CN113965164B - 一种基于卷积神经网络的太阳能电池组件缺陷检测系统及方法 - Google Patents
一种基于卷积神经网络的太阳能电池组件缺陷检测系统及方法 Download PDFInfo
- Publication number
- CN113965164B CN113965164B CN202111559260.9A CN202111559260A CN113965164B CN 113965164 B CN113965164 B CN 113965164B CN 202111559260 A CN202111559260 A CN 202111559260A CN 113965164 B CN113965164 B CN 113965164B
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- convolutional neural
- solar cell
- cell module
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title abstract description 43
- 230000007246 mechanism Effects 0.000 claims abstract description 67
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 238000010191 image analysis Methods 0.000 claims abstract description 13
- 238000003825 pressing Methods 0.000 claims description 31
- 238000002372 labelling Methods 0.000 claims description 27
- 238000007790 scraping Methods 0.000 claims description 22
- 238000010030 laminating Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 20
- 238000001125 extrusion Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 16
- 238000004880 explosion Methods 0.000 claims description 15
- 230000007306 turnover Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 238000002503 electroluminescence detection Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 13
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 229910021419 crystalline silicon Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003707 image sharpening Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002210 silicon-based material Substances 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
-
- 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
Abstract
本发明公开了一种基于卷积神经网络的太阳能电池组件缺陷检测系统及方法,包括一种基于卷积神经网络的太阳能电池组件缺陷检测系统和一种基于卷积神经网络的太阳能电池组件缺陷检测方法,太阳能电池组件缺陷检测系统,包括传送机构、图像拍摄机构、图像传输元件、图像分析元件,传送机构分布在图像拍摄机构的两侧,图像拍摄机构将拍摄的EL照片通过图像传输元件传输给图像分析元件,图像分析元件依据本发明提出的光伏电池组件缺陷检测方法对图像进行处理,该基于卷积神经网络的太阳能电池组件缺陷检测系统及方法,能够实时检测生产过程中光伏组件的缺陷并进行分类及位置标注,代替了人工观察检测,极大的提高了检测速率和检测效率。
