度信息。
步骤S330,基于四通道硅棒图像,通过形态识别模型得到四通道硅棒图像的形态。
在本公开的一些实施例中,使用生成的四通道图像输入到深度神经网络进行训练,得到形态识别模型。
在本公开的一些实施例中,四通道硅棒形态可以分为“正常形态”和“异常形态”两种。也可以进一步分为倒棒、裂缝、表面沉积不均匀等形态。
在本公开的一些实施例中,待形态识别模型训练好后,可以将四通道图像经过清洗、降噪等预处理步骤输入至该形态识别模型得到形态识别结果。
步骤S340,根据硅棒图像的温度信息和形态得到检测结果。
此步骤与图2中的步骤S240类似,在此不再赘述。
通过使用本公开实施例的方法,一方面通过将四通道图像作为深度神经网络输入,相比传统RGB深度神经网络输入,训练的特征增加了温度信息,实现了输入图像更加精确的分类。更进一步地,提高了对还原炉内硅棒检测的准确性。
图4示出了本公开实施例中一种还原炉内硅棒检测方法中的生成温度识别模型的方法的流程图。如图4所示,包括:
S410,使用待标定的彩色CCD相机生成彩色图像。
在本公开的一些实施例中,将黑体炉设定在温度T,并通过彩色CCD相机拍摄黑体炉中的黑体炉靶面生成RGB彩色图像。其中,可以每次为黑体炉设定不同的温度T,采集在不同温度T下的RGB图像。
S420,通过彩色图像的两个基色的颜色值与曝光时间,得到两个基色的辐射强度。
在本公开的一些实施例中,对温度T下获取的RGB图像提取R、G、B中任意两个颜色值,并记录暴曝光时间,其中曝光时间可以通过快门速度获得。进一步地,曝光时间是快门速度的倒数。
在本公开的一些实施例中,标定过程可以包括但不限于如下方法:以红色基色为例,通过R基色颜色值、曝光时间以及黑体炉入射辐射强度之间的转换系数,得到作为标定常数的比例系数,如公式(1)所示:
其中,Kr为R红色的光谱响应系数,即标定系数,是个常数。S为CCD相机的曝光时间。Pred为该彩色图像中的红色基色值。I(λ,r)为红色基色波长对应下的辐射强度。
同理,可以根据上述方法求出Kb和Kg。在公开的一些实施例中,Kr、Kb和Kg任选其二即可。
S430,获取不同黑体炉温度下的两个基色波长下的辐射强度作为训练样本。
在本公开的一些实施例中,可以根据实际情况设定所需标定的黑体炉温度范围,在每一温度点采集图像。在一些实施例中,又可以在每一温度点上依次获取不同曝光时间的图像。
S440,根据训练样本得到温度识别模型。
在本公开的一些实施例中,可以通过对不同温度点图像的相同基色值、曝光时间以及辐射强度分别求算术平均。例如,对步骤S420中不同温度点下获得的S、Pred、I(λ,r)求算术平均值,然后使用算术平均值获得光谱响应系数Kr。在另一些实施例中,也可以通过对求得的Kr求算术平均。进而,根据光谱响应系数生成温度识别模型。
在本公开的一些实施例中,温度识别模型可以根据双色测温原理计算得到图像温度,以R、G通道为例,可以通过红色基色波长对应下的辐射强度与绿色基色波长对应下的辐射强度之比得到,如公式(2)所示:
其中,C2为普朗克第2辐射常数,λ为波长,kr、kg分别为红色、绿色的光谱响应系数。
通过使用上述方法,将曝光时间与各通道颜色值相结合,可以降低标定过程的复杂性,同时提高测温精度,进而提高了对还原炉内硅棒检测的准确性。
图5A示出本公开实施例中一种还原炉内硅棒检测方法中的得到形态识别模型的方法的流程图。图5B和图5C示出本公开实施例中输入深度神经网络模型训练的样本示意图。图5D示出本公开实施例中一种训练的深度神经网络模型的示意图。
如图5A所示,包括:
S510,获取彩色硅棒图像。
在本公开的一些实施例中,该彩色硅棒图像可以是由图像采集设备获得的原始RGB三通道图像。
在本公开的另外一些实例中,输入图像可以是经过调整和归一化操作的四通道图像。通过使用四通道图像加入训练,可以增强样本并提高模型分类的精度,进一步提高还原炉内硅棒检测的准确性。
在本公开的一些实施例中,将温度信息加入到RGB图像中形成四通道图像后,对图像的尺寸进行调整和归一化操作,可以利用线性插值的方法将图像的长宽调整为227*227像素,并对每个像素点除255,将像素点的值调整为0-1之间。
S520,对硅棒图像进行清洗标注。
在本公开的一些实施例中,图片采集过程中可能出现部分图片残损、花屏等,可以根据还原炉内的温度信息和图片的标签的一致性去除不符合要求的图片。
在本公开的一些实施例中,可以根据具体生产的具体情况和需求,将工况图像标注为“正常形态”和“异常形态”2种标签,例如图5B和图5C示出的工况图像。其中,“异常形态”的样本中还可以包含“裂缝”、“倒棒”、“表面沉积不均匀”等工况图像。在另一些实施例中,也可以将异常形态标签进一步细化为上述多个标签。
