CN116547704A - 太阳能电池片的图像分类方法及装置 - Google Patents

太阳能电池片的图像分类方法及装置 Download PDF

Info

Publication number
CN116547704A
CN116547704A CN202180078517.0A CN202180078517A CN116547704A CN 116547704 A CN116547704 A CN 116547704A CN 202180078517 A CN202180078517 A CN 202180078517A CN 116547704 A CN116547704 A CN 116547704A
Authority
CN
China
Prior art keywords
image
solar cell
type
detected
classification
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
Application number
CN202180078517.0A
Other languages
English (en)
Inventor
申暻燮
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.)
Hanhua Thinksin Co ltd
Original Assignee
Hanhua Thinksin 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 Hanhua Thinksin Co ltd filed Critical Hanhua Thinksin Co ltd
Publication of CN116547704A publication Critical patent/CN116547704A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06N20/00—Machine learning
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • 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
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06N3/09—Supervised 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
    • G06T2207/20081—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20088—Trinocular vision calculations; trifocal tensor
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Photovoltaic Devices (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Hybrid Cells (AREA)

Abstract

本发明涉及一种太阳能电池片的图像分类方法及装置。根据本发明的一个实施例的方法是由电子设备执行并基于待检测太阳能电池片的EL图像(electroluminescence image)来分类待检测太阳能电池片是否有缺陷的方法，该方法包括：一次分类步骤，根据黑点(black spot)在待检测太阳能电池片的EL图像中是否占据预定比率以上来分类该EL图像，在黑点占据预定比率以上时分类为第一类型，在黑点占据的比率小于预定比率时分类为第二类型；以及二次分类步骤，在一次分类时被分类为第一类型的情况下，利用已学习的缺陷分类模型基于待检测太阳能电池片的EL图像来分类待检测太阳能电池片的缺陷类型。