Description
技术领域
本发明涉及太阳能电池检测技术领域,具体为一种基于卷积神经网络的太阳能电池组件缺陷检测系统及方法。
背景技术
随着环境日益污染严重,作为清洁能源之一的太阳能产业也逐渐发展起来。太阳能发电主要载体为电池板,能源转换过程中不产生其他有害的气体或固体废料,是一种环保、安全、无污染的新型能源。电池板目前90%以上是由晶体硅材料构成,而由于生产设备、生产原料质量及工艺参数等诸多影响,晶体硅太阳能电池在生产加工流程中可能会出现各种各样的缺陷,严重影响太阳能电池的光电转换效率和寿命。
目前太阳能电池的缺陷检测方法主要基于电致发光成像技术,依靠人工观察判断。但检测人员主观判断标准不同,具有较大的不确定因素,会出现误检、漏检等现象,且检测速度慢、效率低,很难满足产线快速检测的需求,易造成不必要的经济损失。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于卷积神经网络的太阳能电池组件缺陷检测系统及方法,解决了上述背景技术中提出的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于卷积神经网络的太阳能电池组件缺陷检测系统,包括传送机构、图像拍摄机构、图像传输元件、图像分析元件,所述传送机构分布在所述图像拍摄机构的两侧,所述图像拍摄机构将拍摄的EL照片通过所述图像传输元件传输给所述图像分析元件。
优选的,所述传送机构分为传入机构和传出机构,分布在所述图像拍摄机构的两侧。
优选的,所述传入机构有单向传送带,所述传出机构有横纵双向传送带。
优选的,所述图像拍摄机构由箱体、传送装置、拍摄装置、贴标签装置和直流电源组成,所述传送装置分布在箱体内两侧的入口和出口处,所述拍摄装置安装在箱体内底部,所述贴标签装置安装在箱体内顶部,所述直流电源安装在箱体内一侧面,为光伏组件电致发光检测提供正向偏置电压。
一种基于卷积神经网络的太阳能电池组件缺陷检测方法,所述的方法包括以下步骤:
S1.获取待检测光伏组件EL图像;
S2.在步骤S1的基础上,对处理后的图像进行融合滤波去噪,改善图像质量;
S3.在步骤S2的基础上,对处理后的图像进行位置矫正,去除图像角度倾斜或畸变的问题;
S4.在步骤S3的基础上,对处理后的图像进行ROI划分处理,提取前景区域图像,避免背景对图像检测造成影响;
S5.在步骤S4的基础上,对处理后的图像进行增强处理,进一步提高图像质量;
S6.在步骤S5的基础上,对处理后的图像进行分割处理,获得电池片单元图像;
S7.在步骤S6的基础上,用已训练好的卷积神经网络对处理后的图像进行缺陷检测和分类,并标记位置。
优选的,所述EL图像获取方式为:在暗箱内给待测太阳能电池板组件外加正向偏置电压,利用CCD相机拍摄采集。
优选的,步骤S2中,所述融合滤波处理为中值滤波和高斯滤波的加权融合算法;
步骤S3中,采用透视变换的方法对图像位置进行校正。
优选的,步骤S4中,对图像的ROI划分具体为采用最大连通区域法结合Sobel边缘检测的方法;
步骤S5中,对图像增强处理具体包括对比度增强与图像锐化操作。
优选的,步骤S6中,图像分割采用等分法,并对每块电池片单元位置进行标记;
步骤S7中,已训练的卷积神经网络采用修改的VGGNet卷积神经网络,原卷积神经网络的输出层softmax分类器改用Random Forest(随机森林)分类器算法。
优选的,卷积神经网络的训练样本在训练前要进行样本容量扩充处理。
优选的,所述贴标签装置包括标签传输器和传导轨道,所述传导轨道与标签传输器的右侧下方的输出端固定连接,所述传导轨道的右侧固定连接有弹性贴合压片,所述传导轨道的右侧中间位置且位于弹性贴合压片的右侧转动连接有翻转连杆,所述翻转连杆的顶端固定连接有刮动触杆组件,所述弹性贴合压片的右侧表面均匀设置有增阻凹槽,所述刮动触杆组件与增阻凹槽的表面接触滑动。储气块内部被压缩的空气从排气孔喷出,从而喷出的空气将光伏组件的贴标位置进项清灰处理,保证标签在光伏组件表面粘附的稳定性。