S530,将硅棒图像数据分为测试集、训练集和验证集,并将训练集的数据输入到深度学习网络训练,生成形态识别模型。
在本公开的一些实施例中,对标注后的样本按照比例7:2:1进行训练集、验证集、测试集的划分。
在本公开的一些实施例中,卷积神经网络可以包括输入层、多个卷积层、ReLU层、池化层(pooling)、全连接层以及分类层Softmax。
图5D示出了本实施例方法中使用的深度卷积神经网络CNN模型框架。在本公开的一些实施例中,输入图像至少包含RGB三个通道,且像素为227x227,输入图像先输入第一层卷积提取特征,然后依次通过4组由卷积层组成的残差结构块到全连接层,最后通过Softmax层对提取的特征进行类别划分。
在本公开的一些实施例中,每一个卷积层和ReLU层之间依次连接一个BatchNorm(缩写为BN)层、一个Scale和一个Eltwise层,在不改变图像大小的前提下,残差结构块可以克服由于深度网络层次太多导致的可能出现的梯度弥散和梯度爆炸的问题,另外也可以避免过拟合,促进了模型收敛,从而提高了该深度网络模型的精确性。
在本公开的一些实施例中,对划分后的数据集,利用上述神经网络对训练图像进行特征学习,训练分类模型。训练过程中学习率可以设置为0.002,优化器可以采用ADAM。
在本公开的一些实施例中,将训练集分为250个batch(批次),每个batch大小为32。图像样本的正负比例为2:1。
S540,通过验证集的数据不断收敛生成的形态识别模型,得到最终形态识别模型。
在本公开的一些实施例中,每执行一个batch,用验证集的图像数据对当前阶段生成的形态识别模型进行验证,获得模型在验证集的准确率,并根据测试结果调整学习率参数,然后再执行下一个batch。直到执行完所有batch,准确率达到最大值,当前权重模型即为最终形态识别模型。
S550,用测试集的数据测试最终形态识别模型。
在本公开的一些实施例中,使用测试集中的图像数据测试最终形态模型,以评价该最终形态识别模型。
S560,输出最终形态识别模型。
在本公开的一些实施例中,将测试集的图片输入到上述步骤训练得到的网络模型中,获得最终的每张图片的分类结果,将分类结果和测试集的标签进行比对统计识别率;当模型在测试集上得到的准确率与模型在训练过程的准确率相差不大的情况下,说明该模型真实有效,可以输出。
通过使用上述方法,可以自动判断炉内硅棒形态(是否处于正常状况、倒棒、裂缝、表面沉积不均匀等),降低了由于不同人员主观判断所导致的误差,提高了还原炉内生产的自动化,从而使生产过程更加可控。进一步地,对硅棒图像的分析处理可以做到实时测量还原炉内硅棒的生产状态,从而实现了对炉内生产状况监控的实时性。
需要注意的是,上述附图是根据本发明示例性实施例的方法的步骤的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些步骤的时间顺序。另外,也易于理解,这些步骤可以是例如在多个模块中同步或异步执行的。
图6示出本公开实施例中一种基于还原炉内硅棒检测方法的检测系统;如图6所示,该系统包括:工控机610和配套图像传感器620,其中配套图像传感器620与工控机610电连接。其中配套图像传感器620在运行时,其视野可覆盖还原炉650中的硅棒640整体。
在本公开的一些实施例中,还可以在配套图像传感器620外部设置保护罩630,以保护配套图像传感器。
在本公开的一些实施例中,配套图像传感器620还可以包括:CCD相机621和镜杆622,镜杆622贴紧观测孔660的玻璃,并将辐射光传导至CCD相机621的传感器上,以生成彩色图像。
在本公开的一些实施例中,CCD相机621具有用于传输图像数据的接口(未示出),电源(未示出)通过相机电源开关连接到CCD相机621;CCD相机621通过千兆以太网线连接到工控机610,CCD相机621与工控机610的指令参数和数据传送均通过千兆网线进行;工控机对接收到的图像数据后通过算法程序进行处理,处理结果实时性可至33fps及以上。
在本公开的一些实施例中,该系统还可以耦合进集散控制系统DCS系统,进一步实现工艺流程的自动化控制。
不仅上述系统执行的上述硅棒检测方法可以实现其方法带来的全部技术效果之外,通过在还原炉侧壁已有观测孔外安装配套图像传感器620,还可以实现无接触式炉内硅棒温度测量,并且该系统安装简单又进一步降低了人工成本。
图7示出本公开实施例中一种还原炉内硅棒检测装置的示意图;如图7所示,包括:
图像获取模块710,用于获取还原炉内的硅棒图像。
温度识别模块720,用于将硅棒图像输入至温度识别模型以得到温度信息。
形态识别模块730,用于基于硅棒图像,通过形态识别模型得到硅棒图像的形态。
检测模块740,用于根据硅棒图像的温度信息和形态得到检测结果。
