CN114549392A - 太阳能电池片的色差检测方法、装置、设备和计算机介质 - Google Patents

太阳能电池片的色差检测方法、装置、设备和计算机介质 Download PDF

Info

Publication number
CN114549392A
CN114549392A CN202110351474.0A CN202110351474A CN114549392A CN 114549392 A CN114549392 A CN 114549392A CN 202110351474 A CN202110351474 A CN 202110351474A CN 114549392 A CN114549392 A CN 114549392A
Authority
CN
China
Prior art keywords
color difference
difference detection
model
solar cell
training
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
Application number
CN202110351474.0A
Other languages
English (en)
Other versions
CN114549392B (zh
Inventor
刘敏
徐健
曾小辉
沈建华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chint Group R & D Center Shanghai Co ltd
Original Assignee
Chint Group R & D Center Shanghai Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chint Group R & D Center Shanghai Co ltd filed Critical Chint Group R & D Center Shanghai Co ltd
Priority to CN202110351474.0A priority Critical patent/CN114549392B/zh
Publication of CN114549392A publication Critical patent/CN114549392A/zh
Application granted granted Critical
Publication of CN114549392B publication Critical patent/CN114549392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本申请提供一种太阳能电池片的色差检测方法、装置、设备和计算机介质；本申请中太阳能电池片的色差检测方法，包括：接收色差检测请求，确定所述色差检测请求对应待检测的目标太阳能电池片；获取所述目标太阳能电池片的电池片图像，将所述电池片图像输入至预设色差检测模型；通过所述预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出；本申请中根据正例样本和负例样本各自的权重和损失值确定模型损失值对设定的网络结构训练获得预设色差检测模型，通过预设色差检测模型对太阳能电池片进行色差检测，提高了太阳能电池片的色差检测效率和准确率。