优选的,所述传导轨道的底部靠近右侧的位置固定连接有储气块,所述传导轨道底部的两侧均匀设置有排气孔,所述排气孔与储气块连通,所述弹性贴合压片的左侧表面均匀设置有空气爆炸组件,所述弹性贴合压片向下翻转时向下挤压储气块,所述储气块内部被压缩的空气从排气孔喷出。
优选的,所述刮动触杆组件包括刮料锥板,所述刮料锥板的右侧与翻转连杆固定连接,所述刮料锥板的底端表面均匀转动连接有行走滚轮,所述行走滚轮的外部表面固定连接有弹性刮刀。弹性刮刀与增阻凹槽之间的接触阻力,为贴标的按压提供驱动力,保证标签与光伏组件之间的粘附力。
优选的,所述空气爆炸组件包括疏通孔,所述疏通孔设置在弹性贴合压片的表面,所述疏通孔的内侧的四周均匀固定连接有挤压翻转片,所述挤压翻转片的背面固定连接有压合板。
优选的,所述挤压翻转片内侧表面且靠近疏通孔的位置均固定连接有空气爆炸囊,所述空气爆炸囊的中间位置设置有鸭嘴阀。空气压力达到鸭嘴阀的释放极限时空气被释放,瞬间产生的空气冲击力直接喷向标签表面,在保护标签不受循环的前提下将空气泡排出。
本太阳能电池组件缺陷检测系统工作过程为:待检测的光伏组件首先由传入机构传送至图像拍摄机构内;然后直流电源与太阳能电池连接为其电致发光检测提供正向偏置电压,拍摄装置拍下EL图像,EL图像经由图像传输元件传至图像分析元件完成太阳能电池组件缺陷检测。若检测没有缺陷,光伏组件从图像拍摄机构传送至传出机构,并由传出机构送入下一道工序;若检测存在缺陷,则由贴标签装置将缺陷种类和缺陷位置标签贴在光伏组件相应位置上,传送至传出机构,由传出机构另一个传送方向传送至处理区,等待工作人员进一步处理。
本太阳能电池组件缺陷检测方法的工作流程为:首先输入太阳能电池板组件EL图像,EL图像经融合滤波处理去除噪声;接着对图像进行透视变换矫正位置;然后对图像进行ROI划分提取前景区域图像,对图像依次进行图像增强处理和图像分割,得到电池片单元;最后将得到的电池片单元图像导入修改的VGGNet卷积神经网络进行缺陷检测和分类,并标注缺陷位置。
(三)有益效果
本发明提供了一种基于卷积神经网络的太阳能电池组件缺陷检测系统及方法。具备以下有益效果:
1、该基于卷积神经网络的太阳能电池组件缺陷检测系统及方法,能够实时检测生产过程中太阳能电池的缺陷并进行分类,代替了人工观察检测,排除了人工检查的不确定性因素,实现检测分类自动化,提高了检测质量和检测效率的同时,节省了劳动力。
2、该基于卷积神经网络的太阳能电池组件缺陷检测系统及方法,弹性贴合压片采用内部中空,底部圆弧形的结构,弹性贴合压片向下翻转时向下挤压储气块,储气块内部被压缩的空气从排气孔喷出,从而喷出的空气将光伏组件的贴标位置进项清灰处理,保证标签在光伏组件表面粘附的稳定性;同时弹性贴合压片底部的圆弧面,可将表面逐渐滚动式碾压贴合,可避免标签与光伏组件粘附出现空气泡的现象,提高贴标的质量;刮料锥板采用三角锥形,刮料锥板在弹性贴合压片的表面挤压时,可沿着中间位置向两侧逐渐推赶,标签中间位置的空气泡向外侧两端推送,进一步提高贴标质量,避免贴标脱落。
3、该基于卷积神经网络的太阳能电池组件缺陷检测系统及方法,行走滚轮在弹性贴合压片顶部表面接触滚动时,弹性刮刀与增阻凹槽之间的接触阻力,为贴标的按压提供驱动力,保证标签与光伏组件之间的粘附力;弹性贴合压片贴标挤压过程中收到加到挤压力,从而压合板收到挤压力带动挤压翻转片发生形变,从而鸭嘴阀随着挤压力内部空气压力逐渐增大,直至空气压力达到鸭嘴阀的释放极限时空气被释放,瞬间产生的空气冲击力直接喷向标签表面,在保护标签不受循环的前提下将空气泡排出。
附图说明
图1为本太阳能电池组件缺陷检测系统装置整体示意图;
图2为本太阳能电池组件缺陷检测系统传出机构示意图;
图3为本太阳能电池组件缺陷检测系统传出机构双向传送带示意图;
图4为本太阳能电池组件缺陷检测系统图像拍摄机构示意图;
图5为本太阳能电池组件缺陷检测系统工作流程示意图;
图6为本太阳能电池组件缺陷检测方法的流程示意图;
图7为本发明贴标签装置的结构示意图;
图8为本发明传导轨道的底部结构示意图;
图9为本发明刮动触杆组件的结构示意图;
图10为本发明空气爆炸组件的结构示意图。
