CN115591643A - 一种硅棒的料性识别和区分方法、控制装置及控制系统 - Google Patents
一种硅棒的料性识别和区分方法、控制装置及控制系统 Download PDFInfo
- Publication number
- CN115591643A CN115591643A CN202211292898.5A CN202211292898A CN115591643A CN 115591643 A CN115591643 A CN 115591643A CN 202211292898 A CN202211292898 A CN 202211292898A CN 115591643 A CN115591643 A CN 115591643A
- Authority
- CN
- China
- Prior art keywords
- silicon rod
- silicon
- material properties
- morphology
- information
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C21/00—Disintegrating plant with or without drying of the material
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C23/00—Auxiliary methods or auxiliary devices or accessories specially adapted for crushing or disintegrating not provided for in preceding groups or not specially adapted to apparatus covered by a single preceding group
- B02C23/08—Separating or sorting of material, associated with crushing or disintegrating
- B02C23/10—Separating or sorting of material, associated with crushing or disintegrating with separator arranged in discharge path of crushing or disintegrating zone
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Food Science & Technology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Silicon Compounds (AREA)
Abstract
本申请提供了一种硅棒的料性识别和区分方法、控制装置及控制系统,方法包括:对硅棒的进行视觉识别,确定所述硅棒上不同料性之间的料性区分边界;控制机械破断机构根据所述料性区分边界对所述硅棒进行破断处理,得到不同料性对应的硅棒段;对不同料性的所述硅棒段分别进行破碎和筛选,得到与所述料性对应的硅料。本申请通过视觉识别对硅棒进行料性识别,并通过机械破断机构对根据料性识别得到的料性区分边界进行破断,得到不同料性对应的硅棒段,实现了硅棒的料性区分或分类,进一步的通过对不同料性的所述硅棒段分别进行破碎和筛选,即可得到需要的硅料,大大的减少了人员数量、降低了劳动强度和安全风险,且避免了对多晶硅造成二次污染的情况。
Description
技术领域
本申请涉及硅料生产技术领域,特别涉及一种硅棒的料性识别和区分方法、控制装置及控制系统。
背景技术
多晶硅是成产单晶硅的直接原料,是当代人工智能、自动控制、信息处理、光电转换等半导体器件的电子信息基础材料。硅料种类有许多,例如,依据硅料的结构及表面致密程度将硅料的料性分为致密料、菜花料及珊瑚料等。不同料性的硅料在实际应用上的用途也不尽相同,例如致密料主要用于拉制单晶硅,菜花料和珊瑚料则主要用于制作多晶硅片,为保证生产时采用对应的硅料,需要对成块状或棒状的大体积硅料进行料性识别、破碎和分类。但当前对多晶硅进行料性识别和破碎时,多为人工识别料性,人工破断,人工投料,使得在此工序占用人员多,劳动强度大,安全风险高,且易对多晶硅造成二次污染。
发明内容