Description

太阳能电池片的色差检测方法、装置、设备和计算机介质
技术领域
本申请涉及深度学习技术领域，具体涉及一种太阳能电池片的色差检测方法、装置、设备和计算机介质。
背景技术
太阳能作为一种节能环保，可持续再生的能源，受到越来越多新能源企业的重视。太阳能电池片作为太阳能发电系统的核心部件，其产品外观质量有着严格的工艺要求，因此太阳能电池片出厂前都需要进行严格的检测。
现有的太阳能电池片检测通常采用纯人工检测，或人工借助工业相机辅助检测，纯人工检测太阳能电池片缺陷方法检测效率低，需要消耗较多的人力资源；而人工借助于工业相机检测，对太阳能电池片的外观缺陷实现半自动化的检测，需要在太阳能电池片的工厂图像捕获环境下进行检查，这样人工借助工业相机的检测方式，会对太阳能电池片的生产产生干预，制约工厂的生产效率和产品质量。此外，太阳能电池片的生产环境下的检测数据，相较于正常数据，缺陷数据相对更少，使得工业检测算法的精度不高，且生产过程中的光照强度和机械传送带的抖动，对于工业检测任务更是一项极具挑战性的任务，使得太阳能电池片的色差检测结果不准确。
发明内容
本申请提供一种太阳能电池片的色差检测方法、装置、设备和计算机介质，旨在解决现有的太阳能电池片色差检测在工厂实际生产环境下，由于正常数据和色差缺陷数据比例严重不平衡，导致的太阳能电池片的色差检测效率低，色差检测结果不准确的技术问题。
一方面，本申请提供一种太阳能电池片的色差检测方法，所述太阳能电池片的色差检测方法包括以下步骤：
接收色差检测请求，确定所述色差检测请求对应待检测的目标太阳能电池片；
获取所述目标太阳能电池片的电池片图像，将所述电池片图像输入至预设色差检测模型，其中，所述预设色差检测模型的模型损失值根据训练样本中正例样本和负例样本各自的权重和损失值确定；
通过所述预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出。
在本申请一些实施例中，所述获取所述目标太阳能电池片的电池片图像，将所述电池片图像输入至预设色差检测模型之前，所述方法包括：
接收初始模型构建请求，根据所述初始模型构建请求关联的图像信息构建卷积层、归一化层、激活层、池化层和全连接层，获得初始色差检测模型；
接收模型训练请求，将海量的电池片图像标注形成正例样本和负例样本，将所述正例样本和所述负例样本组合形成训练样本集；
通过所述训练样本集中的训练样本迭代训练所述初始色差检测模型，获得预设色差检测模型。
在本申请一些实施例中，所述接收初始模型构建请求，根据所述初始模型构建请求关联的图像信息构建卷积层、归一化层、激活层、池化层和全连接层，获得初始色差检测模型，包括：
接收初始模型构建请求，获取所述初始模型构建请求关联的图像信息；
按照所述图像信息中的图像尺寸设置卷积组，其中，所述卷积组中包括预设步长的卷积层、归一化层和激活层；
设置池化层，其中，所述池化层处理所述卷积组输出的特征序列，并将处理后的特征序列输入至下一层卷积组；
设置随机失活函数和全连接层，其中，所述全连接层处理最后一个卷积组获得的特征序列；
将所述卷积层、归一化层、激活层、池化层、全连接层封装，获得初始色差检测模型。
在本申请一些实施例中，所述接收模型训练请求，将海量的电池片图像标注形成正例样本和负例样本，将所述正例样本和所述负例样本组合形成训练样本集，包括：
接收模型训练请求，采集海量的太阳能电池片的电池片图像；
将所述太阳能电池片的电池片图像进行灰度转化，并将灰度转化前后的电池片图像拼接，生成四通道的电池片图像；
按照预定义的色差检测规则，将各四通道的电池片图像添加标注结果，汇总形成训练样本集。
在本申请一些实施例中，所述接收模型训练请求，将海量的电池片图像标注形成正例样本和负例样本，将所述正例样本和所述负例样本组合形成训练样本集后，还包括：
接收模型训练请求，获取海量的太阳能电池板的电池板图像，其中，所述太阳能电池板是由太阳能电池片矩阵形成的；
将海量的电池板的电池板图像进行灰度转化，并将灰度转化前后的电池板图像拼接，生成四通道的电池板图像；
根据各四通道的电池板图像中是否包括色差的电池片，为各四通道的电池板图像添加标注结果，汇总形成训练样本集。
在本申请一些实施例中，所述通过所述训练样本集中的训练样本迭代训练所述初始色差检测模型，获得预设色差检测模型，包括：
从所述训练样本集中抽取预设比例的训练样本，通过所述训练样本对初始色差检测模型进行训练，获取色差检测训练模型；
根据所述色差检测训练模型的模型损失值确定所述色差检测训练模型是否收敛，若所述色差检测训练模型的收敛，则将所述色差检测训练模型作为预设色差检测模型并保存。
在本申请一些实施例中，所述根据所述色差检测训练模型的模型损失值确定所述色差检测训练模型是否收敛，包括：
获取所述色差检测训练模型的输出结果，将所述输出结果进行归一化处理；
将归一化处理后的输出结果和所述训练样本的标注结果输入至预先构建的损失函数，获得各所述训练样本的损失值，其中，所述训练样本包括正例样本和负例样本；
根据各所述正例样本的损失值和各所述负例样本的损失值确定模型损失值，并将所述模型损失值和预设训练阈值比较；
若所述模型损失值大于或等于所述预设训练阈值，则判定所述色差检测训练模型不收敛；
若所述模型损失值小于所述预设训练阈值，则判定所述色差检测训练模型收敛。
在本申请一些实施例中，所述根据各所述正例样本的损失值和各所述负例样本的损失值确定模型损失值，包括：
统计各所述正例样本的损失值，计算正例样本的损失值均值；
将各所述负例样本的损失值按照从大到小排序，获取预设数量排序靠前的所述负例样本的损失值，并计算负例样本的损失值均值；
将所述正例样本的损失值均值和所述负例样本的损失值均值加权处理，获得模型损失值。
在本申请一些实施例中，所述通过所述预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出，包括：
通过所述预设色差检测模型中的卷积层处理所述电池片图像，获得第一特征序列；
将所述第一特征序列输入至所述预设色差检测模型中的归一化层和激活层池化层，获得第二特征序列；
将所述第二特征序列输入所述预设色差检测模型中的池化层，获得第三特征序列，将所述第三特征序列输入至所述预设色差检测模型中的下一卷积层；
将最后一个卷积层获得的目标特征序列输入至所述预设色差检测模型中全连接层，获得所述目标太阳能电池片的色差检测结果并输出。
另一方面，本申请还提供一种太阳能电池片的色差检测装置，所述太阳能电池片的色差检测装置包括：
电池片确定模块，用于接收色差检测请求，确定所述色差检测请求对应待检测的目标太阳能电池片；
获取输入模块，用于获取所述目标太阳能电池片的电池片图像，将所述电池片图像输入至预设色差检测模型，其中，所述预设色差检测模型的模型损失值根据训练样本中正例样本和负例样本各自的权重和损失值确定；
处理输出模块，用于通过所述预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出。
另一方面，本申请还提供一种太阳能电池片的色差检测设备，所述太阳能电池片的色差检测设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现所述的太阳能电池片的色差检测方法。
另一方面，本申请还提供一种计算机介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的太阳能电池片的色差检测方法中的步骤。
本申请提供的太阳能电池片的色差检测方法包括：接收色差检测请求，确定所述色差检测请求对应待检测的目标太阳能电池片；获取所述目标太阳能电池片的电池片图像，将所述电池片图像输入至预设色差检测模型，其中，所述预设色差检测模型的模型损失值根据训练样本中正例样本和负例样本各自的权重和损失值确定；通过所述预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出；本申请实施例中预设色差检测模型，预设色差检测模型的是由四通道数据对设定的网络结构训练获得，这样预设色差检测模型输入特征增加，预设色差检测模型的性能提升，通过预设色差检测模型对太阳能电池片进行色差检测，相对于基于传统机器学习的电池片色差检测算法，可以有效地处理工厂实际生产环境下存在的正常数据和色差缺陷数据比例严重不平衡的情况，而且可以有效地提升太阳能电池片色差缺陷的检测效率和准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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是本申请实施例提供的太阳能电池片的色差检测方法的应用场景示意图；
