CN113965163A - 一种电池片缺陷检测方法 - Google Patents
一种电池片缺陷检测方法 Download PDFInfo
- Publication number
- CN113965163A CN113965163A CN202110146903.0A CN202110146903A CN113965163A CN 113965163 A CN113965163 A CN 113965163A CN 202110146903 A CN202110146903 A CN 202110146903A CN 113965163 A CN113965163 A CN 113965163A
- Authority
- CN
- China
- Prior art keywords
- battery piece
- defect
- qualified
- detection method
- neural network
- 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 70
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000002950 deficient Effects 0.000 claims abstract description 11
- 238000002503 electroluminescence detection Methods 0.000 claims abstract description 5
- 239000000523 sample Substances 0.000 claims description 50
- 238000005401 electroluminescence Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 9
- 238000005286 illumination Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000005684 electric field Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241001085205 Prenanthella exigua Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004020 luminiscence type Methods 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06N3/08—Learning methods
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种电池片缺陷检测方法,该方法包括:于暗箱中基于电致发光检测方法分别采集缺陷电池片和合格电池片的缺陷图像样本和合格图像样本;基于所述缺陷图像样本和所述合格图像样本训练并获得神经网络模型;采用该神经网络模型判别待检测电池片是否存在缺陷。本发明提供的电池片缺陷检测方法,由于拍摄过程是在暗箱中进行的,可以采集到在普通光照环境下难以清晰拍摄到的缺陷图片,因此采用本发明能够处理在普通光照环境下无法检测到的缺陷类型,使得产品质量更有保障,而且极大地提高了检测精度和速度。而且本发明采用深度学习的算法,和市面上的缺陷检测方法比较起来更加的智能化,能处理那些和标准样本差异不大的缺陷,扩大了检测范围。
Description
技术领域
本发明涉及电池片检测技术领域,具体的,涉及一种电池片缺陷检测方法。
背景技术
电致发光(electroluminescent,又称电场发光,简称EL)检测方法是用于检测太阳能电池片的断栅、隐裂、黑片等内部缺陷的有效手段,电致发光是通过加在两电极的电压产生电场,被电场激发的电子碰击发光中心,而引致电子在能级间的跃迁、变化、复合导致发光的一种物理现象。利用近红外相机可以拍摄到电致发光图像,电池片完好区域呈现明亮的白色,电池片缺陷部分无电子与空穴复合情况,就会呈现明显的暗斑,因此基于拍摄导的电致发光图像,结合图像处理算法进行分析,即可检测出太阳能电池片的内部缺陷。
然而,电池片基于目前电致发光检测方法的检测精度低、广泛适用性不佳。
发明内容
本发明提供了一种电池片缺陷检测方法,用以解决现有上述技术问题中的至少一种。
为了解决上述技术问题,本发明的技术方案是:一种电池片缺陷检测方法,包括:
于暗箱中基于电致发光检测方法分别采集缺陷电池片和合格电池片的缺陷图像样本和合格图像样本;
基于所述缺陷图像样本和所述合格图像样本训练并获得神经网络模型;
采用该神经网络模型判别待检测电池片是否存在缺陷。
进一步的,所述电池片缺陷检测方法还包括:
用采集到的缺陷图像样本和合格图像样本对所述神经网络模型进行验证。
进一步的,所述电池片缺陷检测方法还包括:
将采集的所述缺陷图像样本和所述合格图像样本进行数据增广。
进一步的,通过设置在所述暗箱内的探针排与所述缺陷电池片、所述合格电池片及所述待检测电池片的主栅连接,使所述缺陷电池片、所述合格电池片及所述待检测电池片形成电致发光。
进一步的,所述暗箱中布置有两个所述探针排,且两个所述探针排的间距可调。
进一步的,采用CMOS近红外工业相机拍摄获取所述缺陷图像样本、所述合格图像样本及所述待检测电池片的图像。
进一步的,所述CMOS近红外工业相机被配置为获取单通道灰度图像。
进一步的,所述基于所述缺陷图像样本和所述合格图像样本训练并获得神经网络模型包括:
选用残差网络ResNet50作为所述缺陷图像样本和所述合格图像样本的分类模型。
进一步的,所述基于所述缺陷图像样本和所述合格图像样本训练并获得神经网络模型包括:
使用二值交叉熵作为所述神经网络模型的损失函数,以表现预测结果与实际数据的差距程度。
本发明具有如下优点:
本发明提供的电池片缺陷检测方法,由于拍摄过程是在暗箱中进行的,可以采集到在普通光照环境下难以清晰拍摄到的缺陷图片,因此,采用本发明能够处理在普通光照环境下无法检测到的缺陷类型,使得产品质量更有保障,而且极大地提高了检测精度和速度。而且本发明采用深度学习的算法,和市面上的缺陷检测方法比较起来更加的智能化,能处理那些和标准样本差异不大的缺陷,扩大了检测范围。
附图说明
图1是本发明实施例中电池片缺陷检测方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