本申请实施例要达到的技术目的是提供一种硅棒的料性识别和区分方法、控制装置及控制系统,用以解决当前通过人工进行料性识别和破断等存在的人员多、强度大、安全风险高,且易对多晶硅造成二次污染的问题。
为解决上述技术问题,本申请实施例提供了一种硅棒的料性识别和区分方法,包括:
对硅棒的进行视觉识别,确定所述硅棒上不同料性之间的料性区分边界;
控制机械破断机构根据所述料性区分边界对所述硅棒进行破断处理,得到不同料性对应的硅棒段;
对不同料性的所述硅棒段分别进行破碎和筛选,得到与所述料性对应的硅料。
具体地,如上所述的方法,所述对硅棒的进行视觉识别,确定所述硅棒上不同料性之间的料性区分边界,包括:
获取检测装置检测所述硅棒的表面形貌时得到的待识别形貌信息;
根据预设的深度学习模型提取所述待识别形貌信息的目标形貌特征向量;基于所述目标形貌特征向量以及预设数量的形貌信息样本对应的参考形貌特征向量,对所述待识别形貌信息进行识别,得到所述料性区分边界。
进一步的,如上所述的方法,所述根据预设的深度学习模型提取所述待识别形貌信息的目标形貌特征向量,包括:
根据所述待识别形貌信息构建尺度空间;
基于所述尺度空间提取所述待识别形貌信息中的特征点,以及所述特征点的位置和尺度信息;
对所述特征点进行方向赋值,得到所述目标形貌特征向量。
具体地,如上所述的方法,所述基于所述目标形貌特征向量以及预设数量的形貌信息样本对应的参考形貌特征向量,对所述待识别形貌信息进行识别,得到所述料性区分边界,包括:
根据所述目标形貌特征向量和所述参考形貌特征向量,确定所述目标形貌信息与每一个所述形貌样本信息的相似度值;
根据所述相似度值对所述待识别形貌信息进行识别,对所述硅棒不同区域的料性进行划分,并确定不同料性之间的接触面即为所述料性区分边界。
具体地,如上所述的方法,所述对不同料性的所述硅棒段分别进行破碎和筛选,得到与所述料性对应的硅料,包括:
控制夹取装置将不同料性的硅棒段,放置到与所述料性对应的传输装置上,并通过所述传输装置传输至对应的破碎机中进行破碎,得到粗选硅料;
对所述粗选硅料进行过筛和吹尘处理,得到所述硅料。
本申请的另一实施例还提供了一种控制装置,包括:
料性识别模块,用于对硅棒的进行视觉识别,确定所述硅棒上不同料性之间的料性区分边界;
第一处理模块,用于控制机械破断机构根据所述料性区分边界对所述硅棒进行破断处理,得到不同料性对应的硅棒段;
第二处理模块,用于对不同料性的所述硅棒段分别进行破碎和筛选,得到与所述料性对应的硅料。
本申请的再一实施例还提供了一种硅棒的料性识别和区分的控制系统,包括:
硅棒输送线,用于输送所述硅棒;
检测装置,设置于所述硅棒输送线的至少一侧,用于对硅棒的进行视觉识别;
机械破断机构,设置于所述硅棒输送线上,用于对所述硅棒进行破断处理;
破碎及筛选机构,用于对不同料性的所述硅棒段分别进行破碎;
如上所述的控制装置,与所述检测装置、所述机械破断机构以及所述破碎及筛选机构连接,用于获取所述检测装置检测所述硅棒的表面形貌时得到的待识别形貌信息,对硅棒的进行视觉识别,确定所述硅棒上不同料性之间的料性区分边界;控制机械破断机构根据所述料性区分边界对所述硅棒进行破断处理,得到不同料性对应的硅棒段;控制所述破碎及筛选机构对不同料性的所述硅棒段分别进行破碎和筛选,得到与所述料性对应的硅料。
具体地,如上所述的控制系统,所述破碎及筛选机构包括:至少一个夹取装置,至少一个传输装置、至少一个破碎机以及至少一个筛选装置;
其中,每一个所述传输装置分别对应一个所述破碎机和一个所述筛选装置;
所述夹取装置用于夹取所述机械破断机构破断后的所述硅棒段,并将其放置在于所述硅棒段料性相同的所述传输装置上;
所述传输装置用于将所述硅棒段传输至对应的所述破碎机中;
所述筛选装置用于对所述破碎机破碎后的粗选硅料进行过筛和吹尘处理,得到所述硅料。
本申请的另一实施例还提供了一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的硅棒的料性识别和区分方法的步骤。
本申请的又一实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的硅棒的料性识别和区分方法的步骤。
与现有技术相比,本申请实施例提供的一种硅棒的料性识别和区分方法、控制装置及控制系统,至少具有以下有益效果:
本申请通过视觉识别对硅棒进行料性识别,并通过机械破断机构对根据料性识别得到的料性区分边界进行破断,得到不同料性对应的硅棒段,实现硅棒的料性区分或分类,可进一步的通过对不同料性的所述硅棒段分别进行破碎和筛选,即可得到需要的硅料,从而便于进行存储和使用。通过使用控制装置可实现上述处理步骤自动执行,大大的减少了人员数量、降低了劳动强度和安全风险,且避免了人体汗液、长时间暴露等可能对多晶硅造成二次污染的情况。
附图说明
图1为本申请的硅棒的料性识别和区分方法的流程示意图之一;
图2为本申请的硅棒的料性识别和区分方法的流程示意图之二;
图3为本申请的硅棒的料性识别和区分方法的流程示意图之三;
图4为本申请的硅棒的料性识别和区分方法的流程示意图之四;
图5为本申请的控制装置的结构示意图;
图6为本申请的控制系统的结构示意图。
具体实施方式
为使本申请要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本申请的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
参见图1,本申请的一实施例提供了一种硅棒的料性识别和区分方法,包括:
步骤S101,对硅棒的进行视觉识别,确定所述硅棒上不同料性之间的料性区分边界;
步骤S102,控制机械破断机构根据所述料性区分边界对所述硅棒进行破断处理,得到不同料性对应的硅棒段;
步骤S103,对不同料性的所述硅棒段分别进行破碎和筛选,得到与所述料性对应的硅料。
在本申请的一实施例中,在对硅棒进行料性识别和区分时,首先,通过计算机视觉技术对硅棒进行视觉识别,通过硅棒的表面形貌确定硅棒各个区域的料性,例如依据硅料的结构及表面致密程度将硅料的料性分为致密料、菜花料及珊瑚料等,并确定不同料性之间的料性区分边界,为后续对硅棒进行破断提供导向作用;进而,当硅棒被输送到机械破断机构处时,可根据所述料性区分边界控制机械破断机构对硅棒进行破断处理,使得不同料性的硅棒段之间分开,提高硅棒段的纯净度,从而可以避免在后续的破碎、筛选后再次进行分类,提高最终硅料分类的效率。可选的,该机械破断机构包括但不限于机械锤。在得到不同料性的硅棒段后,通过对不同料性的所述硅棒段分别进行破碎和筛选即可得到与料性对应的硅料,从而达到根据硅棒的料性进行分类的效果,提高硅料分类的效率,并保证硅料的纯净度。
综上所述,本实施例中通过视觉识别对硅棒进行料性识别,并通过机械破断机构对根据料性识别得到的料性区分边界进行破断,得到不同料性对应的硅棒段,实现硅棒的料性区分或分类,可进一步的通过对不同料性的所述硅棒段分别进行破碎和筛选,即可得到需要的硅料,从而便于进行存储和使用。通过使用控制装置可实现上述处理步骤自动执行,大大的减少了人员数量、降低了劳动强度和安全风险,且避免了人体汗液、长时间暴露等可能对多晶硅造成二次污染的情况。
需要说明的是,在确定料性区分边界后会对该料性区分边界通过位置信息(相对于硅棒输送线或相对于硅棒首端的位置)、距离信息(相对于上一个料性区分边界或相对于硅棒首端的距离)等多种形式中的至少一种进行标记,以便能够正确的引导机械破断机构对硅棒进行破断。
参见图2,具体地,如上所述的方法,所述对硅棒的进行视觉识别,确定所述硅棒上不同料性之间的料性区分边界,包括:
步骤S201,获取检测装置检测所述硅棒的表面形貌时得到的待识别形貌信息;
步骤S202,根据预设的深度学习模型提取所述待识别形貌信息的目标形貌特征向量;基于所述目标形貌特征向量以及预设数量的形貌信息样本对应的参考形貌特征向量,对所述待识别形貌信息进行识别,得到所述料性区分边界。
在本申请的另一实施例中,在对硅棒进行视觉识别时,首先会通过检测装置对硅棒的表面形貌进行检测,并从检测装置中获取对应硅棒表面形貌的待识别形貌信息,以便于后续根据该待识别形貌信息进行料性区分。优选地,检测装置的检测为发射红外线照射于硅棒后接收,并通过内置处理器处理后得到硅棒的表面形貌对应的待识别形貌信息。其中,通过红外线扫描硅棒,更加方便对硅料表面形貌的检测,通过处理器处理数据,将硅棒的表面形貌数据化,详细化。
在得到待识别形貌信息后,会通过人工智能进行识别、筛选,实现对硅棒各部分的鉴别分类,以避免人工分类带来的人员数量和劳动强度,其中,鉴别分类的方式有多种,例如面向数值的统计学习、基于神经元网络的深度学习模型等等,本实施例优选采用基于神经网络的深度学习模型的鉴别分类方式。即根据通过预设的深度学习模型提取用于表征该待识别形貌信息的目标形貌特征向量,并基于所述目标形貌特征向量以及预设数量的形貌信息样本对应的参考形貌特征向量,对所述待识别形貌信息进行识别,得到所述料性区分边界。其中,形貌信息样本对应的参考形貌特征向量可预先提取得到,也可在获取目标形貌特征向量时重新获取。