图2为本申请实施例中提供的太阳能电池片的色差检测方法中构建预设色差检测模型的一个实施例流程示意图；
图3为本申请实施例中提供的太阳能电池片的色差检测方法的一个实施例流程示意图；
图4是本申请实施例中提供的太阳能电池片的色差检测装置的一个实施例结构示意图；
图5是本申请实施例中提供的太阳能电池片的色差检测设备的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明包含的范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。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所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种太阳能电池片的色差检测方法、装置、设备及计算机介质，以下分别进行详细说明。
本发明实施例中的太阳能电池片的色差检测方法应用于太阳能电池片的色差检测装置，太阳能电池片的色差检测装置设置于太阳能电池片的色差检测设备，太阳能电池片的色差检测设备中设置有一个或多个处理器、存储器，以及一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现太阳能电池片的色差检测方法；太阳能电池片的色差检测设备可以是终端，例如，手机或平板电脑，太阳能电池片的色差检测设备还可以是一台服务器，或者多台服务器组成的服务集群。
如图1所示，图1为本申请实施例太阳能电池片的色差检测方法的应用场景示意图，本发明实施例中太阳能电池片的色差检测场景中包括太阳能电池片的色差检测设备100(太阳能电池片的色差检测设备100中集成有太阳能电池片的色差检测装置)，太阳能电池片的色差检测设备100中运行太阳能电池片的色差检测对应的计算机介质，以执行太阳能电池片的色差检测的步骤。
可以理解的是，图1所示太阳能电池片的色差检测方法的应用场景中的太阳能电池片的色差检测设备，或者太阳能电池片的色差检测设备中包含的装置并不构成对本发明实施例的限制，即，太阳能电池片的色差检测方法的应用场景中包含的设备数量、设备种类，或者各个设备中包含的装置数量、装置种类不影响本发明实施例中技术方案整体实现，均可以算作本发明实施例要求保护技术方案的等效替换或衍生。
本发明实施例中太阳能电池片的色差检测设备100主要用于：接收色差检测请求，确定所述色差检测请求对应待检测的目标太阳能电池片；获取所述目标太阳能电池片的电池片图像，将所述电池片图像输入至预设色差检测模型，其中，所述预设色差检测模型的模型损失值根据训练样本中正例样本和负例样本各自的权重和损失值确定；通过所述预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出。
本发明实施例中该太阳能电池片的色差检测设备100可以是独立的太阳能电池片的色差检测设备，也可以是太阳能电池片的色差检测设备组成的太阳能电池片的色差检测设备网络或太阳能电池片的色差检测设备集群，例如，本发明实施例中所描述的太阳能电池片的色差检测设备100，其包括但不限于计算机、网络主机、单个网络太阳能电池片的色差检测设备、多个网络太阳能电池片的色差检测设备集或多个太阳能电池片的色差检测设备构成的云太阳能电池片的色差检测设备。其中，云太阳能电池片的色差检测设备由基于云计算(CloudComputing)的大量计算机或网络太阳能电池片的色差检测设备构成。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的太阳能电池片的色差检测设备，或者太阳能电池片的色差检测设备网络连接关系，例如图1中仅示出1个太阳能电池片的色差检测设备，可以理解的，该太阳能电池片的色差检测方法的应用场景还可以包括一个或多个其他太阳能电池片的色差检测设备，具体此处不作限定；该太阳能电池片的色差检测设备100中还可以包括存储器，用于存储数据。
此外，本申请太阳能电池片的色差检测方法的应用场景中太阳能电池片的色差检测设备100可以设置显示装置，或者太阳能电池片的色差检测设备100中不设置显示装置与外接的显示装置200通讯连接，显示装置200用于输出太阳能电池片的色差检测设备中太阳能电池片的色差检测方法执行的结果。太阳能电池片的色差检测设备100可以访问后台数据库300(后台数据库可以是太阳能电池片的色差检测设备的本地存储器中，后台数据库还可以设置在云端)，后台数据库300中保存有太阳能电池片的色差检测相关的信息。
需要说明的是，图1所示的太阳能电池片的色差检测方法的应用场景示意图仅仅是一个示例，本发明实施例描述的太阳能电池片的色差检测方法的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定。
基于上述太阳能电池片的色差检测方法的应用场景，提出了太阳能电池片的色差检测方法的实施例，本实施例中太阳能电池片的色差检测方法包括：
接收色差检测请求，确定所述色差检测请求对应待检测的目标太阳能电池片；
获取所述目标太阳能电池片的电池片图像，将所述电池片图像输入至预设色差检测模型，其中，所述预设色差检测模型的模型损失值根据训练样本中正例样本和负例样本各自的权重和损失值确定；
通过所述预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出。
本实施例中的太阳能电池片的色差检测方法应用在太阳能电池片的色差检测设备，太阳能电池片的色差检测设备是指安装太阳能电池片的色差检测应用程序的设备，太阳能电池片的色差检测设备的种类不作具体限定，太阳能电池片的色差检测设备可以是服务器或者是终端。
本实施例太阳能电池片的色差检测方法的步骤执行之前，太阳能电池片的色差检测设备获取海量的太阳能电池片的电池片图像，色差检测设备利用海量的电池片图像，构建预设色差检测模型，通过色差检测模型对新生产的太阳能电池片进行色差检测，确定生产的太阳能电池片是否具有色差缺陷，以提高太阳能电池片的色差检测效率和色差检测准确度。
如图2所示，图2为本申请实施例中提供的太阳能电池片的色差检测方法中构建预设色差检测模型的一个实施例流程示意图。
本实施例中太阳能电池片的色差检测设备分析历史服务数据，搭建公有云裸金属资源池，包括步骤201-203：
201，接收初始模型构建请求，根据所述初始模型构建请求关联的图像信息构建卷积层、归一化层、激活层、池化层和全连接层，获得初始色差检测模型。
太阳能电池片的色差检测设备接收初始模型构建请求，其中，初始模型构建请求的触发方式不作具体限定，即，初始模型构建请求可以用户主动触发的，还可以是太阳能电池片的色差检测设备自动触发的，太阳能电池片的色差检测设备在接收到初始模型构建请求之后，太阳能电池片的色差检测设备获取初始模型构建请求关联的图像信息，其中，图像信息是指用于初始模型构建的电池片图像，及电池片图像的属性，例如，电池片图像的尺寸。
色差检测模型根据初始模型构建请求关联的图像信息构建卷积层、归一化层、激活层、池化层和全连接层，获得初始色差检测模型；具体地，包括：
(1)、接收初始模型构建请求，获取所述初始模型构建请求关联的图像信息；
(2)、按照所述图像信息中的图像尺寸设置卷积组，其中，所述卷积组中包括预设步长的卷积层、归一化层和激活层；
(3)设置池化层，其中，所述池化层处理所述卷积组输出的特征序列，并将处理后的特征序列输入至下一层卷积组；
(4)、设置随机失活函数和全连接层，其中，所述全连接层处理最后一个卷积组获得的特征序列；
(5)、将所述卷积层、归一化层、激活层、池化层、全连接层封装，获得初始色差检测模型。
即，本实施例中色差检测设备接收初始模型构建请求，色差检测设备获取初始模型构建请求关联的图像信息；色差检测设备按照图像信息中的图像尺寸设置卷积组，其中，所述卷积组中包括预设步长的卷积层、归一化层和激活层；卷积层中卷积函数可以根据具有场景设备，激活层中的激活函数可以根据具体场景设置；色差检测设备中设置池化层，其中，所述池化层处理所述卷积组输出的特征序列，并将处理后的特征序列输入至下一层卷积组；色差检测设备设置随机失活函数和全连接层，其中，随机失活函数中设置随机失活概率函数，随机失活函数可以防止模型过拟合的现象，使得模型可以保证数据的数量处理效率和处理准确性，所述全连接层处理最后一个卷积组获得的特征序列；色差检测设备将卷积层、归一化层、激活层、池化层、全连接层封装，获得初始色差检测模型。