Description

太阳能电池片的图像分类方法及装置
技术领域
本发明涉及一种太阳能电池片的图像分类方法及装置，更具体地，涉及一种基于太阳能电池片的EL图像(electrolum inescence image)快速准确地分类太阳能电池片中存在缺陷与否和缺陷类型的方法及装置。
背景技术
太阳能电池片是用于将入射的太阳光转化为电能后输出的装置。由于这种太阳能电池片以太阳光作为能源，因此不需要燃料供应，从而广泛应用于便携式电子计算器、电子钟、户外钟、广播中继站、通信卫星、广播卫星等供电装置。
以往，为了检测太阳能电池片是否有缺陷，主要使用对太阳能电池片照射光并分析其电流-电压特性的方法(以下称为“现有技术”)。然而，这种现有技术只能检测与太阳能电池片的寿命密切相关的各种缺陷(例如，外部裂纹、内部裂纹、亮度退化、电极缺陷、短路、结击穿或热点等)中的一部分。也就是说，现有技术的问题在于，无法检测到在工艺过程中发生的诸如内部裂纹等的缺陷，这些缺陷从外观上无法觉察。
此外，由于现有技术用于检测一个太阳能电池片所耗费的时间相当长，因此存在难以将其应用于批量生产的多数太阳能电池片的问题。即，所有光伏电池都有自己独特的EL图像，如果说每天需要为200万张以上的各个独特的EL图像进行分析，现有技术就难以应对其。
发明内容
技术问题
为了解决上述现有技术的问题，本发明旨在提供一种基于太阳能电池片的EL图像(electroluminescence image)快速准确地分类该太阳能电池片中存在缺陷与否和缺陷类型的方法及装置。
然而，本发明所要解决的问题并不限于上述问题，本领域技术人员从以下描述中可以清楚地理解其他未提及的问题。
技术解决方法
用于解决上述问题的根据本发明的一个实施例的方法是由电子设备执行并基于待检测太阳能电池片的EL图像(elec troluminescence image)来分类待检测太阳能电池片是否有缺陷的方法，所述方法包括：一次分类步骤，根据黑点(bla ck spot)在待检测太阳能电池片的EL图像中是否占据预定比率以上来分类所述EL图像，在黑点占据预定比率以上时分类为第一类型，并且在黑点占据的比率小于预定比率时分类为第二类型；以及二次分类步骤，在一次分类时被分类为第一类型的情况下，利用已学习的缺陷分类模型基于待检测太阳能电池片的EL图像分类待检测太阳能电池片的缺陷类型。
所述缺陷分类模型可以是利用学习数据根据机器学习(machine learning)方法进行学习的模型，所述学习数据分别包括关于学习用EL图像的输入数据和关于学习用EL图像的太阳能电池片的缺陷类型的结果数据。
所述一次分类步骤可包括根据机器学习方法利用已学习的图像生成模型来分类待检测太阳能电池片的EL图像，以便从学习用EL图像中生成包含在所述EL图像的关于黑点的图像(黑点图像)的步骤。
所述图像生成模型可以是利用学习数据进行学习的模型，所述学习数据分别包括关于学习用EL图像的输入数据和基于对学习用EL图像的图像处理的关于所述黑点图像的结果数据。
所述图像处理可包括对于学习用EL图像的直方图均衡化处理、主栅线(bus-barline)去除处理、基于边缘的透视变换(perspective transform)处理和轮廓提取处理。
所述缺陷分类模型可对在多个不同的制造工艺中由于多种原因而产生的缺陷类型进行分类。
根据本发明的一个实施例的分类装置包括：存储器，存储待检测太阳能电池片的EL图像；以及控制单元，通过处理已存储的待检测太阳能电池片的EL图像来控制分析待检测太阳能电池片是否有缺陷，其中，所述控制单元执行一次分类和二次分类，在一次分类时，根据黑点(black spot)在待检测太阳能电池片的EL图像中是否占据预定比率以上来分类所述EL图像，在黑点占据预定比率以上时分类为第一类型，在黑点占据的比率小于预定比率时分类为第二类型；并且，在二次分类时，在一次分类时被分类为第一类型的情况下，利用已学习的缺陷分类模型基于待检测太阳能电池片的EL图像来分类待检测太阳能电池片的缺陷类型。
根据本发明的另一个实施例的分类装置包括：通信单元，存储待检测太阳能电池片的EL图像；以及控制单元，通过处理已接收的待检测太阳能电池片的EL图像来控制分析待检测太阳能电池片是否有缺陷，其中，所述控制单元执行一次分类和二次分类，在一次分类时，根据黑点(black spot)在待检测太阳能电池片的EL图像中是否占据预定比率以上来分类所述EL图像，在黑点占据预定比率以上时分类为第一类型，在黑点占据的比率小于预定比率时分类为第二类型，并且，在二次分类时，在一次分类时被分类为第一类型的情况下，利用已学习的缺陷分类模型基于待检测太阳能电池片的EL图像来分类待检测太阳能电池片的缺陷类型。
所述缺陷分类模型可以是利用学习数据根据机器学习(machine learning)方法进行学习的模型，所述学习数据分别包括关于学习用EL图像的输入数据和关于学习用EL图像的太阳能电池片的缺陷类型的结果数据。
所述控制单元可控制操作程序的执行，所述操作程序可根据时间、日期、小区识别码或生产线对待检测太阳能电池片的EL图像执行所述分析。
发明的效果
具有上述配置的本发明的优点在于，能够基于太阳能电池片的EL图像快速且准确地分类该太阳能电池片中存在缺陷与否及缺陷类型。
此外，本发明的优点在于，可应用于每天对数百万张以上的EL图像的全检，从而可以最大限度地减少人为失误(Human error)。
本发明可获得的效果不限于上述效果，本领域技术人员从以下描述中可以清楚地理解其他未提及的效果。
附图说明
图1示出了根据本发明的一个实施例的太阳能电池分析系统10的结构框图。
图2示出了太阳能电池片400的一个示例。
图3示出了根据本发明的一个实施例的分类装置300的结构框图。
图4示出了根据本发明的一个实施例的分类装置300中的控制单元350的结构框图。
图5示出了根据本发明的一个实施例的图像分类方法的流程图。
图6示出了根据本发明的一个实施例的操作程序的一个示例。
图7示出了在对EL图像进行图像处理以对EL图像进行一次分类的过程中的各个图像。
图8示出了EL图像和为该EL图像的一次分类而导出的黑点图像的各种示例。
图9示出了缺陷分类模型的一个示例。
图10示出了EL图像的黑点类型的各种示例。