需要说明的是,在根据预设的深度学习模型提取目标形貌特征向量和对所述待识别形貌信息进行识别之前,会预先获取该预设深度学习模型,获取的步骤包括:创建一个深度学习模型,并基于预设数量的硅棒的形貌信息样本对深度学习模型进行训练,以确定深度学习模型中各节点之间的连接的最佳权重参数,并使其准确度将会逐渐提高。例如,准备预设数量的不同的硅棒的形貌信息样本,首先由人为检测分类,将该预设数量的形貌信息样本根据表面平整度和裂纹深度分进行料性划分,然后将该预设数量的不同的硅棒的形貌信息样本作为训练样本,利用该深度学习模型对该预设数量的不同的硅料的形貌信息样本进行训练,并根据深度学习模型的料性区分边界,对深度学习模型不断的进行调试,提高其料性划分的准确度。训练完毕的深度学习模型即为该预设深度学习模型,可用于对未识别的硅棒进行料性划分,并确定料性区分边界,需要说明的是,料性区分边界可携带有边界两侧各硅棒段的料性参数。
可选的,本申请中的深度学习模型包括但不限于基于卷积神经网的深度学习模型、基于递归神经网络的深度学习模型等。
优选地,目标形貌特征向量包括表面平整度和裂纹深度,便于数据化分析硅料的形貌特征,使料性划分更为准确。
参见图3,进一步的,如上所述的方法,所述根据预设的深度学习模型提取所述待识别形貌信息的目标形貌特征向量,包括:
步骤S301,根据所述待识别形貌信息构建尺度空间;其中,通过构建尺度空间可在不同尺度上通过不同的特征来确定侧重不同的特征点,例如:大尺度侧重概貌特征,小尺度侧重细节特征,有利于保证后续得到的多个特征点的全面性,进而有利于保证识别结果的准确性。优选地,构建的尺度空间为高斯金子塔(Gaussian Pyramid),通过高斯金子塔有利于保证尺度大小不变。
步骤S302,基于所述尺度空间提取所述待识别形貌信息中的特征点,以及所述特征点的位置和尺度信息;在一具体实施例中,提取特征点,具体为将一个像素点与同尺度空间中不同层(σ值)的相邻点进行比较,若该像素点的在预设距离的空间内拉普拉斯运算后的值为极大值或极小值,则确定该像素点为一个特征点,找到所有特征点后,可用角点来进行识别,最后对离散的点用随机抽样一致性(Random Sample Consensus,简称RANSAC)做曲线拟合,即可得到精确的特征点的位置和尺度信息。
步骤S303,对所述特征点进行方向赋值,得到所述目标形貌特征向量。在一具体实施例中,在提取到特征点后需要对其进行方向赋值,以便得到目标形貌特征向量,其中,在对特征点进行方向赋值时,优先采用梯度方向直方图,在计算直方图时,优先地对每个加入直方图的采样点都使用圆形高斯函数进行加权处理,也就是进行高斯平滑。这主要是因为尺度不变特征转换(Scale-invariant feature transform,简称SIFT)算法只考虑了尺度和旋转不变形,没有考虑仿射不变性。通过高斯平滑,可以使特征点附近的梯度幅值有较大权重,从而部分弥补没考虑仿射不变形产生的特征点不稳定。需要说明的是,一个特征点可能具有多个特征方向,这有利于增强图像匹配的鲁棒性。需要说明的是特征点描述子(interest point descriptor)不但包括特征点,还包括特征点周围对其有贡献的像素点。这样可使特征点有更多的不变特性,提高目标匹配效率。在描述子采样区域,需要考虑旋转后进行双线性插值,防止因旋转图像出现白点。同时,为了保证旋转不变性,要以特征点为中心,在附近领域内旋转θ角,然后计算采样区域的梯度直方图,形成n维SIFT特征向量(如128-SIFT)。为了去除光照变化的影响,还需要对特征向量进行归一化处理,得到目标形貌特征向量,以便于实现机器视觉分辨料性。
参见图4,具体地,如上所述的方法,所述基于所述目标形貌特征向量以及预设数量的形貌信息样本对应的参考形貌特征向量,对所述待识别形貌信息进行识别,得到所述料性区分边界,包括:
步骤S401,根据所述目标形貌特征向量和所述参考形貌特征向量,确定所述目标形貌信息与每一个所述形貌样本信息的相似度值;
步骤S402,根据所述相似度值对所述待识别形貌信息进行识别,对所述硅棒不同区域的料性进行划分,并确定不同料性之间的接触面即为所述料性区分边界。
在本申请的一具体实施例中,在对所述待识别形貌信息进行识别时,会先计算待识别形貌信息对应的目标形貌特征向量与预设数量的形貌信息样本对应的参考形貌特征向量的相似度值,其中相似度值越高表示越接近该形貌信息样本,从而根据该相似度值即可确定硅棒不同区域的料性,进而可确定不同料性之间的接触面即为料性区分边界。