本实施例中构建初始色差检测模型，保证初始色差检测模型的结构简单，性能更优，这样对初始色差检测模型进行训练以获得准确的预设色差检测模型，最终实现太阳能电池片色差的准确检测。
为了方便理解，本实施例中具体给出初始色差检测模型构建的步骤，包括：
(1)、输入的太阳能电池片图像尺寸大小固定为4×320×320。
(2)、设计用于对太阳能电池片色差缺陷检测的卷积神经网络，其结构为：图像经过一个3×3的卷积组，3×3卷积组包含一个步长为2的3×3卷积、一个批量归一化层和一个激活层，输出大小为24×160×160；图像经过一个3×3的卷积组，3×3卷积组包含一个步长为2的3×3卷积、一个批量归一化层和一个激活层，输出大小为48×80×80；图像经过一个3×3的卷积组，3×3卷积组包含一个步长为2的3×3卷积、一个批量归一化层和一个激活层，输出大小为96×40×40；图像经过一个二元自适应均值汇聚层，输出大小为96×1×1；图像经过一个随机失活层，其中随机失活概率为0.2；图像经过一个全连接层，输出大小为2×1×1。
(3)、比较最后输出的两个值，如果第一个值大于等于第二个值，则太阳能电池片为正常，如果第一个值小于第二个值，则为存在色差缺陷的太阳能电池片，色差检测模型将上述结构作为初始色差检测模型。
202，接收模型训练请求，将海量的电池片图像标注形成正例样本和负例样本，将所述正例样本和所述负例样本组合形成训练样本集。
太阳能电池片的色差检测设备接收模型训练请求，确定训练样本集，包括：
实现方式一：
(1)、接收模型训练请求，采集海量的太阳能电池片的电池片图像；
(2)、将所述太阳能电池片的电池片图像进行灰度转化，并将灰度转化前后的电池片图像拼接，生成四通道的电池片图像；
(3)、按照预定义的色差检测规则，将各四通道的电池片图像添加标注结果，汇总形成训练样本集。
实现方式二：
若检测目标为构成电池板的N行*M列电池片，既可以进行电池板的色差缺陷检测，也能够确定存在缺陷的电池片，可以进一步构建电池板训练样本集，具体步骤如下：
(1)、接收模型训练请求，获取海量的太阳能电池板的电池板图像，其中，所述太阳能电池板是由太阳能电池片矩阵形成的；
(2)、将海量的电池板的电池板图像进行灰度转化，并将灰度转化前后的电池板图像拼接，生成四通道的电池板图像；
(3)根据各四通道的电池板图像中是否包括色差的电池片，为各四通道的电池板图像添加标注结果，汇总形成训练样本集。
本实施例中色差检测设备接收模型训练请求，色差检测设备查询预设图像数据库，预设图像数据库中保存有海量历史生产的太阳能电池板的电池板图像，或者太阳能电池片的电池片图像。
色差检测设备按照方式一，获取海量的太阳能电池片的电池片图像，并进行灰度转化，色差检测设备将灰度转化前后的电池片图像拼接，生成四通道的电池片图像，本实施例中通过四通道的电池片图像进行模型训练，增加了训练样本的输入特征，同时可以有效地保证了模型的准确性。然后，色差检测设备按照预定义的色差检测规则，将各四通道的电池片图像添加标注结果，汇总形成训练样本集；即，色差检测设备中保存有预定义的色差检测规则，色差检测规则可以是太阳能电池片色值，和各个色值的占比规则，色差检测设备根据色差检测规则对各四通道的电池片图像添加标注结果并输出，以供用户确认，在用户确认之后色差检测设备将各个标注后的电池片图像汇总形成训练样本集。
色差检测设备按照方式二，获取海量的太阳能电池板的电池板图像，太阳能电池板是由太阳能电池片矩阵形成的；将海量的电池板的电池板图像进行灰度转化，并将灰度转化前后的电池板图像拼接，生成四通道的电池板图像；根据各四通道的电池板图像中是否包括色差的电池片，为各四通道的电池板图像添加标注结果，具体地，若电池板中包括有色差的电池片，则标记为正例样本，反之，最终汇总形成训练样本集。
本实施例中色差检测设备可以选择训练电池片图像对应的训练样本集，或者太阳能电池板对应的训练样本集，训练生成预设色差检测模型；或者色差检测设备将电池片图像对应的训练样本集与太阳能电池板对应的训练样本集进行结合训练，形成预设色差检测模型，使得识别准确率更高。
203，通过所述训练样本集中的训练样本迭代训练所述初始色差检测模型，获得预设色差检测模型。
本实施例中色差检测设备将标注后的正例样本和负例样本组合形成训练样集，通过训练样集中的训练样本对初始色差检测模型进行迭代训练，获得色差检测训练模型，根据色差检测训练模型的损失值，确定色差检测训练模型是否收敛，以获得预设色差监测模块，具体地，包括：
(1)、从所述训练样本集中抽取预设比例的训练样本，通过所述训练样本对初始色差检测模型进行训练，获取色差检测训练模型；
(2)、根据所述色差检测训练模型的模型损失值确定所述色差检测训练模型是否收敛；
(3)、若所述色差检测训练模型的收敛，则将所述色差检测训练模型作为预设色差检测模型并保存。
色差检测设备从所述训练样本集中抽取预设比例的训练样本，其中训练样本包括正例样本和负例样本，色差检测设备通过训练样本对初始色差检测模型进行训练，获取色差检测训练模型，色差检测设备根据所述色差检测训练模型的模型损失值确定所述色差检测训练模型是否收敛，若所述色差检测训练模型的收敛，则进行迭代训练；若所述色差检测训练模型的收敛，则将所述色差检测训练模型作为预设色差检测模型并保存，其中，预设色差检测模型的模型损失值根据电池片图像中正例样本和负例样本各自的权重和损失值确定。
其中，本实施例中色差检测设备根据所述色差检测训练模型的模型损失值确定所述色差检测训练模型是否收敛的步骤，包括：
A、获取所述色差检测训练模型的输出结果，将所述输出结果进行归一化处理；
B、将归一化处理后的输出结果和所述训练样本的标注结果输入至预先构建的损失函数，获得各所述训练样本的损失值，其中，所述训练样本包括正例样本和负例样本；
C、根据各所述正例样本的损失值和各所述负例样本的损失值确定模型损失值，并将所述模型损失值和预设训练阈值比较；
D、若所述模型损失值大于或等于所述预设训练阈值，则判定所述色差检测训练模型不收敛；
E、若所述模型损失值小于所述预设训练阈值，则判定所述色差检测训练模型收敛。
即，本实施例中色差检测设备获取色差检测训练模型的输出结果，色差检测设备将所述输出结果进行归一化处理；色差检测设备将归一化处理后的输出结果和训练样本的标注结果输入至预先构建的损失函数，获得各所述训练样本的损失值，其中，所述训练样本包括正例样本和负例样本；色差检测设备根据各所述正例样本的损失值和各所述负例样本的损失值确定模型损失值，色差检测设备将所述模型损失值和预设训练阈值比较；若所述模型损失值大于或等于所述预设训练阈值，则判定所述色差检测训练模型不收敛，色差检测设备进行迭代训练；若所述模型损失值小于所述预设训练阈值，则判定所述色差检测训练模型收敛，色差检测设备将所述色差检测训练模型作为预设色差检测模型并保存。
进一步地，为了使得训练模型更加准确，设置的模型损失值就比较重要，本实施例给出了一种模型损失值的设置方式，具体地，包括：
c1、统计各所述正例样本的损失值，计算正例样本的损失值均值；
c2、将各所述负例样本的损失值按照从大到小排序，获取预设数量排序靠前的所述负例样本的损失值，并计算负例样本的损失值均值；
c3、将所述正例样本的损失值均值和所述负例样本的损失值均值加权处理，获得模型损失值。
本实施例中色差检测设备统计各正例样本的损失值，计算正例样本的损失值均值；色差检测设备将各所述负例样本的损失值按照从大到小排序，获取预设数量排序靠前的所述负例样本的损失值，并计算负例样本的损失值均值；其中，预设数量可以根据具体场景设置，例如预设数量设置为负例样本总数的百分之五十，色差检测设备将所述正例样本的损失值均值和所述负例样本的损失值均值加权处理，获得模型损失值。
本实施例中负例样本选取预设数量的损失值最大的值，这样可以使得正负例样本平衡，有利于正例样本的检出，然后采用损失值权重加权方法获得模型损失值，使得正负例样本平衡，有利于正例样本的检出。
为了方便理解，本实施例中给出一种通过海量的电池片图像训练所述初始色差检测模型，获得预设色差检测模型的具体实现方式，即，色差检测设备搜集正常的太阳能电池片和有色差缺陷的太阳能电池片图像，送入设计好的初始色差检测模型，根据标注结果对模型训练，得到训练好的预设色差检测模型，包括：
(1)、采集正常的和带有色差缺陷的太阳能电池片图像；
(2)、对采集的图像预处理，将太阳能电池片图像由原始的三通道RGB图像转为灰度图像后与原始的RGB图像拼接，生成四通道的输入图像数据作为训练集。