图11示出了使用实际实施的缺陷分类模型的分类结果的各种示例。
具体实施方式
通过与随附的附图相关的以下具体描述，本发明的上述目的、技术方案和发明效果将变得更加清楚，据此，本发明所属技术领域的常规技术人员能够容易地实施本发明的技术思想。并且，在描述本发明时，当判断与本发明相关的已知技术的详细描述可能不必要地造成本发明的主旨不清楚时，将省略其详细描述。
本说明书中使用的术语用于描述实施例，并不旨在限制本发明。在本说明书中，除非另外明确指出，否则单数形式包括复数形式。在本说明书中，诸如“包括”、“具备”、“准备”或“具有”之类的术语不排除存在或添加一种或多种不同于所提到的组件的其他组件。
在本说明书中，诸如“或”、“至少一个”之类的术语可以表示一起列出的对象之一，或者两个或更多个的组合。例如，“A或B”和“A和B中的至少一个”可以仅包括A或B中的一个，或者可以包括A和B两者。
在本说明书中，“例如”等后面的描述可能与所引用的特性、变量或值之类的所提供的信息不完全匹配，因此根据本发明的各种实施例的发明的实施方式不应限于与包括公差、测量误差、测量精度的极限和因素在内的众所周知的其他因素在内的变形相同的效果。
应当理解的是，在本说明书中，当一个组件被描述为与另一个组件“连接”或“接通”时，可能是直接连接或直接接通到另一个组件，但中间可能还有其他组件。反之，应当理解的是，当一个组件被描述为与另一个组件“直接连接”或“直接接通”时，中间不存在其他组件。
应当理解的是，在本说明书中，当一个组件被描述为在另一个组件“上”或与另一个组件“接触”时，可能在另一个组件上与其直接接触或连接，但中间可能存在另一个组件。反之，应当理解的是，当一个组件被描述为“直接在”或“直接接触”另一个组件时，中间不存在其他组件。可以按照相同的方式解释描述组件之间关系的其他表达方式，例如“与...之间”和“直接在...之间”等。
在本说明书中，可以使用诸如“第一”和“第二”的术语来描述各种原件，但是这些组件不应被上述术语所限制。此外，上述术语可用于将一个组件与另一个组件区分开，而不应被解释为用于限制各个组件的顺序。例如，“第一元素”可以称为“第二元素”，类似地，“第二元素”也可以称为“第一元素”。
除非另有定义，否则本说明书中使用的所有术语可以按照本发明所属领域的普通技术人员通常理解的含义使用。此外，除非明确定义，否则常用词典中定义的术语不会被理想地或过度地解释。
在下文中，将参照附图详细描述根据本发明的优选实施例。
图1示出了根据本发明的一个实施例的太阳能电池分析系统10的结构框图，图2示出了太阳能电池片400的一个示例。
根据本发明的一个实施例的太阳能电池分析系统10是用于分析和管理通过各种工艺制造的太阳能电池片是否有缺陷以及其缺陷类型的系统。如图1所示，这种太阳能电池分析系统10可包括图像检测装置100、数据库装置200和分类装置300。此时，图像检测装置100、数据库装置200和分类装置300之间可通过各种有线/无线通信方式来发送/接收数据。
参照图2，太阳能电池片400包括多个细栅(finger-bar)401和主栅(bus-bar)402，细栅401是在其前表面进行了薄的金属化处理的薄带材(thin strips)。这种细栅401和主栅402作为由太阳光(光电效应)产生的电子通过电动势(光伏效应)移动的通道，对应于电极。
细栅401可在太阳能电池片400的前表面彼此间隔地设置有多个。此外，主栅402可设置成在水平方向或竖直方向上穿过太阳能电池片400的前表面。即，主栅402可在与细栅401的延伸方向交叉或正交的方向上延伸且彼此间隔地设置有多个，并且连接形成在太阳能电池片400的前表面的细栅401。此时，多个细栅401连接到主栅402，并且将产生的电流收集并传输到主栅402。主栅402可连续地形成以具有恒定的宽度或不连续地形成。
例如，极细的细栅401可在水平方向上设置，主栅402可在竖直方向上设置。并且，在包括多个太阳能电池片400的太阳能电池模块中，太阳能电池片可通过主栅彼此连接。
图像检测装置100是检测作为检测对象的太阳能电池片的图像的装置。尤其，图像检测装置100可通过电致发光相机(electroluminescence camera)检测太阳能电池片的EL图像(electroluminescence image)。例如，图像检测装置100可通过拍摄从被施加正向电流或反向电压电力的太阳能电池片发射的EL光来生成EL图像。此外，当以太阳能电池模块为单位施加电力时，可检测根据从每个太阳能电池片发射的EL光的EL图像。
数据库装置200存储并管理数据库，所述数据库包含为太阳能电池分析系统10的运行而处理的各种数据。此时，数据库可包括由图像检测装置100检测到的EL图像的数据。也就是说，数据库装置200可从图像检测装置100接收由图像检测装置100检测到的EL图像的数据，并在数据库中存储和管理该数据。此外，数据库可包括由分类装置300分析的EL图像的分类结果数据。即，数据库装置200可从分类装置300接收分类结果数据，并在数据库中存储和管理该数据。
图3示出了根据本发明的一个实施例的分类装置300的结构框图。
分类装置300是基于EL图像数据对待检测的太阳能电池片是否有缺陷进行分类的装置，其可以是具有计算能力(com puting)的电子设备，或者可以是计算网络。此时，EL图像可由检测装置100检测或从其他装置单独接收。
例如，电子设备可以是台式个人计算机(desktop perso nal computer)、膝上型个人计算机(laptop personal com puter)、平板个人计算机(tablet personalcomputer)、上网本计算机(netbook computer)、工作站(workstation)、个人数字助理(PD，personal digital assi stant)、智能手机(smartphone)、智能平板(smartpad)或移动电话(mobi le phone)等，但不限于此。
如图3所示，这种分类装置300可包括输入单元310、通信单元320、显示器330、存储器340和控制单元350。
