CN117372377A - 一种单晶硅棱线的断线检测方法、装置及电子设备 - Google Patents
一种单晶硅棱线的断线检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117372377A CN117372377A CN202311377158.6A CN202311377158A CN117372377A CN 117372377 A CN117372377 A CN 117372377A CN 202311377158 A CN202311377158 A CN 202311377158A CN 117372377 A CN117372377 A CN 117372377A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- current
- images
- disconnection
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 157
- 229910021421 monocrystalline silicon Inorganic materials 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 claims abstract description 88
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000002372 labelling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 10
- 239000013078 crystal Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910021419 crystalline silicon Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种单晶硅棱线的断线检测方法、装置及电子设备，所述方法包括：获得单晶硅放肩过程中的待测图像；使用断线检测模型对所述待测图像进行处理，以得到所述待测图像对应的检测结果，所述检测结果表征所述待测图像中单晶硅棱线所在的区域是否存在断线；其中，所述断线检测模型通过样本图像训练得到，所述样本图像中具有样本区域，所述样本区域为单晶硅棱线所在的区域，且所述样本区域具有样本标签，所述样本标签表征所述样本区域是否存在断线。
Description
技术领域
本申请涉及晶体硅制造领域，尤其涉及一种单晶硅棱线的断线检测方法、装置及电子设备。
背景技术
在单晶硅生长的场景中，需要对单晶硅在放肩过程中晶体棱线是否存在断线进行检测。
目前，多采用人工巡检的方式，查看单晶硅棱线是否有断线出现。但是在实际的生产环境下，人工检测存在检测效率低的缺陷。
因此，亟需一种能够提高放肩过程中单晶硅棱线的断线检测效率的技术方案。
发明内容
有鉴于此，本申请提供一种单晶硅棱线的断线检测方法、装置及电子设备，用以提高放肩过程中单晶硅棱线的断线检测效率，如下：
一种单晶硅棱线的断线检测方法，所述方法包括：
获得单晶硅放肩过程中的待测图像；
使用断线检测模型对所述待测图像进行处理，以得到所述待测图像对应的检测结果，所述检测结果表征所述待测图像中单晶硅棱线所在的区域是否存在断线；
其中，所述断线检测模型通过样本图像训练得到，所述样本图像中具有样本区域，所述样本区域为单晶硅棱线所在的区域，且所述样本区域具有样本标签，所述样本标签表征所述样本区域是否存在断线。
上述方法，优选的，所述待测图像有多帧；
其中，在使用断线检测模型对所述待测图像进行处理，以得到所述待测图像对应的检测结果之后，所述方法还包括：
根据所述待测图像对应的检测结果，获得断线报警信息，所述断线报警信息用于指示对所述单晶硅放肩过程进行处理。
上述方法，优选的，根据所述待测图像对应的检测结果，获得断线报警信息，包括：
按照滑动窗口，在所述待测图像中获得多帧第一图像作为当前图像；
根据每帧所述当前图像对应的检测结果，获得当前断线率；
判断所述当前断线率是否小于或等于断线率阈值；
如果所述当前断线率小于或等于所述断线率阈值，设置断线计数值为第一数值，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，返回执行所述：根据每帧所述当前图像对应的检测结果，获得当前断线率，直到所述待测图像均被处理完成；
如果所述当前断线率大于所述断线率阈值，设置所述断线计数值增加第二数值，所述第二数值为所述滑动窗口的移动单位数值；在所述断线计数值小于计数阈值的情况下，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，返回执行所述：根据每帧所述当前图像对应的检测结果，获得当前断线率，直到所述待测图像均被处理完成；
在所述断线计数值大于或等于所述计数阈值的情况下，生成断线报警信息。
上述方法，优选的，所述待测图像之间具有图像顺序，所述图像顺序与所述待测图像被采集的顺序一致；
其中，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，包括：
以所述第二数值的数量的待测图像为移动参数，按照所述图像顺序，移动所述滑动窗口，以使得所述滑动窗口所对应的第二图像中排序在前所述第二数值的图像为所述第一图像中排序在第二个所述第二数值的图像，且第二图像中最后所述第二数值的图像为所述第一图像中的最后一帧图像的下一个所述第二数值的图像。
上述方法，优选的，根据所述待测图像对应的检测结果，获得断线报警信息，包括：
按照滑动窗口，在所述待测图像中获得多帧第一图像作为当前图像；
根据每帧所述当前图像对应的检测结果，获得当前断线率；
判断所述当前断线率是否小于或等于断线率阈值；
如果所述当前断线率小于或等于所述断线率阈值，设置断线计时值为第一时长，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，返回执行所述：根据每帧所述当前图像对应的检测结果，获得当前断线率，直到所述待测图像均被处理完成；
如果所述当前断线率大于所述断线率阈值，设置所述断线计时值增加第二时长，所述第二时长为所述滑动窗口的移动单位时长；在所述断线计时值小于计时阈值的情况下，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，返回执行所述：根据每帧所述当前图像对应的检测结果，获得当前断线率，直到所述待测图像均被处理完成；
在所述断线计时值大于或等于所述计时阈值的情况下，生成断线报警信息。
上述方法，优选的，所述待测图像之间具有图像顺序，所述图像顺序与所述待测图像被采集的顺序一致；