(3)、对合成后的四通道图像数据分别进行标注，其中正常太阳能电池片标注为0，存在色差的太阳能电池片标注为1。
(4)、对设计好的太阳能电池片色差缺陷检测模型的网络参数初始化，得到初始的太阳能电池片色差缺陷检测模型。
(5)、构建检测模型的损失函数，将训练集数据送入设计好的太阳能电池片色差缺陷检测模型，将输出结果与标注结果比较，得到所有正负例样本的损失值，损失函数为：
Loss(xi，yi)＝-[yilogxi+(1-yi)log(1-xi)]
其中，xi和yi分别表示预测值和标注值，i为对应的样本。
(6)、获取当前所有正例样本(带有缺陷的太阳能电池片)损失值，并求出所有正例样本损失值均值。
(7)、对当前所有的负例样本(正常的太阳能电池片)，根据损失值从大到小排序，选取排序靠前的预设数量损失值求均值，作为负例样本的损失均值(其中预设数量取3倍的正例样本数，如果预设数量小于3倍的正例样本数，则取所有负例样本)。
(8)、统计正例样本(存在色差缺陷的太阳能电池片图像)、负例样本(正常的太阳能电池片图像)数量分别为na和nb，则对应正负例样本的权重计算公式为：
Figure BDA0003002499800000151
其中，i∈{a，b}，m∈(1，1.02)；
(9)、将正负例样本的损失值均值乘以对应的权重参数，得到模型最终的损失值。
(10)、以损失值最小为目标，并通过训练样本集中的各个正例样本和负例样板对初始的太阳能电池片色差缺陷检测网络进行训练，使用梯度反传策略对模型迭代优化，直至损失函数小于预先定义好的预设训练阈值，得到训练完成的预设色差检测模型。
本实施中的预设色差检测模型可以是根据太阳能电池片训练获得，还可以是根据太阳能电池板训练获得，既可以检测电池板的色差缺陷，也可以进一步确定构成电池板的具体电池片的色差缺陷；由于太阳能电池片生产之后会组成太阳能电池板，即，电池板由于N行*M列电池片组成，若用于电池片的缺陷检测则有两种操作方式：
(1)采集多组电池片图像，以电池片图像标注是否存在色差缺陷，构建正负样本，建立初始电池片色差模型并训练。
(2)采集太阳能电池板图像，以电池板图像标注是否存在色差缺陷，构建正负样本，建立初始电池板色差缺陷模型并训练；若通过电池板色差检测模型获得的检测结果为电池板存在色差缺陷时，将电池板分割成N行*M列电池片，进一步地采用电池片色差检测模型进行色差检测，确定缺陷的电池片。
本实施例中可以用电池片图像进行训练，也可以用电池板图像进行训练，这样可以实现准确识别。
如图3所示，图3为本申请实施例中提供的太阳能电池片的色差检测方法的一个实施例流程示意图，该太阳能电池片的色差检测方法包括如下步骤301～303：
301，接收色差检测请求，确定所述色差检测请求对应待检测的目标太阳能电池片。
太阳能电池片的色差检测设备接收色差检测请求，其中，色差检测请求的触发方式不作具体限定，即，色差检测请求的触发方式不作具体限定，例如，色差检测请求可以是用户主动触发的，例如，用户点击色差检测设备中的“检测”的按键主动触发色差检测请求，此外，色差检测请求还可以是色差检测设备自动触发的，例如，色差检测设备中预设采集装置，采集装置采集到太阳能电池片的电池片图像时，自动触发色差检测请求。
色差检测设备接收色差检测请求之后，色差检测设备确定所述色差检测请求对应待检测的目标太阳能电池片，其中，目标太阳能电池片的数量不作限定，目标太阳能电池片可以是一片，还可以是多片组成的太阳能电池板。
302，获取所述目标太阳能电池片的电池片图像，将所述电池片图像输入至预设色差检测模型。
色差检测设备获取所述目标太阳能电池片的电池片图像，色差检测设备将电池片图像输入至预设色差检测模型，本实施例中的预设色差检测模型通过四通道的电池片图像训练获得，所述四通道的电池片图像包括正例样本和负例样本，所述预设色差检测模型的模型损失值根据所述正例样本和所述负例样本各自的权重和损失值确定。
303，通过所述预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出。
色差检测设备通过预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出，具体地，包括：
(1)、通过所述预设色差检测模型中的卷积层处理所述电池片图像，获得第一特征序列；
(2)、将所述第一特征序列输入至所述预设色差检测模型中的归一化层和激活层池化层，获得第二特征序列；
(3)、将所述第二特征序列输入所述预设色差检测模型中的池化层，获得第三特征序列，将所述第三特征序列输入至所述预设色差检测模型中的下一卷积层；
(4)、将最后一个卷积层获得的目标特征序列输入至所述预设色差检测模型中全连接层，获得所述目标太阳能电池片的色差检测结果并输出。
色差检测设备通过预设色差检测模型中的卷积层处理所述电池片图像，获得第一特征序列；色差检测设备将所述第一特征序列输入至所述预设色差检测模型中的归一化层和激活层池化层，获得第二特征序列；色差检测设备将所述第二特征序列输入所述预设色差检测模型中的池化层，获得第三特征序列，将所述第三特征序列输入至所述预设色差检测模型中的下一卷积层；色差检测设备将最后一个卷积层获得的目标特征序列输入至所述预设色差检测模型中全连接层，获得所述目标太阳能电池片的色差检测结果并输出。
本申请实施例中预设色差检测模型，预设色差检测模型的是由四通道数据对设定的网络结构训练获得，这样预设色差检测模型输入特征增加，预设色差检测模型的性能提升，通过预设色差检测模型对太阳能电池片进行色差检测，相对于基于传统机器学习的电池片色差检测算法，可以有效地处理工厂实际生产环境下存在的正常数据和色差缺陷数据比例严重不平衡的情况，而且可以有效地提升太阳能电池片色差缺陷的检测效率和准确率。
可以理解的是，预设色差检测模型包括单电池片对应的图像信息训练的第一预设色差检测模型，和N行*M列个电池片对应的电池板的图像信息训练获得的第二预设色差检测模型，本实施例中获取到目标太阳能电池片的电池片图像之后，可以采用单电池片的图像信息训练获得的第一预设色差检测模型进行色差检测，获得色差检测结果；
或对于构成太阳板电池板的N行*M列电池片，则采用电池板的图像信息训练获得的第二预设色差检测模型进行色差检测，获得电池板色差检测结果；若通过第二预设色差检测模型获得的检测结果为目标太阳能电池片中存在有缺陷的电池片时，可以进一步地采用第一预设色差检测模型进行色差检测，确定缺陷的电池片。
当然，若需要确定太阳能电池板是否存在缺陷，也可以将电池板图像分割成N行*M列电池片，采用第一预设色差检测模型进行电池片色差检测，若N行*M列个电池片输出结果中至少有一个存在缺陷时，则判断整个电池板存在缺陷。
本实施例中设置两个种类的预设色差检测模型，通过第一预设色差检测模式对电池片进行准确地检测，此外，还可以通过第二预设色差检测模型对多个太阳能电片组成的太阳能电池板进行检测，可以保障识别的效率，这样太阳能电池片的色差检测可以用到不同的场景中，例如，电池片的生产过程中，或者电池板的出厂检测中，使得太阳能电池板的色差检测更加准确高效。
如图4所示，图4是太阳能电池片的色差检测装置的一个实施例结构示意图。
为了更好实施本申请实施例中太阳能电池片的色差检测方法，在太阳能电池片的色差检测方法基础之上，本申请实施例中还提供一种太阳能电池片的色差检测装置，所述太阳能电池片的色差检测装置包括以下模块401-403：
电池片确定模块401，用于接收色差检测请求，确定所述色差检测请求对应待检测的目标太阳能电池片；
获取输入模块402，用于获取所述目标太阳能电池片的电池片图像，将所述电池片图像输入至预设色差检测模型，其中，所述预设色差检测模型的模型损失值根据训练样本中正例样本和负例样本各自的权重和损失值确定；
处理输出模块403，用于通过所述预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出。
在本申请一些实施例中，所述的太阳能电池片的色差检测装置，包括：
接收初始模型构建请求，根据所述初始模型构建请求关联的图像信息构建卷积层、归一化层、激活层、池化层和全连接层，获得初始色差检测模型；
接收模型训练请求，将海量的电池片图像标注形成正例样本和负例样本，将所述正例样本和所述负例样本组合形成训练样本集；
通过所述训练样本集中的训练样本迭代训练所述初始色差检测模型，获得预设色差检测模型。
在本申请一些实施例中，所述的太阳能电池片的色差检测装置，执行所述接收初始模型构建请求，根据所述初始模型构建请求关联的图像信息构建卷积层、归一化层、激活层、池化层和全连接层，获得初始色差检测模型，包括：