输入单元310响应于各种用户(例如主管)的输入生成输入数据并且可包括各种输入工具。例如，输入单元310可向控制单元350发送用户为操作程序的执行而进行的各种选择的输入。例如，输入单元310可包括键盘(key board)、小键盘(key pad)、圆顶开关(domeswitch)、触摸面板(tou ch panel)、触摸键(touch key)、触摸板(touch pad)、鼠标(mouse)、菜单按钮(menu button)等，但不限于此。
通信单元320是与其他装置执行通信的组件。通信单元320从图像检测装置100、数据库装置200或其他装置接收EL图像数据。此外，通信单元320可将在控制单元350的控制下执行的EL图像的分类结果的数据发送到数据库装置200或其他装置。例如，通信单元320可执行例如第五代通信(5G，5th generation communication)、高级长期演进(LTE-A，longterm evolution-advanced)、长期演进(LTE，long te rm evolution)、蓝牙、低功耗蓝牙(BLE，bluetooth low energy)、近场通信(NFC，near field communication)、无线局域网(Wi-Fi)通信等无线通信或执行诸如电缆通信等的有线通信，但不限于此。
显示器330在屏幕上显示各种图像数据，并且可由非发射面板或发光面板构成。例如，显示器330可显示EL图像、黑点(blackspot)图像、操作程序的执行屏幕等。例如，显示器330可包括液晶显示器(LCD；liquid crystal display)、发光二极管(LED；light emittingdiode)显示器、有机发光二极管(OLED；organic LED)显示器、微机电系统(MEMS；microelectro mechanical systems)显示器，或电子纸(electronic paper)显示器等，但不限于此。此外，显示器330可与输入单元310结合并实现为触摸屏(touch screen)等。
存储器340存储分类装置300的操作所需的各种信息。比如，存储的信息可包括EL图像、黑点图像、图像生成模型、缺陷分类模型、与稍后描述的图像分类方法相关的程序信息等。此外，存储器340可存储上述数据库。例如，存储器340可按照类型包括硬盘类型(harddi sk type)、磁介质类型(Magnetic media type)、光盘只读存储器(CD-ROM，compactdisc read only memory)、光学介质类型(Optical Media type)、磁光介质类型(Magneto-optical media type)、微型多媒体卡类型(Multimedia card micro type)、闪存类型(flash memory type)、只读存储器类型(read only memory type)或随机存取存储器类型(random access memory type)等，但不限于此。并且，根据用途/位置，存储器340可以是高速缓存(cache)、缓冲器、主存储器或辅助存储器，或单独准备的存储系统，但不限于此。
控制单元350可执行分类装置300的各种控制操作。即，控制单元350可控制稍后将描述的图像分类方法的执行，并且可控制分类装置300的其余配置，即输入单元310、通信单元320、显示器330和存储器340等的操作。例如，控制单元350可包括作为硬件的处理器(processor)或者作为在该处理器上执行的软件的进程(process)等，处理器可以是诸如图形处理单元(GPU，graphic processing unit)、中央处理单元(CPU，central processingunit)、微处理器单元(MPU，microprocessor unit)或微控制器单元(MCU，microcontroller unit)等的处理单元，但不限于此。
图4示出了根据本发明的一个实施例的分类装置300中的控制单元350的结构框图。
控制单元350控制根据本发明的一个实施例的图像分类方法的执行，如图4所示，可包括学习单元351、一次分类单元352和二次分类单元353。例如，学习单元351、一次分类单元352和二次分类单元353可以是控制单元350的硬件组件，或者可以是由控制单元350执行的作为软件的程序，但不限于此。
以下，将更详细地描述根据本发明的图像分类方法。
图5示出了根据本发明的一个实施例的图像分类方法的流程图。
根据本发明的一个实施例的图像分类方法是基于EL图像来检测待检测的太阳能电池片中存在缺陷与否的分类方法，如图5所示，可以包括步骤S101至S104。
图6示出了根据本发明的一个实施例的操作程序的一个示例。
S101是选择待检测太阳能电池片的EL图像(以下称为“目标EL图像”)的步骤。即，在S101中，如图6所示，控制单元350可控制操作程序的执行，并且，根据用户在执行的操作程序中选择和输入的输入命令来选择目标EL图像，以便对目标EL图像的分类等进行分析。
即，除了EL图像的数据之外，该目标EL图像的待检测太阳能电池片的唯一识别信息(ID，identification)数据以及该待检测太阳能电池片的生产日期、时间、生产线等的数据可一同被存储到数据库装置200或存储器340的数据库中。相应地，在S101中，用户可通过操作程序根据相应的时间、日期、小区ID或生产线来选择期望的目标EL图像。
例如，参照图6，对于目标EL图像，可根据选择的日期进行日期单位(DAILY-SCALE)批量分析、时间单位(SELECT ED-SCALE)批量分析或进行小区ID选择分析。此外，还可以按照选择的所需生产线(选择生产线)进行分析。此外，为进行目标EL图像分析，可以选择1小时自动执行/手动执行(1小时自动分析/1小时单位分析)。
S102是根据所选择的目标EL图像中的较暗部分，即，是根据黑点(black spot)是否占据预定比率以上来一次分类目标EL图像的步骤。即，太阳能电池片的效率与黑点率相关，当黑点率达到预定水平以上时，太阳能电池片的效率可能会迅速劣化。S102是反映以上内容并且首先执行根据黑点率的分类的步骤。