其中，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，包括：
以所述第二时长为移动参数，按照所述图像顺序，移动所述滑动窗口，以使得所述滑动窗口所对应的第二图像中在前所述第二时长被采集到的图像为所述第一图像中在第二个所述第二时长被采集到的图像，且第二图像中最后所述第二时长被采集到的图像为所述第一图像中的最后一帧图像的下一个所述第二时长内被采集到的图像。
上述方法，优选的，所述样本图像通过以下方式获得：
获得多帧初始图像，所述初始图像为在历史放肩过程中对单晶硅采集到的图像；
获得针对所述初始图像的标注数据；所述标注数据中包括被标注的样本区域和所述样本区域对应的样本标签；
在所述初始图像中的所述样本区域添加所述样本标签，以得到样本图像。
上述方法，优选的，还包括：
至少根据所述检测结果，对所述断线检测模型进行模型优化处理。
一种单晶硅棱线的断线检测装置，所述装置包括：
图像获得单元，用于获得单晶硅放肩过程中的待测图像；
图像检测单元，用于使用断线检测模型对所述待测图像进行处理，以得到所述待测图像对应的检测结果，所述检测结果表征所述待测图像中单晶硅棱线所在的区域是否存在断线；
其中，所述断线检测模型通过样本图像训练得到，所述样本图像中具有样本区域，所述样本区域为单晶硅棱线所在的区域，且所述样本区域具有样本标签，所述样本标签表征所述样本区域是否存在断线。
一种电子设备，包括：
存储器，用于存储计算机程序以及所述计算机程序运行所产生的数据；
处理器，用于执行所述计算机程序，以实现：获得单晶硅放肩过程中的待测图像；使用断线检测模型对所述待测图像进行处理，以得到所述待测图像对应的检测结果，所述检测结果表征所述待测图像中单晶硅棱线所在的区域是否存在断线；
其中，所述断线检测模型通过样本图像训练得到，所述样本图像中具有样本区域，所述样本区域为单晶硅棱线所在的区域，且所述样本区域具有样本标签，所述样本标签表征所述样本区域是否存在断线。
从上述技术方案可以看出，本申请公开的一种单晶硅棱线的断线检测方法、装置及电子设备中，在获得到单晶硅放肩过程中的待测图像之后，使用断线检测模型对待测图像进行处理，由于断线检测模型的样本图像中单晶硅棱线所在的区域具有表征是否存在断线的样本标签，因此，断线检测模型能够检测出待测图像中单晶硅棱线所在的区域中是否存在断线。可见，本实施例中通过机器学习模型对棱线断线的特点进行学习，进而通过机器学习模型能够快速检测出单晶硅棱线是否出现断线，由此提高单晶硅棱线的断线检测效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，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为本申请实施例一提供的一种单晶硅棱线的断线检测方法的流程图；
图2为本申请实施例一提供的一种单晶硅棱线的断线检测方法的部分流程图；
图3为本申请实施例中单晶硅棱线的初始图像示例图；
图4及图5分别为本申请实施例中单晶硅棱线的标注示意图；
图6及图7分别为本申请实施例一提供的一种单晶硅棱线的断线检测方法的另一流程图；
图8及图9分别为本申请实施例一提供的一种单晶硅棱线的断线检测方法的另一部分流程图；
图10为本申请实施例二提供的一种单晶硅棱线的断线检测装置的结构示意图；
图11及图12分别为本申请实施例二提供的一种单晶硅棱线的断线检测装置的另一结构示意图；
图13为本申请实施例三提供的一种电子设备的结构示意图；
图14为本申请在实际应用中的流程图。
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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
参考图1所示，为本申请实施例一提供的一种单晶硅棱线的断线检测方法的实现流程图，该方法可以适用于能够进行图像处理的电子设备中，如计算机或服务器等。本实施例中的技术方案主要用于提高单晶硅棱线的断线检测效率。
具体的，本实施例中的方法可以包括以下步骤：
步骤101：获得单晶硅放肩过程中的待测图像。
其中，本实施例中可以通过工业相机对单晶硅从放肩开始进行图像采集，以得到多帧待测图像。或者，本实施例中可以从图像数据库中读取被工业相机采集到的待测图像。
具体的，本实施例中，从单晶硅放肩开始，通过工业相机按照预设的目标时长对单晶硅进行图像采集，目标时长可以为s秒。由此，每隔目标时长可以获得一帧待测图像。之后，本实施例中可以针对每一帧待测图像，执行步骤102。
步骤102：使用断线检测模型对待测图像进行处理，以得到待测图像对应的检测结果。
其中，检测结果表征待测图像中单晶硅棱线所在的区域是否存在断线。
需要说明的是，断线检测模型通过样本图像训练得到，样本图像中具有样本区域，样本区域为单晶硅棱线所在的区域，且样本区域具有样本标签，样本标签表征样本区域是否存在断线。
具体的，断线检测模型可以为基于机器学习的大模型。例如，断线检测模型为基于深度神经网络的机器学习模型，其样本图像中包含一个或多个样本区域，每个样本区域均为单晶硅上棱线所在的区域，每个样本区域分别对应有一个样本标签，样本标签可以用0或1表示，1表示样本区域存在断线，0表示样本区域不存在断线。基于此，使用断线检测模型不能能够检测出待测图像中单晶硅棱线所在的区域，即目标区域，也可以检测出该目标区域是否存在断线。
从上述技术方案可以看出，本申请实施例一提供的一种单晶硅棱线的断线检测方法中，在获得到单晶硅放肩过程中的待测图像之后，使用断线检测模型对待测图像进行处理，由于断线检测模型的样本图像中单晶硅棱线所在的区域具有表征是否存在断线的样本标签，因此，断线检测模型能够检测出待测图像中单晶硅棱线所在的区域中是否存在断线。可见，本实施例中通过机器学习模型对棱线断线的特点进行学习，进而通过机器学习模型能够快速检测出单晶硅棱线是否出现断线，由此提高单晶硅棱线的断线检测效率。
在一种实现方式中，样本图像可以通过以下方式获得，如图2中所示：
步骤201：获得多帧初始图像，初始图像为在历史放肩过程中对单晶硅采集到的图像。
例如，使用工业相机在历史放肩过程中从放肩开始到放肩结束的全过程，对单晶硅棱线每间隔目标时长采集一帧初始图像，如N帧初始图像，如图3中所示。
需要说明的是，为了增加样本图像的多样性，本实施例中可以对初始图像进行图像增强处理。例如，对每帧初始图像进行缩放、平移和旋转等操作中的一项或多项操作，在不改变初始图像的图像内容的基础上对初始图像的数量进行扩充。
步骤202：获得针对初始图像的标注数据，标注数据中包括被标注的样本区域和样本区域对应的样本标签。
具体的，本实施例中可以将初始图像输出到标注界面，以提示用户对初始图像进行标注操作，然后根据标注操作获得被标注的样本区域和样本区域对应的样本标签。
例如，如图4和图5中所示，以矩形框表示样本区域，样本标签用0或1表示。
步骤203：在初始图像中的样本区域添加样本标签，以得到样本图像。