接收初始模型构建请求，获取所述初始模型构建请求关联的图像信息；
按照所述图像信息中的图像尺寸设置卷积组，其中，所述卷积组中包括预设步长的卷积层、归一化层和激活层；
设置池化层，其中，所述池化层处理所述卷积组输出的特征序列，并将处理后的特征序列输入至下一层卷积组；
设置随机失活函数和全连接层，其中，所述全连接层处理最后一个卷积组获得的特征序列；
将所述卷积层、归一化层、激活层、池化层、全连接层封装，获得初始色差检测模型。
在本申请一些实施例中，所述的太阳能电池片的色差检测装置执行所述的太阳能电池片的色差检测装置，执行所述接收模型训练请求，将海量的电池片图像标注形成正例样本和负例样本，将所述正例样本和所述负例样本组合形成训练样本集，包括：
接收模型训练请求，采集海量的太阳能电池片的电池片图像；
将所述太阳能电池片的电池片图像进行灰度转化，并将灰度转化前后的电池片图像拼接，生成四通道的电池片图像；
按照预定义的色差检测规则，将各四通道的电池片图像添加标注结果，汇总形成训练样本集。
在本申请一些实施例中，所述的太阳能电池片的色差检测装置执行所述接收模型训练请求，将海量的电池片图像标注形成正例样本和负例样本，将所述正例样本和所述负例样本组合形成训练样本集后，还包括：
接收模型训练请求，获取海量的太阳能电池板的电池板图像，其中，所述太阳能电池板是由太阳能电池片矩阵形成的；
将海量的电池板的电池板图像进行灰度转化，并将灰度转化前后的电池板图像拼接，生成四通道的电池板图像；
根据各四通道的电池板图像中是否包括色差的电池片，为各四通道的电池板图像添加标注结果，汇总形成训练样本集。
在本申请一些实施例中，所述的太阳能电池片的色差检测装置，执行所述通过所述训练样本集中的训练样本迭代训练所述初始色差检测模型，获得预设色差检测模型，包括：
从所述训练样本集中抽取预设比例的训练样本，通过所述训练样本对初始色差检测模型进行训练，获取色差检测训练模型；
根据所述色差检测训练模型的模型损失值确定所述色差检测训练模型是否收敛；
若所述色差检测训练模型的收敛，则将所述色差检测训练模型作为预设色差检测模型并保存。
在本申请一些实施例中，所述的太阳能电池片的色差检测装置，执行所述根据所述色差检测训练模型的模型损失值确定所述色差检测训练模型是否收敛，包括：
获取所述色差检测训练模型的输出结果，将所述输出结果进行归一化处理；
将归一化处理后的输出结果和所述训练样本的标注结果输入至预先构建的损失函数，获得各所述训练样本的损失值，其中，所述训练样本包括正例样本和负例样本；
根据各所述正例样本的损失值和各所述负例样本的损失值确定模型损失值，并将所述模型损失值和预设训练阈值比较；
若所述模型损失值大于或等于所述预设训练阈值，则判定所述色差检测训练模型不收敛；
若所述模型损失值小于所述预设训练阈值，则判定所述色差检测训练模型收敛。
在本申请一些实施例中，所述的太阳能电池片的色差检测装置，执行所述根据各所述正例样本的损失值和各所述负例样本的损失值确定模型损失值，包括：
统计各所述正例样本的损失值，计算正例样本的损失值均值；
将各所述负例样本的损失值按照从大到小排序，获取预设数量排序靠前的所述负例样本的损失值，并计算负例样本的损失值均值；
将所述正例样本的损失值均值和所述负例样本的损失值均值加权处理，获得模型损失值。
在本申请一些实施例中，所述处理输出模块403，包括：
通过所述预设色差检测模型中的卷积层处理所述电池片图像，获得第一特征序列；
将所述第一特征序列输入至所述预设色差检测模型中的归一化层和激活层池化层，获得第二特征序列；
将所述第二特征序列输入所述预设色差检测模型中的池化层，获得第三特征序列，将所述第三特征序列输入至所述预设色差检测模型中的下一卷积层；
将最后一个卷积层获得的目标特征序列输入至所述预设色差检测模型中全连接层，获得所述目标太阳能电池片的色差检测结果并输出。
本实施例中太阳能电池片的色差检测装置预设色差检测模型，预设色差检测模型的是由四通道数据对设定的网络结构训练获得，这样预设色差检测模型输入特征增加，预设色差检测模型的性能提升，通过预设色差检测模型对太阳能电池片进行色差检测，相对于基于传统机器学习的电池片色差检测算法，可以有效地处理工厂实际生产环境下存在的正常数据和色差缺陷数据比例严重不平衡的情况，而且可以有效地提升太阳能电池片色差缺陷的检测效率和准确率。
本发明实施例还提供一种太阳能电池片的色差检测设备，如图5所示，图5是本申请实施例中提供的太阳能电池片的色差检测设备的一个实施例结构示意图。
太阳能电池片的色差检测设备集成了本发明实施例所提供的任一种太阳能电池片的色差检测装置，所述太阳能电池片的色差检测设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述太阳能电池片的色差检测方法实施例中任一实施例中所述的太阳能电池片的色差检测方法中的步骤。
具体来讲：太阳能电池片的色差检测设备可以包括一个或者一个以上处理核心的处理器501、一个或一个以上计算机介质的存储器502、电源503和输入单元504等部件。本领域技术人员可以理解，图5中示出的太阳能电池片的色差检测设备结构并不构成对太阳能电池片的色差检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器501是该太阳能电池片的色差检测设备的控制中心，利用各种接口和线路连接整个太阳能电池片的色差检测设备的各个部分，通过运行或执行存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行太阳能电池片的色差检测设备的各种功能和处理数据，从而对太阳能电池片的色差检测设备进行整体监控。可选的，处理器501可包括一个或多个处理核心；优选的，处理器501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。
存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据太阳能电池片的色差检测设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器502还可以包括存储器控制器，以提供处理器501对存储器502的访问。
太阳能电池片的色差检测设备还包括给各个部件供电的电源503，优选的，电源503可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源503还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该太阳能电池片的色差检测设备还可包括输入单元504，该输入单元504可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，太阳能电池片的色差检测设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，太阳能电池片的色差检测设备中的处理器501会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能，如下：
接收色差检测请求，确定所述色差检测请求对应待检测的目标太阳能电池片；
获取所述目标太阳能电池片的电池片图像，将所述电池片图像输入至预设色差检测模型，其中，所述预设色差检测模型的模型损失值根据训练样本中正例样本和负例样本各自的权重和损失值确定；
通过所述预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种计算机介质，该计算机介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行本发明实施例所提供的任一种太阳能电池片的色差检测方法中的步骤。例如，所述计算机程序被处理器进行加载可以执行如下步骤：
接收色差检测请求，确定所述色差检测请求对应待检测的目标太阳能电池片；获取所述目标太阳能电池片的电池片图像，将所述电池片图像输入至预设色差检测模型，其中，所述预设色差检测模型的模型损失值根据训练样本中正例样本和负例样本各自的权重和损失值确定；通过所述预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。以上对本申请实施例所提供的一种太阳能电池片的色差检测方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (12)

