CN117484031A - 光伏组件焊接加工设备 - Google Patents
光伏组件焊接加工设备 Download PDFInfo
- Publication number
- CN117484031A CN117484031A CN202311640045.0A CN202311640045A CN117484031A CN 117484031 A CN117484031 A CN 117484031A CN 202311640045 A CN202311640045 A CN 202311640045A CN 117484031 A CN117484031 A CN 117484031A
- Authority
- CN
- China
- Prior art keywords
- classification
- feature
- module
- matrix
- photovoltaic module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003466 welding Methods 0.000 title claims abstract description 101
- 238000012545 processing Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims description 94
- 239000011159 matrix material Substances 0.000 claims description 92
- 230000004927 fusion Effects 0.000 claims description 49
- 238000013527 convolutional neural network Methods 0.000 claims description 39
- 238000010586 diagram Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 14
- 230000014509 gene expression Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 239000011800 void material Substances 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000002829 reductive effect Effects 0.000 abstract description 7
- 238000013136 deep learning model Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000011179 visual inspection Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000005476 soldering Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K2101/00—Articles made by soldering, welding or cutting
- B23K2101/36—Electric or electronic devices
- B23K2101/40—Semiconductor devices
Landscapes
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及太阳能电池加工领域，其具体公开了一种光伏组件焊接加工设备，其使用基于深度学习模型的人工智能技术来对焊接过程中的参数以及焊接接头图像进行特征提取和编码，以得到用于表示光伏组件焊接质量是否合格的分类结果。这样通过智能检测光伏组件的焊接质量，提高了检测精度，降低了人力成本。
Description
技术领域
本申请涉及太阳能电池加工领域，且更为具体的涉及一种光伏组件焊接加工设备。
背景技术
光伏组件焊接加工设备是用于太阳能光伏组件生产过程中的焊接工艺的设备。光伏组件通常由多个太阳能电池片组成，这些电池片需要通过焊接来连接成串或并联的电路，形成完整的光伏组件。焊接检测设备用于对焊接质量进行检测和评估，以确保焊接质量符合要求。传统的传统的光伏组件焊接质量检测方法包括以下几种：1、目视检查：操作人员通过目视观察焊接接头的外观来评估焊接质量。这种方法简单直观，但主观性较强，容易受到操作人员经验和主观判断的影响，存在一定的不确定性。2、手工测量：使用测量工具(如卡尺、游标卡尺等)对焊接接头的尺寸进行测量，以判断焊接质量。这种方法需要操作人员具备一定的测量技能，而且对于大批量生产来说，效率较低。3、电阻测量：通过测量焊接接头的电阻值来评估焊接质量。这种方法需要使用专用的电阻测量仪器，可以提供比目视检查更客观的评估结果。然而，传统的电阻测量方法对于大规模生产来说，仍然存在效率低、操作繁琐等缺点。
因此，期待一种优化的光伏组件焊接加工方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种光伏组件焊接加工设备，其使用基于深度学习模型的人工智能技术来对焊接过程中的参数以及焊接接头图像进行特征提取和编码，以得到用于表示光伏组件焊接质量是否合格的分类结果。这样通过智能检测光伏组件的焊接质量，提高了检测精度，降低了人力成本。
根据本申请的一个方面，提供了一种光伏组件焊接加工设备，其包括：