图中:1、传送机构,11、传入机构,12、传出机构,121、纵向传送带,122、横向传送带,2、图像拍摄机构,21、箱体,22、传送装置,23、拍摄装置,24、贴标签装置,25、直流电源,26、光伏组件,3、图像传输元件,4、图像分析元件,241、标签传输器,242、传导轨道,243、弹性贴合压片,244、翻转连杆,245、刮动触杆组件,2451、刮料锥板,2452、行走滚轮,2453、弹性刮刀,246、增阻凹槽,247、储气块,248、排气孔,249、空气爆炸组件,2491、疏通孔,2492、挤压翻转片,2493、压合板,2494、空气爆炸囊,2495、鸭嘴阀。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种基于卷积神经网络的太阳能电池组件缺陷检测系统,包括传送机构1、图像拍摄机构2、图像传输元件3、图像分析元件4,所述传送机构1分布在所述图像拍摄机构2的两侧,所述图像拍摄机构2将拍摄的EL照片通过所述图像传输元件3传输给所述图像分析元件4。
进一步,所述传送机构1分为传入机构11和传出机构12,分布在所述图像拍摄机构2的两侧。
具体的,传入机构11在图像拍摄机构2的入口侧,传出机构12在图像拍摄机构2的出口侧。
进一步,如图2-3所示,所述传入机构11有单向传送带,所述传出机构12有纵向传送带121和横向传送带122。
具体的,正常工作时,横向传送带122位置低于纵向传送带121,纵向传送带121工作,进行纵向传送;当有缺陷的太阳能电池传送到横向传送带122对应的位置时,横向传送带122为传统的可以升降的传送带,可以将有缺陷太阳能电池向上推动,横向传送带122的顶端升高至高于纵向传送带121的位置,由于横向传送带122的工作,将纵向传送带121顶部有缺陷的太阳能电池横向传输至处理区。
进一步,如图4所示,所述图像拍摄机构2由箱体21、传送装置22、拍摄装置23、贴标签装置24和直流电源25组成,所述传送装置22分布在箱体21内两侧的入口和出口处,所述拍摄装置23安装在箱体21内底部,所述贴标签装置24安装在箱体21内顶部,所述直流电源25安装在箱体21内一侧面,为光伏组件26电致发光检测提供正向偏置电压。
具体的,拍摄装置23指红外相机,如CCD红外相机等,拍摄装置23的数量以及在箱体21底部的安装位置根据光伏组件26的规格进行调整;光伏组件26到达指定位置时,直流电源25正负极分别于光伏组件26正负极接通,为光伏组件26电致发光检测提供正向偏置电压;若检测有缺陷,贴标签装置24在光伏组件26相应位置贴上缺陷种类和缺陷位置标签。
当图像分析元件4接收到EL图像后,依据本发明提出的基于卷积神经网络的太阳能电池组件缺陷检测方法完成太阳能电池缺陷的检测及分类和位置标注,处理步骤如下:
S1.获取待检测光伏组件EL图像;
S2.在步骤S1的基础上,对处理后的图像进行融合滤波去噪,改善图像质量;
S3.在步骤S2的基础上,对处理后的图像进行位置矫正,去除图像角度倾斜或畸变的问题;
S4.在步骤S3的基础上,对处理后的图像进行ROI划分处理,提取前景区域图像,避免背景对图像检测造成影响;
S5.在步骤S4的基础上,对处理后的图像进行增强处理,进一步提高图像质量;
S6.在步骤S5的基础上,对处理后的图像进行分割处理,获得电池片单元图像;
S7.在步骤S6的基础上,用已训练好的卷积神经网络对处理后的图像进行缺陷检测和分类,并标记位置。
进一步,步骤S1中,所述EL图像获取方式为:在暗箱内给待测太阳能电池板组件外加正向偏置电压,利用CCD相机拍摄采集。
进一步,步骤S2中,所述融合滤波处理为中值滤波和高斯滤波的加权融合算法。
具体的,中值滤波与高斯滤波按照式1进行加权融合,权值的和为1,式中g为结果图像,k为权值,f和h代表中值滤波和高斯滤波。中值滤波为非线性滤波,可有效滤除脉冲干扰噪声和孤立的噪声点;高斯滤波为线性滤波,可有效去除高斯噪声,对两种滤波方法加权融合,在实验过程中寻找到合适的权值,达到更好的去噪效果且有效保护图像边缘和局部细节。
式1:g=k*f+(1-k)*h
进一步,步骤S3中,采用透视变换的方法对图像位置进行校正。
具体的,由于CCD相机拍摄角度影响,所得图像会有角度倾斜等问题,利用透视变换进行位置校正,步骤为:a.对所得图像设置阈值进行二值化,提取轮廓,多边形逼近得到四边形,寻找凸包获得顶点;b.根据电池组件尺寸设定顶点坐标,调用函数获得透视变换矩阵;c.将初始图像进行透视变换得校正图像。