1.一种太阳能电池片的色差检测方法，其特征在于，所述太阳能电池片的色差检测方法包括：
接收色差检测请求，确定所述色差检测请求对应待检测的目标太阳能电池片；
获取所述目标太阳能电池片的电池片图像，将所述电池片图像输入至预设色差检测模型，其中，所述预设色差检测模型的模型损失值根据训练样本中正例样本和负例样本各自的权重和损失值确定；
通过所述预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出。
2.根据权利要求1所述的太阳能电池片的色差检测方法，其特征在于，所述获取所述目标太阳能电池片的电池片图像，将所述电池片图像输入至预设色差检测模型之前，所述方法包括：
接收初始模型构建请求，根据所述初始模型构建请求关联的图像信息构建卷积层、归一化层、激活层、池化层和全连接层，获得初始色差检测模型；
接收模型训练请求，将海量的电池片图像标注形成正例样本和负例样本，将所述正例样本和所述负例样本组合形成训练样本集；
通过所述训练样本集中的训练样本迭代训练所述初始色差检测模型，获得预设色差检测模型。
3.根据权利要求2所述的太阳能电池片的色差检测方法，其特征在于，所述接收初始模型构建请求，根据所述初始模型构建请求关联的图像信息构建卷积层、归一化层、激活层、池化层和全连接层，获得初始色差检测模型，包括：
接收初始模型构建请求，获取所述初始模型构建请求关联的图像信息；
按照所述图像信息中的图像尺寸设置卷积组，其中，所述卷积组中包括预设步长的卷积层、归一化层和激活层；
设置池化层，其中，所述池化层处理所述卷积组输出的特征序列，并将处理后的特征序列输入至下一层卷积组；
设置随机失活函数和全连接层，其中，所述全连接层处理最后一个卷积组获得的特征序列；
将所述卷积层、归一化层、激活层、池化层、全连接层封装，获得初始色差检测模型。
4.根据权利要求2所述的太阳能电池片的色差检测方法，其特征在于，所述接收模型训练请求，将海量的电池片图像标注形成正例样本和负例样本，将所述正例样本和所述负例样本组合形成训练样本集，包括：
接收模型训练请求，采集海量的太阳能电池片的电池片图像；
将所述太阳能电池片的电池片图像进行灰度转化，并将灰度转化前后的电池片图像拼接，生成四通道的电池片图像；
按照预定义的色差检测规则，将各四通道的电池片图像添加标注结果，汇总形成训练样本集。
5.根据权利要求4所述的太阳能电池片的色差检测方法，其特征在于，所述接收模型训练请求，将海量的电池片图像标注形成正例样本和负例样本，将所述正例样本和所述负例样本组合形成训练样本集后，还包括：
接收模型训练请求，获取海量的太阳能电池板的电池板图像，其中，所述太阳能电池板是由太阳能电池片矩阵形成的；
将海量的电池板的电池板图像进行灰度转化，并将灰度转化前后的电池板图像拼接，生成四通道的电池板图像；
根据各四通道的电池板图像中是否包括色差的电池片，为各四通道的电池板图像添加标注结果，汇总形成训练样本集。
6.根据权利要求2所述的太阳能电池片的色差检测方法，其特征在于，所述通过所述训练样本集中的训练样本迭代训练所述初始色差检测模型，获得预设色差检测模型，包括：
从所述训练样本集中抽取预设比例的训练样本，通过所述训练样本对初始色差检测模型进行训练，获取色差检测训练模型；
根据所述色差检测训练模型的模型损失值确定所述色差检测训练模型是否收敛；
若所述色差检测训练模型的收敛，则将所述色差检测训练模型作为预设色差检测模型并保存。
7.根据权利要求6所述的太阳能电池片的色差检测方法，其特征在于，所述根据所述色差检测训练模型的模型损失值确定所述色差检测训练模型是否收敛，包括：
获取所述色差检测训练模型的输出结果，将所述输出结果进行归一化处理；
将归一化处理后的输出结果和所述训练样本的标注结果输入至预先构建的损失函数，获得各所述训练样本的损失值，其中，所述训练样本包括正例样本和负例样本；
根据各所述正例样本的损失值和各所述负例样本的损失值确定模型损失值，并将所述模型损失值和预设训练阈值比较；
若所述模型损失值大于或等于所述预设训练阈值，则判定所述色差检测训练模型不收敛；
若所述模型损失值小于所述预设训练阈值，则判定所述色差检测训练模型收敛。
8.根据权利要求7所述的太阳能电池片的色差检测方法，其特征在于，所述根据各所述正例样本的损失值和各所述负例样本的损失值确定模型损失值，包括：
统计各所述正例样本的损失值，计算正例样本的损失值均值；
将各所述负例样本的损失值按照从大到小排序，获取预设数量排序靠前的所述负例样本的损失值，并计算负例样本的损失值均值；
将所述正例样本的损失值均值和所述负例样本的损失值均值加权处理，获得模型损失值。
9.根据权利要求1-7任意一项所述的太阳能电池片的色差检测方法，其特征在于，所述通过所述预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出，包括：
通过所述预设色差检测模型中的卷积层处理所述电池片图像，获得第一特征序列；
将所述第一特征序列输入至所述预设色差检测模型中的归一化层和激活层池化层，获得第二特征序列；
将所述第二特征序列输入所述预设色差检测模型中的池化层，获得第三特征序列，将所述第三特征序列输入至所述预设色差检测模型中的下一卷积层；
将最后一个卷积层获得的目标特征序列输入至所述预设色差检测模型中全连接层，获得所述目标太阳能电池片的色差检测结果并输出。
10.一种太阳能电池片的色差检测装置，其特征在于，所述太阳能电池片的色差检测装置包括：
电池片确定模块，用于接收色差检测请求，确定所述色差检测请求对应待检测的目标太阳能电池片；
获取输入模块，用于获取所述目标太阳能电池片的电池片图像，将所述电池片图像输入至预设色差检测模型，其中，所述预设色差检测模型的模型损失值根据训练样本中正例样本和负例样本各自的权重和损失值确定；
处理输出模块，用于通过所述预设色差检测模型中的卷积层、归一化层、激活层、池化层和全连接层处理所述电池片图像的特征序列，获得所述目标太阳能电池片的色差检测结果并输出。
11.一种太阳能电池片的色差检测设备，其特征在于，所述太阳能电池片的色差检测设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至9中任一项所述的太阳能电池片的色差检测方法。
12.一种计算机介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至9任一项所述的太阳能电池片的色差检测方法中的步骤。
CN202110351474.0A 2021-03-31 2021-03-31 太阳能电池片的色差检测方法、装置、设备和计算机介质 Active CN114549392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110351474.0A CN114549392B (zh) 2021-03-31 2021-03-31 太阳能电池片的色差检测方法、装置、设备和计算机介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110351474.0A CN114549392B (zh) 2021-03-31 2021-03-31 太阳能电池片的色差检测方法、装置、设备和计算机介质