在S102中，当黑点在目标EL图像中占预定比率以上(例如，1.5％以上)时，一次分类单元352可将目标EL图像分类为第一类型(例如，黑点(blackspot)为真(True))。反之，当黑点在目标EL图像中所占比率小于预定比率(例如，小于1.5％)时，一次分类单元352可将目标EL图像分类为第二类型(例如，黑点(blackspot)为假(False))。
图7示出了在对EL图像进行图像处理以对EL图像进行一次分类的过程中的各个图像，图8示出了EL图像和为该EL图像的一次分类而导出的黑点图像的各种示例。
尤其，在S102中，一次分类单元352可使用图像生成模型对目标EL图像进行一次分类。即，图像生成模型是根据无监督学习(unsupervised learning)方法的机器学习(machine learning)方法进行学习以从学习用EL图像生成包含在该EL图像中的黑点的图像(黑点图像)。
例如，无监督学习方法可以是自编码器(Auto-encoder)、变分自编码器(Variational Auto-encoder)或生成对抗网络(Generative Adversarial Network)等，但不限于此。
例如，图像生成模型通过一对输入数据和输出数据的学习数据来学习并包括多个层(layer)，并且具有输入数据和输出数据之间的关系的函数。在这种情况下，输入数据可包括学习用EL图像的数据，并且结果数据可包括通过对学习用EL图像的图像处理而获得的黑点图像数据。因此，当输入目标EL图像的数据时，图像生成模型可输出该目标EL图像的黑点图像数据。
具体地，参照图7，为了对EL图像进行图像处理，可对学习用EL图像执行直方图均衡化处理、主栅线(bus-bar li ne)去除处理、边缘提取处理、基于提取边缘的透视变换(perspective transform)处理、轮廓提取处理等。
此时，直方图均衡化处理就是将EL图像的亮度值范围归一化(normalization)到预定范围内的图像处理。也就是说，这是为了，通过按照预定的标准对具有各种范围的EL图像的亮度值范围进行缩放(scaling)，在相同的亮度范围条件下进行各种图像处理。
主栅线去除处理是去除与EL图像中的主栅对应的主栅线的图像处理。由于主栅线对应于不出现黑点的区域，因此通过从EL图像中去除相应的主栅线，可实现更准确的黑点检测。
边缘提取处理是从EL图像中提取作为各个角点的边缘的图像处理。由于具有各种图像角度(例如，EL图像中的太阳能电池片的形状不完全是矩形并且具有扭曲的角度等)，因此为了提取用作匹配的参考点的边缘，执行该处理以进行匹配。
透视变换处理用于将各种图像角度的EL图像匹配到恒定角度的EL图像，并且是基于通过边缘提取处理所提取的边缘来投影和转换EL图像的图像处理。例如，投影转换处理可将具有弯曲的太阳能电池片形状的EL图像投影并转换为具有矩形太阳能电池片形状的EL图像。
轮廓提取处理是提取存在于EL图像中的各种区域的轮廓以便从已经以各种方式进行图像处理的EL图像中提取黑点的处理方式。
例如，可按照直方图均衡化处理、主栅线去除处理、边缘提取处理、基于所提取的边缘的投影转换处理及轮廓提取处理的顺序执行上述对EL图像的图像处理，但不限于此，并且可以不同的顺序执行上述图像处理。然而，轮廓提取处理可对应于上述图像处理中的最后步骤。
另一方面，可使用根据无监督学习方法学习的模型单独生成根据这些图像处理来处理的图像。即，可分别学习并准备直方图均衡化处理模型、主栅线去除处理模型、边缘提取处理模型、投影变换处理模型和轮廓提取处理模型。在这种情况下，图像生成模型可被称为包括这些模型全部的模型。或者，图像生成模型可包括多个层(layer)，每个层依次分别执行这些图像处理。
这种图像生成模型可由学习单元351预先学习或者可由其他装置预先学习并通过通信单元320传送到分类装置300。
在S102中，一次分类单元352可计算图像生成模型生成的黑点在相应的EL图像中所占的比率，并根据计算结果分类相应的EL图像是第一类型还是第二类型。
在S103中，控制单元350判断在S102中一次分类的EL图像是否属于第一类型。此时，如果属于第一类型，则相当于具有太阳能电池效率低下的黑点，因此接着执行S104，以便对相应的太阳能电池片更详细地分类其黑点类型(即，缺陷类型)。反之，如果不属于第一类型，则相当于具有太阳能电池效率优异的黑点，因此不再需要为相应太阳能电池片详细分类黑点类型，此时可返回到S101并接收对其他目标EL图像的选择输入。
S104是对第一类型的目标EL图像的缺陷类型(即，其黑点型)进行二次分类的步骤。即，可根据EL图像中黑点的形状将太阳能电池片分类为各种缺陷类型，S104是通过反映这些内容对缺陷类型进行分类的步骤。
尤其，在S104中，二次分类单元353可使用已学习的缺陷分类模型基于目标EL图像对待检测的太阳能电池片的缺陷类型进行二次分类。
例如，缺陷分类模型通过一对输入数据和输出数据的学习数据，用监督学习(supervised learning)方式的机器学习技术进行学习，并且包括多个层(layer)，因此具有输入数据和输出数据之间的关系的函数。
例如，缺陷分类模型可以是根据深度学习(deep learni ng)技术训练的模型，深度学习技术可包括深度神经网络(DNN，Deep Neural Network)、卷积神经网络(CNN，Convolu tional Neural Network)、递归神经网络(RNN，Recurrent Neural Network)、受限玻尔兹曼机(RBM，Restricted Boltzmann Machine)、深度信念网络(DBN，Deep BeliefNe twork)、深度Q网络(Deep Q-Networks)等，但不限于此。
图9示出了缺陷分类模型的一个示例。
参照图9，缺陷分类模型可通过输入层和输出层之间的多个隐藏层(hiddenlayer)来表达输入数据和输出数据之间的关系。此时，每个隐藏层由至少一个滤波器构成，每个滤波器具有权值(weight)矩阵(matrix)。即，在相应滤波器的矩阵中，各个元素(像素)可对应于权重值。