进一步,步骤S4中,对图像的ROI划分具体为采用最大连通区域法结合Sobel边缘检测的方法。
具体的,首先利用最大连通域法获取光伏组件的最小外接矩形,截取图像进行初步前景提取,再利用Sobel边缘检测分割出电池组件区域。Sobel算子使用的卷积模板如式2,式中,∇xf是水平(x)方向的梯度卷积算子,∇yf是垂直(y)方向的梯度卷积算子。式2:
进一步,步骤S5中,对图像增强处理具体包括对比度增强与图像锐化操作。
具体的,实际过程中要根据实际图像效果调节合适的对比度和锐化程度,最大程度突出图像细节特征,以便进行缺陷检测。
进一步,步骤S6中,图像分割采用等分法,并对每块电池片单元位置进行标记。
具体的,等分要根据电池组件和电池片单元的规格,对图像进行竖直方向和水平方向的等分操作,提取电池片单元并进行位置标记。
进一步,步骤S7中,已训练的卷积神经网络为修改的VGGNet卷积神经网络,该卷积神经网络的输出层softmax分类器改用Random Forest(随机森林)分类器算法。
具体的,随机森林模型的构建步骤为:从训练集的N个样本中用有放回的抽样方式随机抽取P个样本作为训练子集Pi(i=1~p);利用Pi构建决策树,从样本特征数目M中选取F个样本构成随机特征子空间Xi作为决策树当前节点的分裂属性集,用建立决策树的方式获得最佳分割点,从随机特征子空间Xi中选出最优的分裂属性对该节点进行分裂;统计决策树的投票结果,得票最多的即为输出结果。
进一步,所述的卷积神经网络的训练样本在训练前要进行样本容量扩充处理。
具体的,由于实际情况下缺陷样本数量比较少,而卷积神经网络的训练需要大量的训练样本,因此对缺陷样本图像进行旋转、平移等操作来扩充训练样本。
如图5所示,本太阳能电池组件缺陷检测系统工作过程为:待检测的光伏组件首先由传入机构传送至图像拍摄机构内;然后直流电源与光伏组件连接为其电致发光检测提供正向偏置电压,拍摄装置拍下EL图像,EL图像经由图像传输元件传至图像分析元件完成太阳能电池组件缺陷检测。若检测没有缺陷,光伏组件从图像拍摄机构传送至传出机构,并由传出机构送入下一道工序;若检测存在缺陷,则由贴标签装置将缺陷种类和缺陷位置标签贴在光伏组件相应位置上,传送至传出机构,由传出机构另一个传送方向传送至处理区,等待工作人员进一步处理。
如图6所示,本太阳能电池组件缺陷检测方法的工作流程为:首先输入太阳能电池板组件EL图像,EL图像经融合滤波处理去除噪声;接着对图像进行透视变换矫正位置;然后对图像进行ROI划分提取前景区域图像,对图像依次进行图像增强处理和图像分割,得到电池片单元;最后将得到的电池片单元图像导入修改的VGGNet卷积神经网络进行缺陷检测和分类,并标注缺陷位置。
如图7-10所示,贴标签装置包括标签传输器241和传导轨道242,传导轨道242与标签传输器241的右侧下方的输出端固定连接,传导轨道242的右侧固定连接有弹性贴合压片243,传导轨道242的右侧中间位置且位于弹性贴合压片243的右侧转动连接有翻转连杆244,翻转连杆244的顶端固定连接有刮动触杆组件245,弹性贴合压片243的右侧表面均匀设置有增阻凹槽246,刮动触杆组件245与增阻凹槽246的表面接触滑动。
传导轨道242的底部靠近右侧的位置固定连接有储气块247,传导轨道242底部的两侧均匀设置有排气孔248,排气孔248与储气块247连通,弹性贴合压片243的左侧表面均匀设置有空气爆炸组件249。
刮动触杆组件245包括刮料锥板2451,刮料锥板2451的右侧与翻转连杆244固定连接,刮料锥板2451的底端表面均匀转动连接有行走滚轮2452,行走滚轮2452的外部表面固定连接有弹性刮刀2453。
空气爆炸组件249包括疏通孔2491,疏通孔2491设置在弹性贴合压片243的表面,疏通孔2491的内侧的四周均匀固定连接有挤压翻转片2492,挤压翻转片2492的背面固定连接有压合板2493。
挤压翻转片2492内侧表面且靠近疏通孔2491的位置均固定连接有空气爆炸囊2494,空气爆炸囊2494的中间位置设置有鸭嘴阀2495。