图8示出本公开实施例中另一种还原炉内硅棒检测装置的示意图;如图8所示,包括:
图像获取模块810,用于获取还原炉内的硅棒图像。
温度识别模块820,用于将硅棒图像输入至温度识别模型以得到温度信息;其中,温度识别模块820还可以包括:标定模块821和样本训练模块822。其中,标定模块821用于使用待标定的彩色CCD相机生成彩色图像;通过彩色图像的两个基色的颜色值与曝光时间,得到两个基色的辐射强度。样本训练模块822,用于获取不同黑体炉温度下的两个基色波长下的辐射强度作为训练样本;以及根据训练样本得到温度识别模型。
形态识别模块830,用于基于硅棒图像,通过形态识别模型得到硅棒图像的形态。其中形态识别模块830还包括数据标注模块831和模型训练模块832。其中,数据标注模块831,用于对硅棒图像按照形态进行标注;以及模型训练模块832用于将硅棒图像输入到深度学习网络训练,以得到形态识别模型。
检测模块840,用于根据硅棒图像的温度信息和形态得到检测结果。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图9来描述根据本发明的这种实施方式的电子设备900。图9显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于:上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元910执行,使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元910可以执行如图2中所示的S210,获取还原炉内的硅棒图像;S220,将硅棒图像输入至温度识别模型以得到温度信息;S230,基于硅棒图像,通过形态识别模型得到硅棒图像的形态;S240,根据硅棒图像的温度信息和形态得到检测结果。
存储单元920可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202,还可以进一步包括只读存储单元(ROM)9203。
存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204,这样的程序模块9205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备900交互的设备通信,和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且,电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器960通过总线930与电子设备900的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备900使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种还原炉内硅棒检测方法,其特征在于,包括:
获取还原炉内的硅棒图像;
将所述硅棒图像输入至温度识别模型以得到温度信息;
基于所述硅棒图像,通过形态识别模型得到所述硅棒图像的形态;以及
根据所述硅棒图像的温度信息和形态得到检测结果。
2.根据权利要求1所述的还原炉内硅棒检测方法,其特征在于,还包括:
根据所述温度信息生成所述硅棒图像的四通道图像数据。
3.根据权利要求2所述的还原炉内硅棒检测方法,其特征在于,基于所述硅棒图像,通过形态识别模型得到所述硅棒图像的形态,还包括:
基于所述四通道硅棒图像,通过形态识别模型得到所述四通道硅棒图像的形态。
4.根据权利要求3所述的还原炉内硅棒检测方法,其特征在于,将所述硅棒图像输入至温度识别模型以得到温度信息之前,还包括:
使用待标定的彩色CCD相机生成彩色图像;
通过所述彩色图像的两个基色的颜色值与曝光时间,得到两个基色的辐射强度;
获取不同黑体炉温度下的所述两个基色波长下的辐射强度作为训练样本;以及
根据所述训练样本得到温度识别模型。
5.根据权利要求1至4中任意一项所述的还原炉内硅棒检测方法,其特征在于,基于所述硅棒图像,通过形态识别模型得到所述硅棒图像的形态之前,包括:
获取彩色硅棒图像;
对所述硅棒图像按照形态进行标注;以及
将所述硅棒图像输入到深度学习网络训练,以得到形态识别模型。
6.一种基于上述权利要求1-5中任意一项还原炉内硅棒检测方法的检测系统,其特征在于,包括:配套图像传感器和工控机,其中所述配套图像传感器与工控机电连接。
7.根据权利要求6所述的还原炉内硅棒检测系统,其特征在于,所述配套图像传感器还包括:CCD相机和镜杆,所述镜杆贴紧观测孔的玻璃,并将辐射光传导至所述CCD相机的传感器上,以生成彩色图像。