在一具体实施例中,所述目标形貌特征向量为每一个所述特征点处的特征向量的集合。此时获取的相似度值为每一特征点与参考形貌特征向量的相似度值的集合。通过对确定每一特征点对应的料性即可确定整个硅棒上的料性划分情况。
具体地,如上所述的方法,所述对不同料性的所述硅棒段分别进行破碎和筛选,得到与所述料性对应的硅料,包括:
控制夹取装置将不同料性的硅棒段,放置到与所述料性对应的传输装置上,并通过所述传输装置传输至对应的破碎机中进行破碎,得到粗选硅料;
对所述粗选硅料进行过筛和吹尘处理,得到所述硅料。
在本申请的另一实施例中,在对不同料性的硅棒端分别进行破碎和筛选时,通过控制夹取装置将不同料性的硅棒段放置到对应的传输装置上,通过该传输装置可将不同料性的硅棒段输送至与料性对应的破碎机中进行破碎,完成了对不同料性硅棒段的分类,同时,根据料性采用专用的破碎机对对应的硅棒段进行破碎,避免了出现因破碎机与硅硅棒料性不匹配导致破碎不完全或过碎等情况,有利于保证破碎效果、生产效率和生产质量。在一具体实施例中夹取装置优选为机械手。
在通过破碎机对硅棒段进行破碎得到粗选硅料时,会产生一些细小颗粒和粉尘,其为不合格的硅料,需要进行去除。其中,对破碎后的粗选硅料进行过筛,可以去除粗选硅料中的细小颗粒,并且,在过筛的过程中,使用风机对其进行吹尘处理,可以将硅棒段破碎后的粉尘去除,避免不合格的硅料影响硅料产品的品质。
参见图5,本申请的另一实施例还提供了一种控制装置,包括:
料性识别模块501,用于对硅棒的进行视觉识别,确定所述硅棒上不同料性之间的料性区分边界;
第一处理模块502,用于控制机械破断机构根据所述料性区分边界对所述硅棒进行破断处理,得到不同料性对应的硅棒段;
第二处理模块503,用于对不同料性的所述硅棒段分别进行破碎和筛选,得到与所述料性对应的硅料。
具体地,如上所述的控制装置,所述料性识别模块,包括:
获取子模块,用于获取检测装置检测所述硅棒的表面形貌时得到的待识别形貌信息;
第一处理子模块,用于根据预设的深度学习模型提取所述待识别形貌信息的目标形貌特征向量;基于所述目标形貌特征向量以及预设数量的形貌信息样本对应的参考形貌特征向量,对所述待识别形貌信息进行识别,得到所述料性区分边界。
进一步的,如上所述的控制装置,所述第一处理子模块,包括:
第一处理单元,用于根据所述待识别形貌信息构建尺度空间;
第二处理单元,用于基于所述尺度空间提取所述待识别形貌信息中的特征点,以及所述特征点的位置和尺度信息;
第三处理单元,用于对所述特征点进行方向赋值,得到所述目标形貌特征向量。
具体地,如上所述的方法,所述第一处理子模块,还包括:
第四处理单元,用于根据所述目标形貌特征向量和所述参考形貌特征向量,确定所述目标形貌信息与每一个所述形貌样本信息的相似度值;
第五处理单元,用于根据所述相似度值对所述待识别形貌信息进行识别,对所述硅棒不同区域的料性进行划分,并确定不同料性之间的接触面即为所述料性区分边界。
具体地,如上所述的方法,所述第二处理模块,包括:
第二处理子模块,用于控制夹取装置将不同料性的硅棒段,放置到与所述料性对应的传输装置上,并通过所述传输装置传输至对应的破碎机中进行破碎,得到粗选硅料;
第三处理子模块,用于对所述粗选硅料进行过筛和吹尘处理,得到所述硅料。
本申请的控制装置实施例是与上述一种硅棒的料性识别和区分方法的实施例对应的装置,上述方法实施例中的所有实现手段均适用于该装置的实施例中,也能达到相同的技术效果。
参见图6,本申请的再一实施例还提供了一种硅棒的料性识别和区分的控制系统,包括:
硅棒输送线601,用于输送所述硅棒;
检测装置602,设置于所述硅棒输送线601的至少一侧,用于对硅棒的进行视觉识别;
机械破断机构603,设置于所述硅棒输送线601上,用于对所述硅棒进行破断处理;
破碎及筛选机构604,用于对不同料性的所述硅棒段分别进行破碎;
如上所述的控制装置605,与所述检测装置602、所述机械破断机构603以及所述破碎及筛选机构604连接,用于获取所述检测装置602检测所述硅棒的表面形貌时得到的待识别形貌信息,对硅棒的进行视觉识别,确定所述硅棒上不同料性之间的料性区分边界;控制机械破断机构603根据所述料性区分边界对所述硅棒进行破断处理,得到不同料性对应的硅棒段;控制所述破碎及筛选机构604对不同料性的所述硅棒段分别进行破碎和筛选,得到与所述料性对应的硅料。