也就是说，在用于缺陷分类模型的学习数据中，输入数据可包括学习用EL图像的数据。此外，输出数据可包括作为具有标签(label)的数据的学习用EL图像的太阳能电池片的缺陷类型数据。当目标EL图像的数据被输入时，缺陷分类模型可输出目标EL图像的缺陷类型(即，黑点类型)的数据。此时，学习用EL图像可以是第一类型图像，即EL图像中黑点占据预定比率以上的图像。
图10示出了EL图像的黑点类型的各种示例，图11示出了使用实际实施的缺陷分类模型的分类结果的各种示例。
参照图10，缺陷分类模型可将被输入的目标EL图像分类为由于多种原因而在彼此不同的多种制造工艺(即，太阳能电池片的制造工艺)下产生的缺陷类型(即，黑点类型)。例如，黑点类型可包括以下多种类型，但不限于此。
-第一类型：ARC Robot Pad中由于划痕(scratch)而产生的类型
-第二类型：WB工艺中由于自动化皮带(Automation bel t)污染而产生的类型
-第三类型：由于在印刷(Printer)工艺中产生的细栅损坏(Finger broken)而产生的类型
-第四类型：由于操作员在搬运晶圆(Wafer)时产生的指纹而产生的类型
-第五类型：对现有OpenCV黑点类型进行分类时，对过度拒绝(Over-reject)进行重新分类的类型。
-第六类型：由于MAIA工艺的Talox产生薄膜厚度不均匀而产生的类型
-第七类型：在LCO工艺中由于缺铝(Missing aluminum)而产生的类型
-第八类型：在WB工艺中由于反射率问题而产生的类型
-第九类型：由于Wafer原材料本身的问题而产生的类型
-第十类型：由于空值(Null)和热点(Hotspot)而产生的类型
-第十一类型：在POCL工艺中由于晶舟(Boat)下端部分而产生的类型
-第十二类型：由于POCL工艺晶舟上产生损坏的晶圆而产生的类型
-第十三类型：在POCL工艺中由于在晶圆正反面颠倒的状态下执行工艺而产生的类型
-第十四类型：在POCL工艺中由于均匀性(Uniformity)不稳定而产生的类型
-第十五类型：在TALOX工艺晶舟上由于没有反方向的晶圆而产生的类型
-第十六类型：由于新类型的图像或学习量过少，导致其缺陷分类模型的预测值不稳定而产生的类型
-第十七类型和第十八类型：在WB工艺或POCL工艺中由于污染而产生的类型
-第十九类型：在By-facial工艺中由于激光图案对准(Laser pattern align)缺陷而产生的类型
-第二十类型：由于WB辊划伤(roller scratch)而被污染并产生缺陷的类型
-第二十一类型：由于Oxidation、LDSE工艺的图案(pa ttern)缺陷而产生的类型
-第二十二类型：由于Firing工艺温度的均匀性(Unifo rmity)缺陷而产生的类型
-第二十三类型：由于PRINTER工艺的铝浆涂敷(Al pas te)缺陷而产生的类型
-第二十四类型：由于自动化机器人拾取(pick-up)垫被污染而产生的类型
-第二十五类型：由于晶圆正面划痕，WB刻蚀缺陷而产生的类型
另一方面，缺陷分类模型是具有图像分类(image class ification)功能的模型，其与具有图像增强(image augmen tation)功能的模型具有截然不同的特性。例如，图像增强(image augmentation)模型可具有用于确认太阳能电池模块的EL图像的[缺陷位置]、[尺寸]和[类型]的功能。然而，图像分类(image classification)模型则由于其隐藏层的配置必然非常复杂，因此运算量、运算时间和存储容量都非常大，因此在判断[缺陷类型]时，存在关于EL图像的向量(vector)值(即，代表值)的结论非常模糊的问题。相比之下，缺陷分类模型可根据图像分类(image classification)的简单明确的功能来检查太阳能电池片的EL图像的[缺陷类型]，因此相比图像增强(image augmentation)模型具有非常小的运算量、运算时间和存储容量，并且具有关于代表值的结论非常明确的优点。
并且，在S104中，二次分类单元353可控制将执行上述二次分类后所产生的数据存储在存储器340或数据库装置200的数据库中。例如，存储在数据库中的结果数据可包括进行了一次分类和二次分类的EL图像的名称、拍摄时间、分类结果的详细信息(一次分类中的黑点比率、二次分类中作为分类结果的缺陷类型等)等。
上述图像分类方法可通过加载到存储器340中并在控制单元350的控制下执行程序来执行。这种程序可存储在各种类型的非暂时性计算机可读介质(non-transitorycomputer readable medium)的存储器340中。非暂时性计算机可读介质包括具有各种类型的实体的记录介质(tangible storage me dium)。
例如，非暂时性计算机可读介质包括磁记录介质(例如，软盘、磁带、硬盘驱动器)、磁光记录介质(例如，磁光盘)、只读存储器(CD-ROM，read only memory)，CD-R、CD-R/W、半导体存储器(例如，掩模ROM、可编程ROM(PROM，programm able ROM)、可擦PROM(EPROM，erasable PROM)、闪速ROM、随机存取存储器(RAM，random access memory))，但不限于此。
此外，可由各种类型的暂时性计算机可读介质(transit ory computer readablemedium)提供程序。例如，暂时性计算机可读介质可包括电信号、光信号和电磁波，但不限于此。即，暂时性计算机可读介质可通过诸如电线或光纤等的有线通信路径或无线通信路径将程序提供给控制单元350。
具有上述配置的本发明的优点在于，能够基于太阳能电池片的EL图像快速且准确地分类该太阳能电池片中存在缺陷与否及缺陷类型。例如，本发明的优点在于，能够应用于每天超过数百万张(例如，200万张)EL图像的全量检测，从而可最小化人为失误(Humanerror)。
在本发明的发明内容部分描述了具体实施例，然而在不脱离本发明的范围的情况下，可进行各种修改。因此，本发明的范围不限于所描述的实施例，而应由所附权利要求书及其等同物限定。
工业可利用性
本发明能够提供一种基于太阳能电池片的EL图像(Elec troluminescenceimage)快速准确地分类太阳能电池片中存在缺陷与否及缺陷类型的对太阳能电池片的图像分类方法及装置，因此具有工业可利用性。