8.一种还原炉内硅棒检测装置,其特征在于,包括:
图像获取模块,用于获取还原炉内的硅棒图像;
温度识别模块,用于将所述硅棒图像输入至温度识别模型以得到温度信息和所述硅棒图像的图像数据;
形态识别模块,用于基于所述硅棒图像,通过形态识别模型得到所述硅棒图像的形态;和
检测模块,用于根据所述硅棒图像的温度信息和形态得到检测结果。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~5中任意一项所述还原炉内硅棒检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~5中任意一项所述的还原炉内硅棒检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123872.3A CN113834585B (zh) | 2021-09-24 | 2021-09-24 | 还原炉内硅棒检测方法及系统、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123872.3A CN113834585B (zh) | 2021-09-24 | 2021-09-24 | 还原炉内硅棒检测方法及系统、装置、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113834585A true CN113834585A (zh) | 2021-12-24 |
CN113834585B CN113834585B (zh) | 2024-04-05 |
Family
ID=78969943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111123872.3A Active CN113834585B (zh) | 2021-09-24 | 2021-09-24 | 还原炉内硅棒检测方法及系统、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113834585B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862795A (zh) * | 2022-04-29 | 2022-08-05 | 吉林大学 | 物体表面温度测量系统、测量方法、智能终端及存储介质 |
CN115583654A (zh) * | 2022-10-18 | 2023-01-10 | 科大智能物联技术股份有限公司 | 一种基于模仿学习的多晶硅还原炉电流控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102795627A (zh) * | 2012-06-19 | 2012-11-28 | 合肥瑞石测控工程技术有限公司 | 多晶硅还原炉多参量在线监测与优化控制装置及方法 |
CN103814149A (zh) * | 2011-07-13 | 2014-05-21 | Memc电子材料有限公司 | 用于监测和控制硅棒温度的方法和系统 |
CN104180908A (zh) * | 2014-08-07 | 2014-12-03 | 华能国际电力股份有限公司 | 一种raw图像辐射测温装置及方法 |
CN109584293A (zh) * | 2018-11-14 | 2019-04-05 | 南京农业大学 | 一种基于rgb-d视觉技术的温室作物三维形态全景测量系统 |
CN113357666A (zh) * | 2021-07-06 | 2021-09-07 | 国网河北能源技术服务有限公司 | 基于神经网络的炉内温度测量方法、装置及设备 |
-
2021
- 2021-09-24 CN CN202111123872.3A patent/CN113834585B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103814149A (zh) * | 2011-07-13 | 2014-05-21 | Memc电子材料有限公司 | 用于监测和控制硅棒温度的方法和系统 |
CN102795627A (zh) * | 2012-06-19 | 2012-11-28 | 合肥瑞石测控工程技术有限公司 | 多晶硅还原炉多参量在线监测与优化控制装置及方法 |
CN104180908A (zh) * | 2014-08-07 | 2014-12-03 | 华能国际电力股份有限公司 | 一种raw图像辐射测温装置及方法 |