使用时,标签传输器241内部储存和传送标签,标签从标签传输器241的输出端滑道传导轨道242的顶部,外部电机设备带动翻转连杆244翻转,将弹性贴合压片243向下压合标签,标签被压合粘附至光伏组件26的表面,完成贴标操作,弹性贴合压片243采用内部中空,底部圆弧形的结构,弹性贴合压片243向下翻转时向下挤压储气块247,储气块247内部被压缩的空气从排气孔248喷出,从而喷出的空气将光伏组件的贴标位置进项清灰处理,保证标签在光伏组件表面粘附的稳定性;同时弹性贴合压片243底部的圆弧面,可将表面逐渐滚动式碾压贴合,可避免标签与光伏组件粘附出现空气泡的现象,提高贴标的质量;刮料锥板2451采用三角锥形,刮料锥板2451在弹性贴合压片243的表面挤压时,可沿着中间位置向两侧逐渐推赶,标签中间位置的空气泡向外侧两端推送,进一步提高贴标质量,避免贴标脱落;行走滚轮2452在弹性贴合压片243顶部表面接触滚动时,弹性刮刀2453与增阻凹槽246之间的接触阻力,为贴标的按压提供驱动力,保证标签与光伏组件之间的粘附力;弹性贴合压片243贴标挤压过程中收到加到挤压力,从而压合板2493收到挤压力带动挤压翻转片2492发生形变,从而鸭嘴阀2495随着挤压力内部空气压力逐渐增大,直至空气压力达到鸭嘴阀2495的释放极限时空气被释放,瞬间产生的空气冲击力直接喷向标签表面,在保护标签不受循环的前提下将空气泡排出。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个......限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素”。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于卷积神经网络的太阳能电池组件缺陷检测系统,其特征在于:包括传送机构(1)、图像拍摄机构(2)、图像传输元件(3)、图像分析元件(4),所述传送机构(1)分布在所述图像拍摄机构(2)的两侧,所述图像拍摄机构(2)将拍摄的EL照片通过所述图像传输元件(3)传输给所述图像分析元件(4),所述传送机构(1)分为传入机构(11)和传出机构(12),分布在所述图像拍摄机构(2)的两侧,所述传入机构(11)有单向传送带,所述传出机构(12)有横纵双向传送带,所述图像拍摄机构由箱体(21)、传送装置(22)、拍摄装置(23)、贴标签装置(24)和直流电源(25)组成,所述传送装置(22)分布在箱体(21)内两侧的入口和出口处,所述拍摄装置(23)安装在箱体(21)内底部,所述贴标签装置(24)安装在箱体(21)内顶部,所述直流电源(25)安装在箱体(21)内一侧面,为光伏组件电致发光检测提供正向偏置电压,所述贴标签装置包括标签传输器(241)和传导轨道(242),所述传导轨道(242)与标签传输器(241)的右侧下方的输出端固定连接,所述传导轨道(242)的右侧固定连接有弹性贴合压片(243),所述传导轨道(242)的右侧中间位置且位于弹性贴合压片(243)的右侧转动连接有翻转连杆(244),所述翻转连杆(244)的顶端固定连接有刮动触杆组件(245),所述弹性贴合压片(243)的右侧表面均匀设置有增阻凹槽(246),所述刮动触杆组件(245)与增阻凹槽(246)的表面接触滑动,所述传导轨道(242)的底部靠近右侧的位置固定连接有储气块(247),所述传导轨道(242)底部的两侧均匀设置有排气孔(248),所述排气孔(248)与储气块(247)连通,所述弹性贴合压片(243)的左侧表面均匀设置有空气爆炸组件(249),所述弹性贴合压片(243)向下翻转时向下挤压储气块(247),所述储气块(247)内部被压缩的空气从排气孔(248)喷出。
2.据权利要求1所述的一种基于卷积神经网络的太阳能电池组件缺陷检测系统,其特征在于:所述刮动触杆组件(245)包括刮料锥板(2451),所述刮料锥板(2451)的右侧与翻转连杆(244)固定连接,所述刮料锥板(2451)的底端表面均匀转动连接有行走滚轮(2452),所述行走滚轮(2452)的外部表面固定连接有弹性刮刀(2453)。
3.根据权利要求2所述的一种基于卷积神经网络的太阳能电池组件缺陷检测系统,其特征在于:所述空气爆炸组件(249)包括疏通孔(2491),所述疏通孔(2491)设置在弹性贴合压片(243)的表面,所述疏通孔(2491)的内侧的四周均匀固定连接有挤压翻转片(2492),所述挤压翻转片(2492)的背面固定连接有压合板(2493)。