Claims (8)

1.一种由电子设备执行并基于待检测太阳能电池片的EL图像来分类待检测太阳能电池片是否有缺陷的方法，所述方法包括：
一次分类步骤，根据黑点在待检测太阳能电池片的EL图像中是否占据预定比率以上来分类所述EL图像，在黑点占据预定比率以上时分类为第一类型，并且在黑点占据的比率小于预定比率时分类为第二类型；以及
二次分类步骤，在一次分类时被分类为第一类型的情况下，利用已学习的缺陷分类模型基于待检测太阳能电池片的EL图像来分类待检测太阳能电池片的缺陷类型，
所述缺陷分类模型是利用学习数据根据机器学习方法进行学习的模型，所述学习数据分别包括关于学习用EL图像的输入数据和关于学习用EL图像的太阳能电池片的缺陷类型的结果数据。
2.根据权利要求1所述的方法，其中，
所述一次分类步骤包括根据机器学习方法利用已学习的图像生成模型来分类待检测太阳能电池片的EL图像，以便从学习用EL图像中生成包含在所述EL图像的黑点图像的步骤。
3.根据权利要求2所述的方法，其中，
所述图像生成模型是利用学习数据进行学习的模型，所述学习数据分别包括关于学习用EL图像的输入数据和基于对学习用EL图像的图像处理的关于所述黑点图像的结果数据。
4.根据权利要求3所述的方法，其中，
所述图像处理包括对于学习用EL图像的直方图均衡化处理、主栅线去除处理、基于边缘的透视变换处理和轮廓提取处理。
5.根据权利要求1所述的方法，其中，
所述缺陷分类模型对在多个不同的制造工艺中由于多种原因而产生的缺陷类型进行分类。
6.一种装置，所述装置包括：
存储器，存储待检测太阳能电池片的EL图像；以及
控制单元，通过处理已存储的待检测太阳能电池片的EL图像来控制分析待检测太阳能电池片是否有缺陷，
所述控制单元执行一次分类和二次分类，
在一次分类时，根据黑点在待检测太阳能电池片的EL图像中是否占据预定比率以上来分类所述EL图像，在黑点占据预定比率以上时分类为第一类型，并且在黑点占据的比率小于预定比率时分类为第二类型；并且
在二次分类时，在一次分类时被分类为第一类型的情况下，利用已学习的缺陷分类模型基于待检测太阳能电池片的EL图像来分类待检测太阳能电池片的缺陷类型，
所述缺陷分类模型是利用学习数据根据机器学习方法进行学习的模型，所述学习数据分别包括关于学习用EL图像的输入数据和关于学习用EL图像的太阳能电池片的缺陷类型的结果数据。
7.一种装置，所述装置包括：
通信单元，存储待检测太阳能电池片的EL图像；以及
控制单元，通过处理已接收的待检测太阳能电池片的EL图像来控制分析待检测太阳能电池片是否有缺陷，
所述控制单元执行一次分类和二次分类，
在一次分类时，根据黑点在待检测太阳能电池片的EL图像中是否占据预定比率以上来分类所述EL图像，在黑点占据预定比率以上时分类为第一类型，并且在黑点占据的比率小于预定比率时分类为第二类型；并且
在二次分类时，在一次分类时被分类为第一类型的情况下，利用已学习的缺陷分类模型基于待检测太阳能电池片的EL图像来分类待检测太阳能电池片的缺陷类型，
所述缺陷分类模型是利用学习数据根据机器学习方法进行学习的模型，所述学习数据分别包括关于学习用EL图像的输入数据和关于学习用EL图像的太阳能电池片的缺陷类型的结果数据。
8.根据权利要求6或7所述的装置，其中，
所述控制单元控制操作程序的执行，
所述操作程序是根据时间、日期、小区识别码或生产线对待检测太阳能电池片的EL图像执行所述分析的装置。
CN202180078517.0A 2020-11-24 2021-11-18 太阳能电池片的图像分类方法及装置 Pending CN116547704A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2020-0158500 2020-11-24
KR1020200158500A KR102426275B1 (ko) 2020-11-24 2020-11-24 태양전지 셀에 대한 이미지 분류 방법 및 장치
PCT/KR2021/016953 WO2022114665A1 (ko) 2020-11-24 2021-11-18 태양전지 셀에 대한 이미지 분류 방법 및 장치