在一种实现方式中，为了提高断线检测模型的准确性，在步骤102之后，本实施例中的方法还可以包括以下步骤，如图6中所示：
步骤103：至少根据检测结果，对断线检测模型进行模型优化处理。
在一种实现方式中，本实施例中可以将检测结果与待测图像对应的标注结果进行比对，然后根据比对结果通过断线检测模型的损失函数对断线检测模型的模型参数进行调整，以使得断线检测模型被优化，进而提高断线检测模型对下一帧待测图像的检测准确性。
在一种实现方式中，待测图像有多帧，为在单晶硅放肩过程中采集到的序列图像。
基于此，在步骤102之后，本实施例中的方法还可以包括以下步骤，如图7中所示：
步骤104：根据待测图像对应的检测结果，获得断线报警信息。
具体的，步骤104中可以对在单晶硅放肩过程中采集到的每帧待测图像各自对应的检测结果进行解析，以生成断线报警信息，进一步的输出断线报警信息，被输出的断线报警信息用于指示对所述单晶硅放肩过程进行处理。
为提高报警准确性，本实施例中避免单次待测图像出现检测误差的情况，设置滑动窗口，如基于次数的滑动窗口或基于时长的滑动窗口，如下：
在一种实现方式中，步骤104中可以通过以下方式实现，如图8中所示：
步骤801：按照滑动窗口，在待测图像中获得多帧第一图像作为当前图像。
其中，第一图像的图像数量与滑动窗口的窗口大小相一致。以窗口大小为m为例，第一图像有m帧。
步骤802：根据每帧当前图像对应的检测结果，获得当前断线率。
其中，将检测结果表征待测图像中单晶硅棱线所在的区域存在断线的当前图像的数量除以当前图像的总数量，确定为当前断线率。
例如，m帧当前图像中有a帧当前图像检测出断线，b帧当前图像没有检测出断线，那么当前断线率为：a/(a+b)，a+b为m。
步骤803：判断当前断线率是否小于或等于断线率阈值，如果当前断线率小于或等于断线率阈值，执行步骤804-步骤805，如果所述当前断线率大于所述断线率阈值，执行步骤806-步骤808。
其中，断线率阈值可以根据需求进行设置。断线率阈值表征滑动窗口内出现断线的次数的最大限值。如果当前断线率大于断线率阈值，那么表征该滑动窗口内的当前图像中出现断线的图像数量超过最大限值。
步骤804：设置断线计数值为第一数值。
其中，断线计数值在初始状态下为第一数值。例如，第一数值可以为0。本实施例中在当前断线率小于或等于断线率阈值时，设置断线计数值为第一数值，表征：在当前断线率小于或等于断线率阈值时，重新对当前断线率超过断线率阈值的次数进行计数。断线计数值表征当前断线率连续超过断线率阈值的次数。
步骤805：在待测图像中移动滑动窗口，以得到多帧第二图像作为当前图像，返回执行步骤802，直到所述待测图像均被处理完成，结束当前流程。
其中，滑动窗口的移动单位数值可以为第二数值，即滑动窗口每次滑动就滑动第二数值数量的待测图像。以第二数值为1为例，滑动窗口每次滑动就滑动一帧待测图像。由此，如果当前断线率没有超过断线率阈值，那么经过滑动窗口的移动后，刷新断线计数值为初始的第一数值，再计算新的滑动窗口内的当前图像的当前断线率，以此类推，直到滑动窗口滑到最后所有的待测图像对应的检测结果均用来计算过断线率。
步骤806：设置断线计数值增加第二数值。
其中，第二数值为滑动窗口的移动单位数值。本实施例中设置断线计数值增加第二数值，表征在连续断线计数值的次数的当前断线率超过断线率阈值的情况下，再次出现当前断线率超过断线率阈值，此时按照第二数值更新断线计数值。
例如，以第二数值为1为例，设置断线计数值2加1，表征在连续两次当前断线率超过断线率阈值的情况下，又一次当前断线率超过断线率阈值，此时的断线计数值为3。
步骤807：判断断线计数值是否小于计数阈值，在所述断线计数值小于计数阈值的情况下，执行步骤808。在所述断线计数值大于或等于计数阈值的情况下，执行步骤809。
其中，断线计数值大于或等于计数阈值，表征当前断线率连续超过计数阈值的次数到达断线率阈值。
步骤808：在待测图像中移动滑动窗口，以得到多帧第二图像作为当前图像，返回执行802，直到待测图像均被处理完成，结束当前流程。
步骤809：生成断线报警信息，结束当前流程。
具体的，待测图像之间具有图像顺序，图像顺序与待测图像被采集的顺序一致。相应的，第一图像之间以及第二图像之间均具有相应的图像顺序。
基于此，步骤805和步骤808中在移动滑动窗口时，以第二数值的数量的待测图像为移动参数，按照图像顺序，移动滑动窗口，以使得滑动窗口对应的第二图像中排序在前第二数值的图像为第一图像中排序在第二个第二数值的图像，且第二图像中最后第二数值的图像为第一图像中的最后一帧图像的下一个第二数值的图像。
具体的，步骤801中按照滑动窗口的窗口大小，获取待测图像中排序在前窗口大小的待测图像，即为第一图像，这些第一图像作为当前图像第一次计算当前断线率，如果当前断线率小于或等于断线率阈值，那么对断线计数值重新计数如设置为0，然后步骤805中将滑动窗口向后移动第二数值，将第一图像中排序在前第二数值的图像滑出滑动窗口，排序在第一图像中的最后一帧图像之后第二数值的图像滑进滑动窗口，这样得到滑动窗口中的第二图像，作为新的当前图像，重新执行步骤802，再次计算当前断线率，如果当前断线率大于断线率阈值，那么对断线计数值增加第二数值如增加1，如果断线计数值没有超过计数阈值，那么步骤805中将滑动窗口向后移动第二数值，将第一图像中排序在前第二数值的图像滑出滑动窗口，排序在第一图像中的最后一帧图像之后第二数值的图像滑进滑动窗口，这样得到滑动窗口中的第二图像，作为新的当前图像，再次计算当前断线率，如果当前断线率大于断线率阈值，那么再次对断线计数值增加第二数值如增加1，如果断线计数值超过计数阈值T，即连续T次断线率大于断线率阈值，此时生成断线报警信息，以指示对单晶硅放肩过程进行处理。
以上检测流程中，一旦滑动窗口滑动到最后，即单晶硅从放肩开始到放肩结束所采集到的每帧待测图像均在滑动窗口被计算过当前断线率，如果断线计数值仍然没有超过计数阈值，那么也结束当前流程，表征单晶硅的放肩过程没有出现断线。而在滑动窗口滑动到最后之前，断线计数值一旦超过计数阈值，那么结束当前流程，生成断线报警信息，以表征单晶硅的放肩过程出现断线，提示用户及时进行处理，此时可以同步停止单晶硅的放肩过程，也不再进行待测图像的采集。
以第一数值为0，以第二数值为1，滑动窗口的窗口大小m为30为例，对单晶硅放肩过程中采集到的待测图像按照滑动窗口的窗口大小，获取待测图像中排序在前30的待测图像，即为第一图像，这些第一图像作为当前图像第一次计算当前断线率，如果当前断线率小于或等于断线率阈值，那么对断线计数值设置为0，然后步骤805中将滑动窗口向后移动一帧待测图像，将第一图像中排序在第一个的图像滑出滑动窗口，排序在第一图像中的最后一帧图像之后的1帧待测图像滑进滑动窗口，这样得到滑动窗口中的第二图像，作为新的当前图像，重新执行步骤802，再次计算当前断线率，如果当前断线率大于断线率阈值，那么对断线计数值增加1，如果断线计数值没有超过计数阈值，那么步骤805中将滑动窗口向后移动1帧待测图像，将第一图像中排序在第一个的图像滑出滑动窗口，排序在第一图像中的最后一帧图像之后的1帧待测图像滑进滑动窗口，这样得到滑动窗口中的第二图像，作为新的当前图像，再次计算当前断线率，如果当前断线率大于断线率阈值，那么再次对断线计数值增加1，如果断线计数值超过计数阈值，此时生成断线报警信息，以指示对单晶硅放肩过程进行处理。