请参阅图1,本实施例提供了一种电池片缺陷检测方法,该方法包括:
S1、于暗箱中基于电致发光检测方法分别采集缺陷电池片和合格电池片的缺陷图像样本和合格图像样本;
S2、基于所述缺陷图像样本和所述合格图像样本训练并获得神经网络模型;
S3、采用该神经网络模型判别待检测电池片是否存在缺陷。
其中,步骤S1中,需预先配置一暗箱,于该暗箱内设置探针排和CMOS近红外工业相机,探针排可以布置在相机的正下方,且探针排一共有两个,两个所述探针排的间距可调,以适配电池片的宽度,保证两个探针排的探针在调节范围内可以接触到电池片的主栅,并且接触良好。通过探针加在电池片两电极的电压产生电场,被电场激发的电子碰击发光中心,而引致电子在能级间的跃迁、变化、复合导致发光。
利用CMOS近红外相机拍摄获取所述缺陷图像样本、所述合格图像样本,所述缺陷图像样本、所述合格图像样本为单通道灰度图像。基于上述图像,电池片完好区域呈现明亮的白色,电池片缺陷部分无电子与空穴复合情况,就会呈现明显的暗斑。较佳地,CMOS近红外相机的前端可装有红外滤波片,以能够有效滤除可见光,使相机拍摄到的电池片的电致发光成像效果更佳。
本实施例中,按照上述方式,分别拍摄获取1000张缺陷图像样本和所述合格图像样本。因为深度学习需要大量的数据集图片进行训练支持,所以在进行步骤S2之前,可以采用数据增广的方法,对上述样本数据集进行增广处理。
增广处理可以包括对缺陷样本数据集进行缺陷部分裁剪,使得裁剪图占据原图像的2/3,还对缺陷和正常样本集图片进行亮度调整、镜像翻转、角度旋转等。
基于上述增广处理,获得由10000张缺陷图像样本组成的缺陷样本集(NG集),以及5000张合格图像样本组成的正常样本集(OK集)。
步骤S2中,采用成熟的框架构建神经网络并读取上述缺陷样本集和正常样本集进行深度学习训练,设置网络模型的参数对该网络模型进行优化,得到一个稳定的神经网络模型。
具体地,可利用TensorFlow构建残差网络ResNet50作为缺陷图像样本和所述合格图像样本的分类模型。在上述神经网络模型训练的过程中,每个批次可以设置32张图片进行训练,迭代100个周期,学习率设置为0.001。优选地,上述学习率设置为在每二十个周期衰减0.1。本实施例中。神经网络模型使用二值交叉熵作为损失函数,用来表现预测结果与实际数据的差距程度。神经网络模型可选择使用Adam优化器,用来更新和计算影响模型训练和模型输出的网络参数,使其逼近或达到最优值,从而最小化(或最大化)损失函数。此外,可设置一个损失函数的期望值,当训练的神经网络损失函数值达到期望值时就停止训练,得到神经网络模型。
此外,在得到上述缺陷样本集和正常样本集后,可均对二者再进行一个划分,即均对二者按8:1:1的比例分成训练数集、测试数集和验证数集。采用训练数集进行模型训练,并测试数集和验证数集对得到的神经网络模型进行测试和验证,以确保神经网络模型稳定、可用。
在得到上述稳定可用的神经网络模型后,即可进行步骤S3对待检测的电池片进行内部缺陷检测,也即如上在暗箱内拍摄待检测电池片获得待检测图像,将该图像输入神经网络模型以进行判别。若该神经网络模型将待检测图像认定为归纳入缺陷样本集,说明该电池片有缺陷,若认定为归纳入正常样本集,说明该电池片完整。
本实施例提供的检测方法,由于拍摄过程是在暗箱中进行的,可以采集到在普通光照环境下难以清晰拍摄到的缺陷图片,因此,采用本发明能够处理在普通光照环境下无法检测到的缺陷类型,使得产品质量更有保障,而且极大地提高了检测精度和速度。而且本发明采用深度学习的算法,和市面上的缺陷检测方法比较起来更加的智能化,能处理那些和标准样本差异不大的缺陷,扩大了检测范围。
本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (9)
1.一种电池片缺陷检测方法,其特征在于,包括:
于暗箱中基于电致发光检测方法分别采集缺陷电池片和合格电池片的缺陷图像样本和合格图像样本;
基于所述缺陷图像样本和所述合格图像样本训练并获得神经网络模型;
采用该神经网络模型判别待检测电池片是否存在缺陷。
2.根据权利要求1所述的电池片缺陷检测方法,其特征在于,所述电池片缺陷检测方法还包括:
用采集到的缺陷图像样本和合格图像样本对所述神经网络模型进行验证。
3.根据权利要求1所述的电池片缺陷检测方法,其特征在于,所述电池片缺陷检测方法还包括:
将采集的所述缺陷图像样本和所述合格图像样本进行数据增广。
4.根据权利要求1所述的电池片缺陷检测方法,其特征在于,通过设置在所述暗箱内的探针排与所述缺陷电池片、所述合格电池片及所述待检测电池片的主栅连接,使所述缺陷电池片、所述合格电池片及所述待检测电池片形成电致发光。
5.根据权利要求4所述的电池片缺陷检测方法,其特征在于,所述暗箱中布置有两个所述探针排,且两个所述探针排的间距可调。
6.根据权利要求1所述的电池片缺陷检测方法,其特征在于,采用CMOS近红外工业相机拍摄获取所述缺陷图像样本、所述合格图像样本及所述待检测电池片的图像。
7.根据权利要求6所述的电池片缺陷检测方法,其特征在于,所述CMOS近红外工业相机被配置为获取单通道灰度图像。
8.根据权利要求1所述的电池片缺陷检测方法,其特征在于,所述基于所述缺陷图像样本和所述合格图像样本训练并获得神经网络模型包括:
选用残差网络ResNet50作为所述缺陷图像样本和所述合格图像样本的分类模型。
9.根据权利要求1所述的电池片缺陷检测方法,其特征在于,所述基于所述缺陷图像样本和所述合格图像样本训练并获得神经网络模型包括:
使用二值交叉熵作为所述神经网络模型的损失函数,以表现预测结果与实际数据的差距程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110146903.0A CN113965163A (zh) | 2021-02-03 | 2021-02-03 | 一种电池片缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110146903.0A CN113965163A (zh) | 2021-02-03 | 2021-02-03 | 一种电池片缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113965163A true CN113965163A (zh) | 2022-01-21 |
Family