图像采集模块，用于获取焊接接头图像；
颜色校正模块，用于对所述焊接接头图像进行直方图均衡化预处理和CLAHE校正颜色以得到优化焊接接头图像；
双流检测模块，用于将所述优化焊接接头图像通过包含并行的第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度特征图和第二尺度特征图；
差分模块，用于计算所述第一尺度特征图和所述第二尺度特征图之间的差分特征图；
降维模块，用于将所述差分特征图进行沿通道维度的各个特征矩阵进行池化以得到差分特征向量；
数据采集模块，用于获取多个预定时间点的电流值和电压值；
矩阵化模块，用于将所述多个预定时间点的电流值和电压值分别排列为电流输入向量和电压输入向量后进行融合以得到融合检测矩阵；
特征过滤模块，用于将所述融合检测矩阵通过作为过滤器的第三卷积神经网络模型以得到融合特征向量；
融合模块，用于融合所述融合特征向量和所述差分特征向量以得到分类特征矩阵；
优化模块，用于计算所述分类特征矩阵相对于目标分类函数的运动分布模型的后验表达以得到优化分类特征矩阵；
检测结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示光伏组件焊接质量是否合格。
在上述的光伏组件焊接加工设备中，所述第一卷积神经网络使用具有第一空洞率的第一卷积核，所述第二卷积神经网络使用具有第二空洞率的第二卷积核，所述第一空洞率不同于所述第二空洞率。
在上述的光伏组件焊接加工设备中，所述第一卷积核的尺寸与所述第二卷积核的尺寸相等。
在上述的光伏组件焊接加工设备中，所述差分模块，用于：
以如下差分公式来计算所述第一尺度特征图和所述第二尺度特征图之间的所述差分特征图；
其中，所述差分公式为：
其中，F1表示所述第一尺度特征图，F2表示第二尺度特征图，表示按位置作差。
在上述的光伏组件焊接加工设备中，所述矩阵化模块，用于：
使用联合编码器以如下联合编码公式对所述电流输入向量和所述电压输入向量进行联合编码以生成所述融合检测矩阵；
其中，所述联合编码公式为：
其中表示向量相乘，M表示所述分类特征矩阵，Fa表示所述电流输入向量，Fb表示所述电压输入向量，/>表示所述电压输入向量的转置。
在上述的光伏组件焊接加工设备中，所述特征过滤模块，用于：
使用所述作为过滤器的第三卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第三卷积神经网络模型的最后一层的输出为所述融合特征向量，所述第三卷积神经网络模型的第一层的输入为所述融合检测矩阵。
在上述的光伏组件焊接加工设备中，，所述融合模块，用于：
计算所述融合特征向量的转置向量和所述差分特征向量之间的乘积以得到所述分类特征矩阵。
在上述的光伏组件焊接加工设备中，所述优化模块，用于：
以如下优化公式计算所述分类特征矩阵相对于目标分类函数的运动分布模型的后验表达以得到优化分类特征矩阵；
其中，所述优化公式为：
其中，mi,j是所述分类特征矩阵的第(i,j)位置的特征值，是所述分类特征矩阵的全局特征均值，log表示以2为底的对数函数值，λ表示预定超参数，mi,j ′是所述优化分类特征矩阵的第(i,j)位置的特征值，e为自然常数。
在上述的光伏组件焊接加工设备中，所述检测结果生成模块，包括：
展开单元，用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；
全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；
分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比，本申请提供的光伏组件焊接加工设备，其使用基于深度学习模型的人工智能技术来对焊接过程中的参数以及焊接接头图像进行特征提取和编码，以得到用于表示光伏组件焊接质量是否合格的分类结果。这样通过智能检测光伏组件的焊接质量，提高了检测精度，降低了人力成本。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的光伏组件焊接加工设备的框图。
图2为根据本申请实施例的光伏组件焊接加工设备的系统架构图。
图3为根据本申请实施例的光伏组件焊接加工设备中检测结果生成模块的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
图1为根据本申请实施例的光伏组件焊接加工设备的框图。图2为根据本申请实施例的光伏组件焊接加工设备的系统架构图。如图1和图2所示，根据本申请实施例的光伏组件焊接加工设备100，包括：图像采集模块110，用于获取焊接接头图像；颜色校正模块120，用于对所述焊接接头图像进行直方图均衡化预处理和CLAHE校正颜色以得到优化焊接接头图像；双流检测模块130，用于将所述优化焊接接头图像通过包含并行的第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度特征图和第二尺度特征图；差分模块140，用于计算所述第一尺度特征图和所述第二尺度特征图之间的差分特征图；降维模块150，用于将所述差分特征图进行沿通道维度的各个特征矩阵进行池化以得到差分特征向量；数据采集模块160，用于获取多个预定时间点的电流值和电压值；矩阵化模块170，用于将所述多个预定时间点的电流值和电压值分别排列为电流输入向量和电压输入向量后进行融合以得到融合检测矩阵；特征过滤模块180，用于将所述融合检测矩阵通过作为过滤器的第三卷积神经网络模型以得到融合特征向量；融合模块190，用于融合所述融合特征向量和所述差分特征向量以得到分类特征矩阵；优化模块200，用于计算所述分类特征矩阵相对于目标分类函数的运动分布模型的后验表达以得到优化分类特征矩阵；以及检测结果生成模块210，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示光伏组件焊接质量是否合格。