在一种实现方式中，步骤104中可以通过以下方式实现，如图9中所示：
步骤901：按照滑动窗口，在待测图像中获得多帧第一图像作为当前图像。
其中，第一图像的图像数量与滑动窗口的窗口大小相一致。以窗口大小为m秒为例，第一图像有m秒内采集到的待测图像，以每秒采集一帧图像为例，第一图像为m帧。
步骤902：根据每帧当前图像对应的检测结果，获得当前断线率。
其中，将检测结果表征待测图像中单晶硅棱线所在的区域存在断线的当前图像的数量除以当前图像的总数量，确定为当前断线率。
例如，m帧当前图像中有a帧当前图像检测出断线，b帧当前图像没有检测出断线，那么当前断线率为：a/(a+b)，a+b为m。
步骤903：判断当前断线率是否小于或等于断线率阈值，如果当前断线率小于或等于断线率阈值，执行步骤904-步骤905，如果当前断线率大于断线率阈值，执行步骤906-步骤908。
其中，断线率阈值可以根据需求进行设置。断线率阈值表征滑动窗口内出现断线的次数的最大限值。如果当前断线率大于断线率阈值，那么表征该滑动窗口内的当前图像中出现断线的图像数量超过最大限值。
步骤904：设置断线计时值为第一时长。
其中，断线计时值在初始状态下为第一时长。例如，第一时长可以为0。本实施例中在当前断线率小于或等于断线率阈值时，设置断线计时值为第一时长，表征：在当前断线率小于或等于断线率阈值时，重新对当前断线率超过断线率阈值的时长进行计时。断线计时值表征当前断线率连续超过断线率阈值的时长。
步骤905：在待测图像中移动滑动窗口，以得到多帧第二图像作为当前图像，返回执行步骤902，直到所述待测图像均被处理完成，结束当前流程。
其中，滑动窗口的移动单位时长可以为第二时长，即滑动窗口每次滑动就滑动第二时长内的待测图像。以第二时长为1秒为例，滑动窗口每次滑动就滑动1秒内采集到的待测图像，如果1秒采集一帧待测图像，那么滑动窗口每次滑动就滑动一帧待测图像。由此，如果当前断线率没有超过断线率阈值，那么经过滑动窗口的移动后，刷新断线计数值为初始的第一时长，再计算新的滑动窗口内的当前图像的当前断线率，以此类推，直到滑动窗口滑到最后所有的待测图像对应的检测结果均用来计算过断线率。
步骤906：设置断线计时值增加第二时长。
其中，第二时长为所述滑动窗口的移动单位时长。本实施例中设置断线计时值增加第二时长，表征在连续断线计时值的当前断线率超过断线率阈值的情况下，再次出现当前断线率超过断线率阈值，此时按照第二时长更新断线计时值。
例如，以第二时长为1s为例，设置断线计时值5秒加1秒，表征在连续5秒当前断线率超过断线率阈值的情况下，又一次当前断线率超过断线率阈值，此时的断线计时值增加为6秒。
步骤907：判断断线计时值是否小于计时阈值，在断线计时值小于计时阈值的情况下，执行步骤908；在所述断线计时值大于或等于所述计时阈值的情况下，执行步骤909。
其中，断线计时值大于或等于计时阈值，表征当前断线率连续超过计时阈值的时长都到达断线率阈值。
步骤908：在待测图像中移动滑动窗口，以得到多帧第二图像作为当前图像，返回执行步骤902，直到所述待测图像均被处理完成，结束当前流程；
步骤909：生成断线报警信息，结束当前流程。
具体的，待测图像之间具有图像顺序，图像顺序与待测图像被采集的顺序一致。相应的，第一图像之间以及第二图像之间均具有相应的图像顺序。
其中，步骤905和步骤908中在移动滑动窗口时，以第二时长为移动参数，按照图像顺序，移动滑动窗口，以使得滑动窗口所对应的第二图像中在前第二时长被采集到的图像为第一图像中在第二个第二时长被采集到的图像，且第二图像中最后第二时长被采集到的图像为第一图像中的最后一帧图像的下一个第二时长内被采集到的图像。
具体的，步骤901中按照滑动窗口的窗口大小，获取待测图像中前窗口大小的时长内采集到的待测图像，即为第一图像，这些第一图像作为当前图像第一次计算当前断线率，如果当前断线率小于或等于断线率阈值，那么对断线计时值设置为0，然后步骤905中将滑动窗口向后移动1秒，将第一图像中在前1秒采集到的图像(如一帧待测图像)滑出滑动窗口，排序在第一图像中的最后一帧图像之后1秒内采集到的图像(如一帧待测图像)滑进滑动窗口，这样得到滑动窗口中的第二图像，作为新的当前图像，重新执行步骤902，再次计算当前断线率，如果当前断线率大于断线率阈值，那么对断线计时值增加1秒，如果断线计时值没有超过计时阈值，那么步骤905中将滑动窗口向后移动1秒，将第一图像中前1秒内采集到的图像滑出滑动窗口，排序在第一图像中的最后一帧图像之后1秒内采集到的图像滑进滑动窗口，这样得到滑动窗口中的第二图像，作为新的当前图像，再次计算当前断线率，如果当前断线率大于断线率阈值，那么再次对断线计时值增加1秒，如果断线计时值超过计时阈值，即计时阈值内断线率持续大于断线率阈值，此时生成断线报警信息，以指示对单晶硅放肩过程进行处理。
以上检测流程中，一旦滑动窗口滑动到最后，即单晶硅从放肩开始到放肩结束所采集到的每帧待测图像均在滑动窗口被计算过当前断线率，如果断线计时值仍然没有超过计时阈值，那么也结束当前流程，表征单晶硅的放肩过程没有出现断线。而在滑动窗口滑动到最后之前，断线计时值一旦超过计时阈值，那么结束当前流程，生成断线报警信息，以表征单晶硅的放肩过程出现断线，提示用户及时进行处理，此时可以同步停止单晶硅的放肩过程，也不再进行待测图像的采集。
以第一数值为0，以第二数值为1，滑动窗口的窗口大小m为30秒，每秒采集一帧待测图像为例，对单晶硅放肩过程中采集到的待测图像按照滑动窗口的窗口大小，获取待测图像中排序在前30秒采集到的待测图像，即为第一图像，这些第一图像作为当前图像第一次计算当前断线率，如果当前断线率小于或等于断线率阈值，那么对断线计时值设置为0秒，然后步骤905中将滑动窗口向后移动一帧待测图像，将第一图像中排序在第一个的图像滑出滑动窗口，排序在第一图像中的最后一帧图像之后的1帧待测图像滑进滑动窗口，这样得到滑动窗口中的第二图像，作为新的当前图像，重新执行步骤902，再次计算当前断线率，如果当前断线率大于断线率阈值，那么对断线计时值增加1秒，如果断线计时值没有超过计时阈值，那么步骤905中将滑动窗口向后移动1帧待测图像，将第一图像中排序在第一个的图像滑出滑动窗口，排序在第一图像中的最后一帧图像之后的1帧待测图像滑进滑动窗口，这样得到滑动窗口中的第二图像，作为新的当前图像，再次计算当前断线率，如果当前断线率大于断线率阈值，那么再次对断线计时值增加1秒，如果断线计时值超过计时阈值T，即T内断线率持续大于断线率阈值，此时生成断线报警信息，以指示对单晶硅放肩过程进行处理。