ID=79460239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110146903.0A Pending CN113965163A (zh) | 2021-02-03 | 2021-02-03 | 一种电池片缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113965163A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183079A (zh) * | 2006-09-04 | 2008-05-21 | 三洋电机株式会社 | 电致发光显示装置的缺陷检查方法及装置、以及制造方法 |
CN107831173A (zh) * | 2017-10-17 | 2018-03-23 | 哈尔滨工业大学(威海) | 光伏组件缺陷检测方法及系统 |
CN108469439A (zh) * | 2018-06-13 | 2018-08-31 | 华南理工大学 | 基于电致发光的太阳能电池片缺陷检测装置及方法 |
CN108918527A (zh) * | 2018-05-15 | 2018-11-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的印刷品缺陷检测方法 |
CN110487802A (zh) * | 2019-08-15 | 2019-11-22 | 苏州热工研究院有限公司 | 现场检测光伏组件缺陷的识别装置 |
US20200011824A1 (en) * | 2018-07-05 | 2020-01-09 | AhuraTech LLC | Electroluminescent Methods And System For Real-Time Measurements Of Physical Properties |
-
2021
- 2021-02-03 CN CN202110146903.0A patent/CN113965163A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183079A (zh) * | 2006-09-04 | 2008-05-21 | 三洋电机株式会社 | 电致发光显示装置的缺陷检查方法及装置、以及制造方法 |
CN107831173A (zh) * | 2017-10-17 | 2018-03-23 | 哈尔滨工业大学(威海) | 光伏组件缺陷检测方法及系统 |
CN108918527A (zh) * | 2018-05-15 | 2018-11-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的印刷品缺陷检测方法 |
CN108469439A (zh) * | 2018-06-13 | 2018-08-31 | 华南理工大学 | 基于电致发光的太阳能电池片缺陷检测装置及方法 |
US20200011824A1 (en) * | 2018-07-05 | 2020-01-09 | AhuraTech LLC | Electroluminescent Methods And System For Real-Time Measurements Of Physical Properties |
CN110487802A (zh) * | 2019-08-15 | 2019-11-22 | 苏州热工研究院有限公司 | 现场检测光伏组件缺陷的识别装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN102221559B (zh) | 基于机器视觉的织物疵点在线自动检测方法及其装置 | |
TWI603074B (zh) | 光學薄膜缺陷辨識方法及其系統 | |
CN109829895B (zh) | 一种基于gan的aoi缺陷检测方法 | |
CN106839976A (zh) | 一种检测镜头中心的方法及装置 | |
CN116310785B (zh) | 基于YOLO v4的无人机影像路面病害检测方法 | |
CN116433669B (zh) | 基于机器视觉的抗震结构钢架焊缝质量检测方法 | |
JP2003085558A (ja) | パターン検査方法及び検査装置 | |
CN112270659A (zh) | 一种动力电池极片表面缺陷快速检测方法和系统 | |
CN114092454A (zh) | 光伏组件el检测方法、设备和存储介质 | |
CN115205209A (zh) | 一种基于弱监督学习的单色布匹瑕疵检测方法 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN116309483A (zh) | 基于ddpm的半监督变电设备表征缺陷检测方法及系统 | |
CN109886936B (zh) | 一种低对比度缺陷检测方法和装置 | |
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 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
CN112381794B (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN113965163A (zh) | 一种电池片缺陷检测方法 | |
CN115482227B (zh) | 机器视觉自适应成像环境调整方法 | |
CN116485766A (zh) | 一种基于改进yolox的粮食不完善粒检测和计数方法 | |
CN101843090B (zh) | 白/黑像素校正装置和方法以及成像系统 | |
CN112949666B (zh) | 一种剥锌机故障阴极板图像识别方法 | |
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 | |
CN111833309B (zh) | 一种光伏电池片检测方法及装置 | |
Liu et al. | Study on performance evaluation of intelligent photovoltaic defect detection by electroluminescence 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 |