在本申请的一实施例中还提供了一种包括上述控制装置605的控制系统,且还包括:硅棒输送线601、检测装置602、机械破断机构603、破碎及筛选机构604。其中,硅棒输送线601用于输送硅棒,检测装置602、机械破断机构603依次沿硅棒输送线601的输送方向设置,使得硅棒在输送时,先经过检测装置602进行检测,在经过机械破断机构603,其中,控制装置605在获取到检测装置602得到的待识别形貌信息后,会对硅棒的进行视觉识别,确定所述硅棒上不同料性之间的料性区分边界,进而,当硅棒到达机械破断机构603处时,控制机械破断机构603根据所述料性区分边界对所述硅棒进行破断处理,得到不同料性对应的硅棒段。破碎及筛选机构604设置于机械破断机构603的后方,用于对破断后的硅棒段进行进一步的破碎和筛选,用于得到满足要求的硅料,其中在破碎和筛选时,对不同料性的所述硅棒段分别进行破碎,以满足料性分类需求,保证硅料的纯净度,避免多种料性的硅料混合对后续生产或其他商业行为带来影响。
需要说明的是,料性区分边界可携带有边界两侧各硅棒段的料性参数。
优选地,检测装置602的检测为发射红外线照射于硅棒后接收,并通过内置处理器处理后得到硅棒的表面形貌对应的待识别形貌信息。其中,通过红外线扫描硅棒,更加方便对硅料表面形貌的检测,通过处理器处理数据,将硅棒的表面形貌数据化,详细化。
具体地,如上所述的控制系统,所述破碎及筛选机构604包括:至少一个夹取装置6041,至少一个传输装置6042、至少一个破碎机6043以及至少一个筛选装置6044;
其中,每一个所述传输装置6042分别对应一个所述破碎机6043和一个所述筛选装置6044;
所述夹取装置6041用于夹取所述机械破断机构603破断后的所述硅棒段,并将其放置在于所述硅棒段料性相同的所述传输装置6042上;
所述传输装置6042用于将所述硅棒段传输至对应的所述破碎机6043中;
所述筛选装置6044用于对所述破碎机6043破碎后的粗选硅料进行过筛和吹尘处理,得到所述硅料。
在本申请的一具体实施例中,上述的破碎及筛选机构604包括:至少一个夹取装置6041,至少一个传输装置6042、至少一个破碎机6043以及至少一个筛选装置6044,其中,传输装置6042、破碎机6043和筛选装置6044的数量对应设置,即一个传输装置6042传输方向的前方分别设置有一个破碎机6043和一个筛选装置6044,其中,至少一个夹取装置6041用于夹取硅棒输送线601上的硅棒段,并根据硅棒段的料性将其放置到对应的传输装置6042上,由传输装置6042传输至对应的破碎机6043进行破碎,并通过筛选装置6044对破碎后的粗选硅料进行过筛和吹尘处理,得到满足需求的纯净硅料。
本申请的另一实施例还提供了一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的硅棒的料性识别和区分方法的步骤。
本申请的又一实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的硅棒的料性识别和区分方法的步骤。
此外,本申请可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。
还需要说明的是,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。
以上所述是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种硅棒的料性识别和区分方法,其特征在于,包括:
对硅棒的进行视觉识别,确定所述硅棒上不同料性之间的料性区分边界;
控制机械破断机构根据所述料性区分边界对所述硅棒进行破断处理,得到不同料性对应的硅棒段;
对不同料性的所述硅棒段分别进行破碎和筛选,得到与所述料性对应的硅料。
2.根据权利要求1所述的方法,其特征在于,所述对硅棒的进行视觉识别,确定所述硅棒上不同料性之间的料性区分边界,包括:
获取检测装置检测所述硅棒的表面形貌时得到的待识别形貌信息;
根据预设的深度学习模型提取所述待识别形貌信息的目标形貌特征向量;基于所述目标形貌特征向量以及预设数量的形貌信息样本对应的参考形貌特征向量,对所述待识别形貌信息进行识别,得到所述料性区分边界。
3.根据权利要求2所述的方法,其特征在于,所述根据预设的深度学习模型提取所述待识别形貌信息的目标形貌特征向量,包括:
根据所述待识别形貌信息构建尺度空间;
基于所述尺度空间提取所述待识别形貌信息中的特征点,以及所述特征点的位置和尺度信息;