参考图10，为本申请实施例二提供的一种单晶硅棱线的断线检测装置的结构示意图，该装置可以配置在能够进行图像处理的电子设备中，如计算机或服务器等。本实施例中的技术方案主要用于提高单晶硅棱线的断线检测效率。
具体的，本实施例中的装置可以包括以下单元：
图像获得单元1001，用于获得单晶硅放肩过程中的待测图像；
图像检测单元1002，用于使用断线检测模型对所述待测图像进行处理，以得到所述待测图像对应的检测结果，所述检测结果表征所述待测图像中单晶硅棱线所在的区域是否存在断线；
其中，所述断线检测模型通过样本图像训练得到，所述样本图像中具有样本区域，所述样本区域为单晶硅棱线所在的区域，且所述样本区域具有样本标签，所述样本标签表征所述样本区域是否存在断线。
从上述技术方案可以看出，本申请实施例二提供的一种单晶硅棱线的断线检测装置中，在获得到单晶硅放肩过程中的待测图像之后，使用断线检测模型对待测图像进行处理，由于断线检测模型的样本图像中单晶硅棱线所在的区域具有表征是否存在断线的样本标签，因此，断线检测模型能够检测出待测图像中单晶硅棱线所在的区域中是否存在断线。可见，本实施例中通过机器学习模型对棱线断线的特点进行学习，进而通过机器学习模型能够快速检测出单晶硅棱线是否出现断线，由此提高单晶硅棱线的断线检测效率。
在一种实现方式中，所述待测图像有多帧；
其中，本实施例中的装置还可以包括以下单元，如图11中所示：
断线报警单元1003，用于在图像检测单元1002使用断线检测模型对所述待测图像进行处理，以得到所述待测图像对应的检测结果之后，根据所述待测图像对应的检测结果，获得断线报警信息，所述断线报警信息用于指示对所述单晶硅放肩过程进行处理。
在一种实现方式中，断线报警单元1003，具体用于：
按照滑动窗口，在所述待测图像中获得多帧第一图像作为当前图像；
根据每帧所述当前图像对应的检测结果，获得当前断线率；
判断所述当前断线率是否小于或等于断线率阈值；
如果所述当前断线率小于或等于所述断线率阈值，设置断线计数值为第一数值，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，返回执行所述：根据每帧所述当前图像对应的检测结果，获得当前断线率，直到所述待测图像均被处理完成；
如果所述当前断线率大于所述断线率阈值，设置所述断线计数值增加第二数值，所述第二数值为所述滑动窗口的移动单位数值；在所述断线计数值小于计数阈值的情况下，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，返回执行所述：根据每帧所述当前图像对应的检测结果，获得当前断线率，直到所述待测图像均被处理完成；
在所述断线计数值大于或等于所述计数阈值的情况下，生成断线报警信息。
其中，所述待测图像之间具有图像顺序，所述图像顺序与所述待测图像被采集的顺序一致；
断线报警单元1003在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像时，具体用于：
以所述第二数值的数量的待测图像为移动参数，按照所述图像顺序，移动所述滑动窗口，以使得所述滑动窗口所对应的第二图像中排序在前所述第二数值的图像为所述第一图像中排序在第二个所述第二数值的图像，且第二图像中最后所述第二数值的图像为所述第一图像中的最后一帧图像的下一个所述第二数值的图像。
在一种实现方式中，断线报警单元1003，具体用于：
按照滑动窗口，在所述待测图像中获得多帧第一图像作为当前图像；
根据每帧所述当前图像对应的检测结果，获得当前断线率；
判断所述当前断线率是否小于或等于断线率阈值；
如果所述当前断线率小于或等于所述断线率阈值，设置断线计时值为第一时长，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，返回执行所述：根据每帧所述当前图像对应的检测结果，获得当前断线率，直到所述待测图像均被处理完成；
如果所述当前断线率大于所述断线率阈值，设置所述断线计时值增加第二时长，所述第二时长为所述滑动窗口的移动单位时长；在所述断线计时值小于计时阈值的情况下，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，返回执行所述：根据每帧所述当前图像对应的检测结果，获得当前断线率，直到所述待测图像均被处理完成；
在所述断线计时值大于或等于所述计时阈值的情况下，生成断线报警信息。
其中，所述待测图像之间具有图像顺序，所述图像顺序与所述待测图像被采集的顺序一致；
断线报警单元1003在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像时，具体用于：
以所述第二时长为移动参数，按照所述图像顺序，移动所述滑动窗口，以使得所述滑动窗口所对应的第二图像中在前所述第二时长被采集到的图像为所述第一图像中在第二个所述第二时长被采集到的图像，且第二图像中最后所述第二时长被采集到的图像为所述第一图像中的最后一帧图像的下一个所述第二时长内被采集到的图像。
在一种实现方式中，本实施例中的装置还可以包括以下单元，如图12中所示：
模型处理单元1004，用于通过以下方式获得所述样本图像：
获得多帧初始图像，所述初始图像为在历史放肩过程中对单晶硅采集到的图像；
获得针对所述初始图像的标注数据；所述标注数据中包括被标注的样本区域和所述样本区域对应的样本标签；
在所述初始图像中的所述样本区域添加所述样本标签，以得到样本图像。
在一种实现方式中，模型处理单元1004还用于：至少根据所述检测结果，对所述断线检测模型进行模型优化处理。
需要说明的是，本实施例中各单元的具体实现可以参考前文中的相应内容，此处不再详述。
参考图13，为本申请实施例三提供的一种电子设备的结构示意图，该电子设备可以包括以下结构：
存储器1301，用于存储计算机程序以及所述计算机程序运行所产生的数据；
处理器1302，用于执行所述计算机程序，以实现：获得单晶硅放肩过程中的待测图像；使用断线检测模型对所述待测图像进行处理，以得到所述待测图像对应的检测结果，所述检测结果表征所述待测图像中单晶硅棱线所在的区域是否存在断线；
其中，所述断线检测模型通过样本图像训练得到，所述样本图像中具有样本区域，所述样本区域为单晶硅棱线所在的区域，且所述样本区域具有样本标签，所述样本标签表征所述样本区域是否存在断线。
从上述技术方案可以看出，本申请实施例三提供的一种电子设备中，在获得到单晶硅放肩过程中的待测图像之后，使用断线检测模型对待测图像进行处理，由于断线检测模型的样本图像中单晶硅棱线所在的区域具有表征是否存在断线的样本标签，因此，断线检测模型能够检测出待测图像中单晶硅棱线所在的区域中是否存在断线。可见，本实施例中通过机器学习模型对棱线断线的特点进行学习，进而通过机器学习模型能够快速检测出单晶硅棱线是否出现断线，由此提高单晶硅棱线的断线检测效率。