Publications (1)

Publication Number Publication Date
CN116547704A true CN116547704A (zh) 2023-08-04

Family

ID=81756153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180078517.0A Pending CN116547704A (zh) 2020-11-24 2021-11-18 太阳能电池片的图像分类方法及装置

Country Status (5)

Country Link
US (1) US20240195356A1 (zh)
EP (1) EP4254262A1 (zh)
KR (1) KR102426275B1 (zh)
CN (1) CN116547704A (zh)
WO (1) WO2022114665A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102523701B1 (ko) * 2023-01-19 2023-04-21 (주)임픽스 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4235685B1 (ja) * 2008-07-01 2009-03-11 日清紡績株式会社 太陽電池の検査装置及び太陽電池の欠陥判定方法
KR20120113019A (ko) 2011-04-04 2012-10-12 삼성전기주식회사 태양전지 셀 검사 방법 및 장치
KR20120116064A (ko) * 2011-04-12 2012-10-22 한국에너지기술연구원 태양광 모듈의 결함 측정장치
KR101958634B1 (ko) * 2012-12-13 2019-03-15 엘지디스플레이 주식회사 디스플레이 장치의 무라 검출 장치 및 방법
KR20200075141A (ko) * 2018-12-12 2020-06-26 주식회사 맥사이언스 태양전지 모듈 검사 장치 및 검사 방법
KR102342337B1 (ko) * 2019-01-24 2021-12-23 가천대학교 산학협력단 딥러닝 신경망을 이용한 디스플레이 패널 불량 진단 시스템 및 방법

Also Published As

Publication number Publication date
US20240195356A1 (en) 2024-06-13
KR102426275B1 (ko) 2022-07-27
EP4254262A1 (en) 2023-10-04
KR20220071417A (ko) 2022-05-31
WO2022114665A1 (ko) 2022-06-02

Similar Documents

Publication Publication Date Title
Akram et al. CNN based automatic detection of photovoltaic cell defects in electroluminescence images
Deitsch et al. Automatic classification of defective photovoltaic module cells in electroluminescence images
Li et al. An unmanned inspection system for multiple defects detection in photovoltaic plants
Pratt et al. Defect detection and quantification in electroluminescence images of solar PV modules using U-net semantic segmentation
CN113076816B (zh) 基于红外与可见光图像的太阳能光伏组件热斑识别方法
Meng et al. Defect object detection algorithm for electroluminescence image defects of photovoltaic modules based on deep learning
WO2010064720A1 (ja) 太陽電池セルの検査装置、検査方法及びそのプログラムを記録した記録媒体
US20230274416A1 (en) Image processing method, apparatus, and device, and storage medium
CN116385430A (zh) 一种机器视觉瑕疵检测方法、装置、介质及设备
CN113989241A (zh) 一种基于图像处理与深度学习融合的光伏组件el缺陷检测方法
CN116547704A (zh) 太阳能电池片的图像分类方法及装置
Chindarkkar et al. Deep learning based detection of cracks in electroluminescence images of fielded PV modules
Buratti et al. Half and full solar cell efficiency binning by deep learning on electroluminescence images
Sohail et al. Fault detection and computation of power in PV cells under faulty conditions using deep-learning
Demirci et al. Defective PV cell detection using deep transfer learning and EL imaging
Cao et al. Improved yolov8-gd deep learning model for defect detection in electroluminescence images of solar photovoltaic modules
Zhang et al. An automatic defect detection method for TO56 semiconductor laser using deep convolutional neural network
TW202215286A (zh) 以即時簡訊機器人實現機器人流程自動化及從影像抽取文字內容的機器人流程
Al-Otum Deep learning-based automated defect classification in Electroluminescence images of solar panels
Ahan et al. AI-assisted cell-level fault detection and localization in solar PV electroluminescence images
Otamendi et al. A scalable framework for annotating photovoltaic cell defects in electroluminescence images
CN115690505A (zh) 光伏组件故障检测方法、装置、计算机设备及存储介质
Özer et al. An approach based on deep learning methods to detect the condition of solar panels in solar power plants
Yousif et al. Fault detection from PV images using hybrid deep learning model
CN114596273A (zh) 利用yolov4网络的陶瓷基板多种瑕疵智能检测方法

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