对所述特征点进行方向赋值,得到所述目标形貌特征向量。
4.根据权利要求2所述的方法,其特征在于,所述基于所述目标形貌特征向量以及预设数量的形貌信息样本对应的参考形貌特征向量,对所述待识别形貌信息进行识别,得到所述料性区分边界,包括:
根据所述目标形貌特征向量和所述参考形貌特征向量,确定所述目标形貌信息与每一个所述形貌样本信息的相似度值;
根据所述相似度值对所述待识别形貌信息进行识别,对所述硅棒不同区域的料性进行划分,并确定不同料性之间的接触面即为所述料性区分边界。
5.根据权利要求1所述的方法,其特征在于,所述对不同料性的所述硅棒段分别进行破碎和筛选,得到与所述料性对应的硅料,包括:
控制夹取装置将不同料性的硅棒段,放置到与所述料性对应的传输装置上,并通过所述传输装置传输至对应的破碎机中进行破碎,得到粗选硅料;
对所述粗选硅料进行过筛和吹尘处理,得到所述硅料。
6.一种控制装置,其特征在于,包括:
料性识别模块,用于对硅棒的进行视觉识别,确定所述硅棒上不同料性之间的料性区分边界;
第一处理模块,用于控制机械破断机构根据所述料性区分边界对所述硅棒进行破断处理,得到不同料性对应的硅棒段;
第二处理模块,用于对不同料性的所述硅棒段分别进行破碎和筛选,得到与所述料性对应的硅料。
7.一种硅棒的料性识别和区分的控制系统,其特征在于,包括:
硅棒输送线,用于输送所述硅棒;
检测装置,设置于所述硅棒输送线的至少一侧,用于对硅棒的进行视觉识别;
机械破断机构,设置于所述硅棒输送线上,用于对所述硅棒进行破断处理;
破碎及筛选机构,用于对不同料性的所述硅棒段分别进行破碎;
如权利要求6所述的控制装置,与所述检测装置、所述机械破断机构以及所述破碎及筛选机构连接,用于获取所述检测装置检测所述硅棒的表面形貌时得到的待识别形貌信息,对硅棒的进行视觉识别,确定所述硅棒上不同料性之间的料性区分边界;控制机械破断机构根据所述料性区分边界对所述硅棒进行破断处理,得到不同料性对应的硅棒段;控制所述破碎及筛选机构对不同料性的所述硅棒段分别进行破碎和筛选,得到与所述料性对应的硅料。
8.根据权利要求7所述的控制系统,其特征在于,所述破碎及筛选机构包括:至少一个夹取装置,至少一个传输装置、至少一个破碎机以及至少一个筛选装置;
其中,每一个所述传输装置分别对应一个所述破碎机和一个所述筛选装置;
所述夹取装置用于夹取所述机械破断机构破断后的所述硅棒段,并将其放置在于所述硅棒段料性相同的所述传输装置上;
所述传输装置用于将所述硅棒段传输至对应的所述破碎机中;
所述筛选装置用于对所述破碎机破碎后的粗选硅料进行过筛和吹尘处理,得到所述硅料。
9.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的硅棒的料性识别和区分方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的硅棒的料性识别和区分方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211292898.5A CN115591643A (zh) | 2022-10-21 | 2022-10-21 | 一种硅棒的料性识别和区分方法、控制装置及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211292898.5A CN115591643A (zh) | 2022-10-21 | 2022-10-21 | 一种硅棒的料性识别和区分方法、控制装置及控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115591643A true CN115591643A (zh) | 2023-01-13 |
Family
ID=84848963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211292898.5A Pending CN115591643A (zh) | 2022-10-21 | 2022-10-21 | 一种硅棒的料性识别和区分方法、控制装置及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115591643A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117824889A (zh) * | 2024-03-04 | 2024-04-05 | 杭州中为光电技术有限公司 | 硅棒内力检测系统、检测方法及截断方法 |