以单晶生长的场景为例，对于晶体在放肩工序时刻是否断线往往采用人工观察晶线、人工巡检的方式。在生产环境下，炉台数量往往比较多，在炉台数量大、人员技能经验差异的影响，往往识别断线的时间长且准确率较低，并且人员劳动强度较大，导致生产效率低下；而用传统图像检测方式，因准确率低，易造成误报情况，影响生产。
有鉴于此，本申请通过引入深度学习在图像领域应用的目标识别方面的技术，提出一种基于图像目标特征识别的放肩断线检测，在目标特征识别信息的基础上，通过逻辑代码分析，并添加报警，可以有效避免上述缺点，在生产单晶硅时达到减少人工成本、提高准确率、智能化和生产效率的目的。
首先，本申请通过收集批量放肩过程图像并做预处理操作，然后对预处理后的图像进行特征标注及提取操作，后经过训练输出特征状态分析模型，即断线检测模型。
在实际生产中，通过实时调用特征状态分析模型对相机端图像数据(即待测图像)进行目标特征的推理分析，精确检测放肩过程中的晶体棱线各种状态，并反馈到状态信息处理逻辑代码中，在此代码中，本申请重点做了时间滑窗逻辑，可以将误检测结果对判定的影响降到最低，从而可以达到满足生产需求的断线准确率。
综上，本申请中克服人工对放肩断线检测的不足，提供一种智能化放肩断线检测的方法，使得在单晶硅生产过程中有效对晶体错位生长进行检测和报警。具体为：通过学习放肩过程的图像，划分其中棱线的几种状态，标注每种状态的棱线目标特征，然后对这些特征进行提取、训练获得目标特征检测模型，通过目标特征检测模型实时检测判断当前晶体棱线状态，从而反馈给控制系统，若发生断线，则进行报警。
本申请的技术方案中具体包括以下步骤，如图14中所示：
(1)收集图像：工业相机端对放肩开始到放肩结束的全过程图像进行采集(间隔s秒采集)，共采集单晶棱线的全过程图像n张，即前文中的初始图像，棱线如图3中所示，有4条棱线。
其中，全过程图像是指单晶硅从放肩工序开始，到放肩完成这一过程的所有图像状态。所采集的n张图像包括：单晶硅棱线的断线形态和未断线形态。n张图片保证覆盖生产环境下单晶硅放肩时刻棱线的所有状态。
(2)图像数据预处理：对所采集的图像进行数据增强预处理操作。其中，对图像数据做数据增强处理，具体为：初始图像进行缩放，平移，旋转等操作，实现未改变初始图像特征内容的基础上对图像数量的扩充，避免因图像数量不够导致模型学习效果差。
(3)图像特征标注提取：对预处理后的图像进行状态划分，对每种状态中的单晶棱线特征进行不同类型的标注工作，以得到前文中的样本图像；标注信息为：单晶硅未断线(标注为0)、单晶硅断线(标注为1)，标注图如图4和图5所示。
(4)目标特征检测模型(即前文中的断线检测模型)训练：对(3)中所标注提取的特征进行模型训练。
(5)断线检测：调用(4)训练好的目标特征检测模型输出特征检测推理信息，根据输出信息进行计算，然后判断是否进行断线报警。
其中，步骤(5)中断线检测是对按照预设拍摄时间所采集的单晶硅图像进行图像识别，识别结果有两类：断线(输出信1)、非断线(输出信息0)，在收到此类信息后，做时间滑窗的累计计算，如在m秒内，按1s一次输出结果计算，共有m次输出结果，其中有a个断线结果，b个非断线结果，共计a+b，计算断线结果在这一时间滑窗内所占的比例，即BreakRatio＝a/(a+b),时间滑窗每滑动1秒，BreakRatio值计算一次。设置断线率阈值为P，延时判断时间为T，当BreakRatio>P并接下来延时时间T内均满足此条件，报警断线，反之不报警。
综上，本申请中的技术方案能够实现断线检测智能化，也能够实现断线检测精准识别，还可以实现断线检测误检处理操作。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种单晶硅棱线的断线检测方法，其特征在于，所述方法包括：
获得单晶硅放肩过程中的待测图像；
使用断线检测模型对所述待测图像进行处理，以得到所述待测图像对应的检测结果，所述检测结果表征所述待测图像中单晶硅棱线所在的区域是否存在断线；
其中，所述断线检测模型通过样本图像训练得到，所述样本图像中具有样本区域，所述样本区域为单晶硅棱线所在的区域，且所述样本区域具有样本标签，所述样本标签表征所述样本区域是否存在断线。
2.根据权利要求1所述的方法，其特征在于，所述待测图像有多帧；
其中，在使用断线检测模型对所述待测图像进行处理，以得到所述待测图像对应的检测结果之后，所述方法还包括：
根据所述待测图像对应的检测结果，获得断线报警信息，所述断线报警信息用于指示对所述单晶硅放肩过程进行处理。
3.根据权利要求2所述的方法，其特征在于，根据所述待测图像对应的检测结果，获得断线报警信息，包括：
按照滑动窗口，在所述待测图像中获得多帧第一图像作为当前图像；
根据每帧所述当前图像对应的检测结果，获得当前断线率；
判断所述当前断线率是否小于或等于断线率阈值；
如果所述当前断线率小于或等于所述断线率阈值，设置断线计数值为第一数值，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，返回执行所述：根据每帧所述当前图像对应的检测结果，获得当前断线率，直到所述待测图像均被处理完成；
如果所述当前断线率大于所述断线率阈值，设置所述断线计数值增加第二数值，所述第二数值为所述滑动窗口的移动单位数值；在所述断线计数值小于计数阈值的情况下，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，返回执行所述：根据每帧所述当前图像对应的检测结果，获得当前断线率，直到所述待测图像均被处理完成；
在所述断线计数值大于或等于所述计数阈值的情况下，生成断线报警信息。
4.根据权利要求3所述的方法，其特征在于，所述待测图像之间具有图像顺序，所述图像顺序与所述待测图像被采集的顺序一致；
其中，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，包括：
以所述第二数值的数量的待测图像为移动参数，按照所述图像顺序，移动所述滑动窗口，以使得所述滑动窗口所对应的第二图像中排序在前所述第二数值的图像为所述第一图像中排序在第二个所述第二数值的图像，且第二图像中最后所述第二数值的图像为所述第一图像中的最后一帧图像的下一个所述第二数值的图像。
5.根据权利要求2所述的方法，其特征在于，根据所述待测图像对应的检测结果，获得断线报警信息，包括：
按照滑动窗口，在所述待测图像中获得多帧第一图像作为当前图像；
根据每帧所述当前图像对应的检测结果，获得当前断线率；
判断所述当前断线率是否小于或等于断线率阈值；
如果所述当前断线率小于或等于所述断线率阈值，设置断线计时值为第一时长，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，返回执行所述：根据每帧所述当前图像对应的检测结果，获得当前断线率，直到所述待测图像均被处理完成；