4.根据权利要求3所述的一种基于卷积神经网络的太阳能电池组件缺陷检测系统,其特征在于:所述挤压翻转片(2492)内侧表面且靠近疏通孔(2491)的位置均固定连接有空气爆炸囊(2494),所述空气爆炸囊(2494)的中间位置设置有鸭嘴阀(2495)。
5.根据权利要求4所述的一种基于卷积神经网络的太阳能电池组件缺陷检测系统的检测方法,所述的方法包括以下步骤:
S1.获取待检测光伏组件EL图像;
S2.在步骤S1的基础上,对处理后的图像进行融合滤波去噪,改善图像质量;
S3.在步骤S2的基础上,对处理后的图像进行位置矫正,去除图像角度倾斜或畸变的问题;
S4.在步骤S3的基础上,对处理后的图像进行ROI划分处理,提取前景区域图像,避免背景对图像检测造成影响;
S5.在步骤S4的基础上,对处理后的图像进行增强处理,进一步提高图像质量;
S6.在步骤S5的基础上,对处理后的图像进行分割处理,获得电池片单元图像;
S7.在步骤S6的基础上,用已训练好的卷积神经网络对处理后的图像进行缺陷检测和分类,并标记位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111559260.9A CN113965164B (zh) | 2021-12-20 | 2021-12-20 | 一种基于卷积神经网络的太阳能电池组件缺陷检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111559260.9A CN113965164B (zh) | 2021-12-20 | 2021-12-20 | 一种基于卷积神经网络的太阳能电池组件缺陷检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113965164A CN113965164A (zh) | 2022-01-21 |
CN113965164B true CN113965164B (zh) | 2022-03-08 |
Family
ID=79473320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111559260.9A Active CN113965164B (zh) | 2021-12-20 | 2021-12-20 | 一种基于卷积神经网络的太阳能电池组件缺陷检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113965164B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115276560B (zh) * | 2022-09-28 | 2022-12-20 | 江苏格林保尔光伏有限公司 | 太阳能光伏电池检测装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201716272U (zh) * | 2010-06-29 | 2011-01-19 | 沛德光电科技(上海)有限公司 | 太阳能电池组件在线缺陷快速测试辅助系统 |
DE102012102456A1 (de) * | 2012-03-22 | 2013-09-26 | Komax Holding Ag | Anordnung und Verfahren zum Prüfen eines Solarmoduls |
CN204789368U (zh) * | 2015-07-14 | 2015-11-18 | 深圳时代得天自动化设备有限公司 | 一种用于太阳能电池组件的缺陷自动检测设备 |
CN105119571B (zh) * | 2015-08-21 | 2018-01-05 | 东莞市联洲知识产权运营管理有限公司 | 一种用于硅太阳能电池的缺陷在线检测装置 |
CN105973900A (zh) * | 2016-07-05 | 2016-09-28 | 江苏博硕智能系统有限公司 | 一种太阳能电池组件缺陷检查系统及检查方法 |
CN108631727B (zh) * | 2018-03-26 | 2019-08-09 | 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 |
CN110646433A (zh) * | 2018-06-27 | 2020-01-03 | 东泰高科装备科技(北京)有限公司 | 一种电池内部缺陷在线检测方法、装置及太阳能电池生产线 |