CN109584293A (zh) * | 2018-11-14 | 2019-04-05 | 南京农业大学 | 一种基于rgb-d视觉技术的温室作物三维形态全景测量系统 |
CN113357666A (zh) * | 2021-07-06 | 2021-09-07 | 国网河北能源技术服务有限公司 | 基于神经网络的炉内温度测量方法、装置及设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862795A (zh) * | 2022-04-29 | 2022-08-05 | 吉林大学 | 物体表面温度测量系统、测量方法、智能终端及存储介质 |
CN115583654A (zh) * | 2022-10-18 | 2023-01-10 | 科大智能物联技术股份有限公司 | 一种基于模仿学习的多晶硅还原炉电流控制方法 |
CN115583654B (zh) * | 2022-10-18 | 2023-11-21 | 科大智能物联技术股份有限公司 | 一种基于模仿学习的多晶硅还原炉电流控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113834585B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113834585B (zh) | 还原炉内硅棒检测方法及系统、装置、介质及电子设备 | |
CN103901072B (zh) | 利用红外图谱分析诊断设备过热缺陷的方法 | |
CN110567964B (zh) | 一种检测变电设备缺陷的方法、装置及存储介质 | |
CN104729718B (zh) | 一种用于红外成像系统netd的处理系统及方法 | |
CN111798407A (zh) | 一种基于神经网络模型的带电设备故障诊断方法 | |
CN106383095B (zh) | 一种冷却羊肉表面细菌总数检测装置及方法 | |
CN111242123A (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN112730251B (zh) | 一种用于屏幕颜色缺陷检测的装置及方法 | |
CN111896549B (zh) | 一种基于机器学习的建筑物裂缝监测系统和方法 | |
CN102456142A (zh) | 一种基于计算机视觉的烟气黑度分析方法 | |
CN113820017A (zh) | 基于红外图像的发电机碳刷温度监测系统及温度预测方法 | |
CN110097531A (zh) | 一种用于无人机电力巡检的异构图像融合检测方法 | |
CN114494185A (zh) | 一种基于rgb-t多尺度特征融合的电气设备故障检测方法 | |
CN114512085A (zh) | 一种tft显示屏的视觉色彩校准方法 | |
Lyu et al. | Automated visual inspection expert system for multivariate statistical process control chart | |
CN116630327B (zh) | 基于热力图的锅炉状态异常监测系统 | |
WO2023236387A1 (zh) | 元素信息的预测方法、装置、设备及介质 | |
CN116344378A (zh) | 一种光伏板生产用智能检测系统及其检测方法 | |
CN115841446A (zh) | 一种太阳能集热场故障风险快速检测系统及方法 | |
CN112903603B (zh) | 一种基于高光谱图像的成分分析方法及系统 | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
He et al. | CVNet: confidence voting convolutional neural network for camera spectral sensitivity estimation | |
TWI494549B (zh) | 利用多核心支援向量迴歸之背光模組輝度檢測方法及檢測器 | |
JP7195467B1 (ja) | 学習モデルの生成方法、学習用データの生成方法、コンピュータプログラム及び情報処理装置 | |
Li et al. | Online verification and management scheme of gateway meter flow in the power system by machine learning |
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 |