如果所述当前断线率大于所述断线率阈值，设置所述断线计时值增加第二时长，所述第二时长为所述滑动窗口的移动单位时长；在所述断线计时值小于计时阈值的情况下，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，返回执行所述：根据每帧所述当前图像对应的检测结果，获得当前断线率，直到所述待测图像均被处理完成；
在所述断线计时值大于或等于所述计时阈值的情况下，生成断线报警信息。
6.根据权利要求5所述的方法，其特征在于，所述待测图像之间具有图像顺序，所述图像顺序与所述待测图像被采集的顺序一致；
其中，在所述待测图像中移动所述滑动窗口，以得到多帧第二图像作为当前图像，包括：
以所述第二时长为移动参数，按照所述图像顺序，移动所述滑动窗口，以使得所述滑动窗口所对应的第二图像中在前所述第二时长被采集到的图像为所述第一图像中在第二个所述第二时长被采集到的图像，且第二图像中最后所述第二时长被采集到的图像为所述第一图像中的最后一帧图像的下一个所述第二时长内被采集到的图像。
7.根据权利要求1或2所述的方法，其特征在于，所述样本图像通过以下方式获得：
获得多帧初始图像，所述初始图像为在历史放肩过程中对单晶硅采集到的图像；
获得针对所述初始图像的标注数据；所述标注数据中包括被标注的样本区域和所述样本区域对应的样本标签；
在所述初始图像中的所述样本区域添加所述样本标签，以得到样本图像。
8.根据权利要求1或2所述的方法，其特征在于，还包括：
至少根据所述检测结果，对所述断线检测模型进行模型优化处理。
9.一种单晶硅棱线的断线检测装置，其特征在于，所述装置包括：
图像获得单元，用于获得单晶硅放肩过程中的待测图像；
图像检测单元，用于使用断线检测模型对所述待测图像进行处理，以得到所述待测图像对应的检测结果，所述检测结果表征所述待测图像中单晶硅棱线所在的区域是否存在断线；
其中，所述断线检测模型通过样本图像训练得到，所述样本图像中具有样本区域，所述样本区域为单晶硅棱线所在的区域，且所述样本区域具有样本标签，所述样本标签表征所述样本区域是否存在断线。
10.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序以及所述计算机程序运行所产生的数据；
处理器，用于执行所述计算机程序，以实现：获得单晶硅放肩过程中的待测图像；使用断线检测模型对所述待测图像进行处理，以得到所述待测图像对应的检测结果，所述检测结果表征所述待测图像中单晶硅棱线所在的区域是否存在断线；
其中，所述断线检测模型通过样本图像训练得到，所述样本图像中具有样本区域，所述样本区域为单晶硅棱线所在的区域，且所述样本区域具有样本标签，所述样本标签表征所述样本区域是否存在断线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311377158.6A CN117372377B (zh) | 2023-10-23 | 2023-10-23 | 一种单晶硅棱线的断线检测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311377158.6A CN117372377B (zh) | 2023-10-23 | 2023-10-23 | 一种单晶硅棱线的断线检测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117372377A true CN117372377A (zh) | 2024-01-09 |
| CN117372377B CN117372377B (zh) | 2024-05-31 |
Family
ID=89399956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311377158.6A Active CN117372377B (zh) | 2023-10-23 | 2023-10-23 | 一种单晶硅棱线的断线检测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117372377B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117552085A (zh) * | 2024-01-11 | 2024-02-13 | 苏州晨晖智能设备有限公司 | 单晶硅放肩调整方法、装置、电子设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015184764A1 (zh) * | 2014-11-17 | 2015-12-10 | 中兴通讯股份有限公司 | 行人检测方法及装置 |
| CN107801000A (zh) * | 2017-10-17 | 2018-03-13 | 国网江苏省电力公司盐城供电公司 | 一种输电线路防外破智能视频监控系统 |
| CN109112614A (zh) * | 2017-06-23 | 2019-01-01 | 上海新昇半导体科技有限公司 | 晶棒的测试方法以及晶棒生长装置 |
| CN111218714A (zh) * | 2018-11-26 | 2020-06-02 | 隆基绿能科技股份有限公司 | 一种断线测量方法、设备及存储介质 |
| CN113240125A (zh) * | 2021-01-13 | 2021-08-10 | 深延科技(北京)有限公司 | 模型训练方法及装置、标注方法及装置、设备及存储介质 |
| CN114622311A (zh) * | 2022-05-17 | 2022-06-14 | 北京东方国信科技股份有限公司 | 断线检测方法、装置及纺纱机 |
| CN115457330A (zh) * | 2022-09-23 | 2022-12-09 | 中冶赛迪信息技术(重庆)有限公司 | 一种打包线断线状态识别方法、装置、设备及存储介质 |
| WO2023071288A1 (zh) * | 2021-10-29 | 2023-05-04 | 隆基绿能科技股份有限公司 | 放肩断线检测方法、装置、存储介质及电子设备 |
| CN116071362A (zh) * | 2023-03-20 | 2023-05-05 | 内蒙古晶环电子材料有限公司 | 拉晶断苞检测方法、装置、计算机设备和存储介质 |
| CN116823795A (zh) * | 2023-07-14 | 2023-09-29 | 蓝思系统集成有限公司 | 橡胶制品的缺陷检测方法、装置、电子设备及存储介质 |
| CN116863288A (zh) * | 2023-07-31 | 2023-10-10 | 广联达科技股份有限公司 | 基于深度学习的目标检测和报警方法、装置及设备 |