CN111275679B (zh) * | 2020-01-17 | 2023-06-02 | 同济大学 | 一种基于图像的太阳能电池缺陷检测系统及方法 |
CN212278195U (zh) * | 2020-05-26 | 2021-01-01 | 苏州迈为科技股份有限公司 | 一种太阳能电池片缺陷检测系统 |
CN213767235U (zh) * | 2020-09-24 | 2021-07-23 | 嘉丰工业科技(惠州)有限公司 | 一种自动贴泡棉设备 |
CN112845207B (zh) * | 2020-12-23 | 2022-03-18 | 海南红塔卷烟有限责任公司 | 非标纸箱上下面贴标机 |
CN113428466A (zh) * | 2021-07-02 | 2021-09-24 | 济南橘络纸制品有限公司 | 一种利用摩擦力的纸箱用表面自动辅助贴标装置 |
-
2021
- 2021-12-20 CN CN202111559260.9A patent/CN113965164B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113965164A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275679B (zh) | 一种基于图像的太阳能电池缺陷检测系统及方法 | |
CN202984135U (zh) | 一种马铃薯智能分选装置 | |
CN113965164B (zh) | 一种基于卷积神经网络的太阳能电池组件缺陷检测系统及方法 | |
CN108230315B (zh) | 一种基于机器视觉的口罩带缺失检测方法 | |
CN211100241U (zh) | 一种用于瑕疵视觉检测的剔除装置 | |
CN107185858B (zh) | 一种果品检测分级系统和方法 | |
CN203510961U (zh) | 一种高精度的视觉检测系统 | |
CN112529875A (zh) | 一种基于人工智能的光伏组件玻璃爆裂预警方法及系统 | |
CN103752533A (zh) | 图像法煤矸在线分选方法和装置 | |
CN106622988A (zh) | 一种高性能胡萝卜计算机视觉履带去残与长粗分级装置 | |
CN107256549B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN208613093U (zh) | 一种柑类果实色选分级装置 | |
Chindarkkar et al. | Deep learning based detection of cracks in electroluminescence images of fielded PV modules | |
CN114723668A (zh) | 一种基于面阵相机的阴极铜质量检测方法及系统 | |
CN107742283A (zh) | 一种电池片外观栅线粗细不均缺陷检测的方法 | |
CN114359155A (zh) | 一种覆膜方法及系统 | |
CN111906035A (zh) | 一种磁瓦检测装置及检测方法 | |
CN105954288B (zh) | 电解锰阴极板剥离后空板检测与分拣系统及检测方法 | |
CN107123108B (zh) | 基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法 | |
CN114187260A (zh) | 光伏组件缺陷检测方法和系统 | |
CN105970251B (zh) | 一种阵列式电解锰阴极板剥离装置及方法 | |
CN111257339B (zh) | 一种基于机器视觉的皮蛋裂纹在线检测方法及检测装置 | |
CN210775265U (zh) | 一种人造板表面缺陷检测系统 | |
CN209271938U (zh) | 一种红枣挑选机的改进装置 | |
CN204018244U (zh) | 粉末冶金毛坯筛选装置 |
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 |