Publications (2)

Publication Number Publication Date
CN114549392A true CN114549392A (zh) 2022-05-27
CN114549392B CN114549392B (zh) 2024-05-31

Family

ID=81668680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110351474.0A Active CN114549392B (zh) 2021-03-31 2021-03-31 太阳能电池片的色差检测方法、装置、设备和计算机介质

Country Status (1)

Country Link
CN (1) CN114549392B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116008848A (zh) * 2023-02-03 2023-04-25 济南大学 一种色差技术在检测锂离子电池电极材料以及电极片状态上的应用

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180232601A1 (en) * 2017-02-16 2018-08-16 Mitsubishi Electric Research Laboratories, Inc. Deep Active Learning Method for Civil Infrastructure Defect Detection
CN110689011A (zh) * 2019-09-29 2020-01-14 河北工业大学 多尺度联合卷积神经网络的太阳能电池板缺陷检测方法
CN111325152A (zh) * 2020-02-19 2020-06-23 北京工业大学 一种基于深度学习的交通标志识别方法
WO2020143304A1 (zh) * 2019-01-07 2020-07-16 平安科技（深圳）有限公司 损失函数优化方法、装置、计算机设备及存储介质
CN111612820A (zh) * 2020-05-15 2020-09-01 北京百度网讯科技有限公司 多目标跟踪方法、特征提取模型的训练方法和装置
CN111681215A (zh) * 2020-05-29 2020-09-18 无锡赛睿科技有限公司 卷积神经网络模型训练方法、加工件缺陷检测方法及装置
WO2021017261A1 (zh) * 2019-08-01 2021-02-04 平安科技（深圳）有限公司 识别模型训练方法、图像识别方法、装置、设备及介质
CN112365434A (zh) * 2020-11-10 2021-02-12 大连理工大学 一种基于双掩膜图像分割的无人机狭窄通道检测方法
CN112507996A (zh) * 2021-02-05 2021-03-16 成都东方天呈智能科技有限公司 一种主样本注意力机制的人脸检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180232601A1 (en) * 2017-02-16 2018-08-16 Mitsubishi Electric Research Laboratories, Inc. Deep Active Learning Method for Civil Infrastructure Defect Detection
WO2020143304A1 (zh) * 2019-01-07 2020-07-16 平安科技（深圳）有限公司 损失函数优化方法、装置、计算机设备及存储介质
WO2021017261A1 (zh) * 2019-08-01 2021-02-04 平安科技（深圳）有限公司 识别模型训练方法、图像识别方法、装置、设备及介质
CN110689011A (zh) * 2019-09-29 2020-01-14 河北工业大学 多尺度联合卷积神经网络的太阳能电池板缺陷检测方法
CN111325152A (zh) * 2020-02-19 2020-06-23 北京工业大学 一种基于深度学习的交通标志识别方法
CN111612820A (zh) * 2020-05-15 2020-09-01 北京百度网讯科技有限公司 多目标跟踪方法、特征提取模型的训练方法和装置
CN111681215A (zh) * 2020-05-29 2020-09-18 无锡赛睿科技有限公司 卷积神经网络模型训练方法、加工件缺陷检测方法及装置
CN112365434A (zh) * 2020-11-10 2021-02-12 大连理工大学 一种基于双掩膜图像分割的无人机狭窄通道检测方法
CN112507996A (zh) * 2021-02-05 2021-03-16 成都东方天呈智能科技有限公司 一种主样本注意力机制的人脸检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周颖;毛立;张燕;陈海永;: "改进的CNN在太阳能电池板缺陷检测中的应用", 计算机仿真, no. 03, 15 March 2020 (2020-03-15), pages 222 *
范新;沈闻;丁泉勋;沈洁;: "基于正例和未标文档的半监督分类研究", 计算机技术与发展, no. 06, 10 June 2009 (2009-06-10) *
董洪义: "《深度学习之PyTorch物体检测实战》", 机械工业出版社, pages: 222 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116008848A (zh) * 2023-02-03 2023-04-25 济南大学 一种色差技术在检测锂离子电池电极材料以及电极片状态上的应用
CN116008848B (zh) * 2023-02-03 2024-02-13 济南大学 色差技术在检测锂离子电池电极材料以及电极片上的应用

Also Published As

Publication number Publication date
CN114549392B (zh) 2024-05-31

Similar Documents

Publication Publication Date Title
CN109891508B (zh) 单细胞类型检测方法、装置、设备和存储介质
CN104408095B (zh) 一种基于改进的knn文本分类方法
CN112926584B (zh) 裂缝检测方法、装置、计算机设备及存储介质
CN111199252A (zh) 一种电力通信网络智能运维系统的故障诊断方法
CN113837311B (zh) 一种基于需求响应数据的居民客户聚类方法及装置
CN113286315B (zh) 负载均衡判断方法、装置、设备及存储介质
CN112487794B (zh) 行业分类方法、装置、终端设备及存储介质
CN108765194A (zh) 一种有效的居民用电行为分析系统
US20220243347A1 (en) Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water
CN116562596A (zh) 一种退役电池处理方法、装置、退役电池仓储立库及介质
CN114549392A (zh) 太阳能电池片的色差检测方法、装置、设备和计算机介质
CN114510871A (zh) 基于思维进化和lstm的云服务器性能衰退预测方法
Lan et al. Efficient converted spiking neural network for 3d and 2d classification
CN112653121A (zh) 一种新能源微电网参与电网调频能力的评估方法及装置
CN116432069A (zh) 信息处理方法、服务提供方法、装置、设备及介质
CN115185830A (zh) 基于测试单元的用例生成方法、装置、设备及存储介质
CN113793298A (zh) 肺结节检测模型构建优化方法、设备、存储介质及产品
CN111722977A (zh) 系统巡检方法、装置及电子设备
CN117971509B (zh) 异构算力集群的运行性能优化方法、装置、设备及介质
CN116740369A (zh) 货品识别方法及装置
CN117291845B (zh) 一种点云地面滤波方法、系统、电子设备及存储介质
CN116993307B (zh) 一种具有人工智能学习能力的协同办公方法及系统
CN114638729B (zh) 基于能源互联网营销服务的双中台架构的电力稽查方法
CN118260618A (zh) 模型生成方法、客户识别方法、装置、设备及存储介质
CN118171977A (zh) 物流区域划分方法、装置、设备和存储介质

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