-
2022
- 2022-10-21 CN CN202211292898.5A patent/CN115591643A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117824889A (zh) * | 2024-03-04 | 2024-04-05 | 杭州中为光电技术有限公司 | 硅棒内力检测系统、检测方法及截断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI651662B (zh) | 影像標註方法、電子裝置及非暫態電腦可讀取儲存媒體 | |
CN108971190B (zh) | 一种基于机器视觉的生活垃圾分拣方法 | |
CN106548182B (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
US9483707B2 (en) | Method and device for recognizing a known object in a field of view of a three-dimensional machine vision system | |
Hong et al. | Comparative study on vision based rice seed varieties identification | |
CN109308489B (zh) | 一种元件电弧焊焊接质量检测方法 | |
CN109389105B (zh) | 一种基于多任务的虹膜检测和视角分类方法 | |
CN113643280B (zh) | 一种基于计算机视觉的板材分拣系统及方法 | |
CN1977286A (zh) | 对象识别方法及其设备 | |
JP2007235951A (ja) | 車両画像認識装置およびその方法 | |
CN102831244B (zh) | 一种房产文档图像的分类检索方法 | |
CN109190456B (zh) | 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法 | |
CN111008961A (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN104850854A (zh) | 一种滑石矿品分选处理方法及滑石矿品分选系统 | |
CN115591643A (zh) | 一种硅棒的料性识别和区分方法、控制装置及控制系统 | |
US20210390282A1 (en) | Training data increment method, electronic apparatus and computer-readable medium | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN111583193A (zh) | 基于几何轮廓模板匹配的开心果骨架提取装置及其算法 | |
CN111915509A (zh) | 基于图像处理去阴影优化的保护压板状态辨识方法 | |
Yani et al. | Identification and plastic type and classification of PET, HDPE, and PP using RGB method | |
Ouzounis et al. | Interpretable deep learning for marble tiles sorting. | |
CN105057899B (zh) | 一种应用于智能激光切割的扫描图像识别方法 | |
CN116703895B (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 | |
JP3431883B2 (ja) | 細胞系譜抽出方法 | |
Khona’ah et al. | Identification and clasification of plastic color images based on the rgb method |
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 |