-
2023
- 2023-10-23 CN CN202311377158.6A patent/CN117372377B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015184764A1 (zh) * | 2014-11-17 | 2015-12-10 | 中兴通讯股份有限公司 | 行人检测方法及装置 |
| CN109112614A (zh) * | 2017-06-23 | 2019-01-01 | 上海新昇半导体科技有限公司 | 晶棒的测试方法以及晶棒生长装置 |
| CN107801000A (zh) * | 2017-10-17 | 2018-03-13 | 国网江苏省电力公司盐城供电公司 | 一种输电线路防外破智能视频监控系统 |
| CN111218714A (zh) * | 2018-11-26 | 2020-06-02 | 隆基绿能科技股份有限公司 | 一种断线测量方法、设备及存储介质 |
| CN113240125A (zh) * | 2021-01-13 | 2021-08-10 | 深延科技(北京)有限公司 | 模型训练方法及装置、标注方法及装置、设备及存储介质 |
| WO2023071288A1 (zh) * | 2021-10-29 | 2023-05-04 | 隆基绿能科技股份有限公司 | 放肩断线检测方法、装置、存储介质及电子设备 |
| CN116071285A (zh) * | 2021-10-29 | 2023-05-05 | 隆基绿能科技股份有限公司 | 放肩断线检测方法、装置、存储介质及电子设备 |
| CN114622311A (zh) * | 2022-05-17 | 2022-06-14 | 北京东方国信科技股份有限公司 | 断线检测方法、装置及纺纱机 |
| CN115457330A (zh) * | 2022-09-23 | 2022-12-09 | 中冶赛迪信息技术(重庆)有限公司 | 一种打包线断线状态识别方法、装置、设备及存储介质 |
| CN116071362A (zh) * | 2023-03-20 | 2023-05-05 | 内蒙古晶环电子材料有限公司 | 拉晶断苞检测方法、装置、计算机设备和存储介质 |
| CN116823795A (zh) * | 2023-07-14 | 2023-09-29 | 蓝思系统集成有限公司 | 橡胶制品的缺陷检测方法、装置、电子设备及存储介质 |
| CN116863288A (zh) * | 2023-07-31 | 2023-10-10 | 广联达科技股份有限公司 | 基于深度学习的目标检测和报警方法、装置及设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117552085A (zh) * | 2024-01-11 | 2024-02-13 | 苏州晨晖智能设备有限公司 | 单晶硅放肩调整方法、装置、电子设备及存储介质 |
| CN117552085B (zh) * | 2024-01-11 | 2024-04-02 | 苏州晨晖智能设备有限公司 | 单晶硅放肩调整方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117372377B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3552067B1 (en) | Methods and systems for discovery of prognostic subsequences in time series | |
| CN117372377B (zh) | 一种单晶硅棱线的断线检测方法、装置及电子设备 | |
| CN112115927B (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
| CN113128412B (zh) | 一种基于深度学习及火灾监控视频的火灾趋势预测方法 | |
| CN111695493B (zh) | 一种输电线路隐患的检测方法及系统 | |
| CN107220969A (zh) | 产品灯位的测试方法及检测系统 | |
| TWI747686B (zh) | 缺陷檢測方法及檢測裝置 | |
| CN115471487A (zh) | 绝缘子缺陷检测模型构建及绝缘子缺陷检测方法、装置 | |
| CN114820598B (zh) | Pcb缺陷检测系统及pcb缺陷检测方法 | |
| CN112529109A (zh) | 一种基于无监督多模型的异常检测方法及系统 | |
| CN114297264B (zh) | 一种时序信号异常片段检测方法及系统 | |
| CN112732700A (zh) | 一种轧钢生产数据切片方法、系统、介质及电子终端 | |
| CN115660262A (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
| CN114387564A (zh) | 一种基于YOLOv5的磕头机停抽检测方法 | |
| CN113850773A (zh) | 一种检测方法、装置、设备及计算机可读存储介质 | |
| CN117743120A (zh) | 基于大数据技术的网卡异常检测方法 | |
| CN112906593A (zh) | 一种基于Faster RCNN的水闸图像识别方法 | |
| CN104899863A (zh) | 一种模具保护器及其实现方法 | |
| CN116977904A (zh) | 一种基于YOLOv5的快速识别大场景多人工衣检测方法 | |
| US20220343113A1 (en) | Automatic model reconstruction method and automatic model reconstruction system for component recognition model | |
| CN116740885A (zh) | 烟雾火焰报警方法、装置、电子设备及存储介质 | |
| CN113723698A (zh) | 养猪场生猪监测预测方法及系统、电子设备及存储介质 | |
| CN117350984B (zh) | 一种单晶硅放肩开叉的检测方法及装置 | |
| CN108181315B (zh) | 一种基于图像处理的饼干损伤检测装置及检测方法 | |
| CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、系统及介质 |
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 |