在上述的光伏组件焊接加工设备100中，所述图像采集模块110，用于获取焊接接头图像。如上述背景技术所言，传统的传统的光伏组件焊接质量检测方法包括以下几种：1、目视检查：操作人员通过目视观察焊接接头的外观来评估焊接质量。这种方法简单直观，但主观性较强，容易受到操作人员经验和主观判断的影响，存在一定的不确定性。2、手工测量：使用测量工具(如卡尺、游标卡尺等)对焊接接头的尺寸进行测量，以判断焊接质量。这种方法需要操作人员具备一定的测量技能，而且对于大批量生产来说，效率较低。3、电阻测量：通过测量焊接接头的电阻值来评估焊接质量。这种方法需要使用专用的电阻测量仪器，可以提供比目视检查更客观的评估结果。然而，传统的电阻测量方法对于大规模生产来说，仍然存在效率低、操作繁琐等缺点。因此，期待一种优化的光伏组件焊接加工方案。
针对上述技术问题，提出了一种优化的光伏组件焊接加工设备，其使用基于深度学习模型的人工智能技术来对焊接过程中的参数以及焊接接头图像进行特征提取和编码，以得到用于表示光伏组件焊接质量是否合格的分类结果。这样通过智能检测光伏组件的焊接质量，提高了检测精度，降低了人力成本。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为光伏组件焊接加工设备提供了新的解决思路和方案。
具体地，首先，获取焊接接头图像。一方面，通过获取焊接接头的图像，可以直观地观察焊接接头的形状和外观，从而进行初步的评估。例如，可以检查焊接接头是否均匀、是否存在裂纹、气孔或其他缺陷。另一方面，焊接接头图像可以通过图像处理和计算机视觉技术进行特征提取。这些特征可以用于评估焊接接头的质量，例如焊缝的宽度、深度、几何形状。通过提取这些特征，可以建立模型进行自动化的焊接质量检测。
在上述的光伏组件焊接加工设备100中，所述颜色校正模块120，用于对所述焊接接头图像进行直方图均衡化预处理和CLAHE校正颜色以得到优化焊接接头图像。直方图均衡化可以调整图像的像素分布，使得整个图像的亮度范围更加均匀，从而增强图像的对比度。这有助于突出焊接接头的细节和特征，使得后续处理和分析更加准确。CLAHE校正颜色是一种自适应的直方图均衡化方法，它可以在不引入过多噪声的情况下增强图像的细节。焊接接头图像中可能存在局部对比度较低的区域，CLAHE可以针对这些区域进行局部的对比度增强，使得细节更加清晰可见。焊接接头图像可能受到光照条件、摄像机传感器等因素的影响，导致颜色偏移。通过进行颜色校正，可以使得图像的颜色更加真实和准确，消除颜色偏差对后续处理和分析的干扰。
在上述的光伏组件焊接加工设备100中，所述双流检测模块130，用于将所述优化焊接接头图像通过包含并行的第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度特征图和第二尺度特征图。考虑到焊接接头图像中可能存在不同尺度的特征，例如细节特征和整体形状特征。通过使用双流网络模型，可以同时提取不同尺度的特征，其中第一卷积神经网络主要关注细节特征，第二卷积神经网络主要关注整体形状特征。这样可以更全面地捕捉焊接接头图像中的信息。卷积神经网络通过多层次的卷积和池化操作，可以逐渐提取出图像的高级特征表示。第一尺度特征图和第二尺度特征图分别代表了不同层次的特征表示，其中第一尺度特征图可能更加关注图像的细节信息，第二尺度特征图可能更加关注图像的整体形状信息。这样可以提供更丰富的特征表示，有助于后续的分类、检测或分割任务。使用双流网络模型可以充分利用不同尺度特征的信息，从而提高模型的性能。通过并行处理第一尺度特征图和第二尺度特征图，可以获得更多的特征表达，增强模型对焊接接头图像的理解和判别能力。
具体地，在本申请实施例中，所述第一卷积神经网络使用具有第一空洞率的第一卷积核，所述第二卷积神经网络使用具有第二空洞率的第二卷积核，所述第一空洞率不同于所述第二空洞率，所述第一卷积核的尺寸与所述第二卷积核的尺寸相等。
在上述的光伏组件焊接加工设备100中，所述差分模块140，用于计算所述第一尺度特征图和所述第二尺度特征图之间的差分特征图。第一尺度特征图和第二尺度特征图分别关注细节特征和整体形状特征。通过计算差分特征图，可以突出两者之间的差异，特别是在细节方面。这有助于强化焊接接头图像中的细节信息，使得后续处理和分析更加准确。差分特征图可以捕捉到第一尺度特征图和第二尺度特征图之间的独特特征，即两者之间的不同之处。这些独特特征可能包含焊接接头的关键信息，如焊缝的形状、尺寸、位置等。通过提取差分特征图，可以将焊接接头的关键特征突出显示，方便后续的分类和检测任务。
具体地，在本申请实施例中，所述差分模块140，用于：以如下差分公式来计算所述第一尺度特征图和所述第二尺度特征图之间的所述差分特征图；其中，所述差分公式为：
其中，F1表示所述第一尺度特征图，F2表示第二尺度特征图，表示按位置作差。
在上述的光伏组件焊接加工设备100中，所述降维模块150，用于将所述差分特征图进行沿通道维度的各个特征矩阵进行池化以得到差分特征向量。差分特征图通常具有较高的维度，其中每个通道都包含了一定数量的特征矩阵。通过对每个通道进行池化操作，可以将每个通道的特征矩阵压缩为一个特征向量，从而降低了整体的维度。这有助于减少计算复杂性，并提高后续处理和分析的效率。池化操作可以提取每个通道中的主要特征。通过对特征矩阵进行池化，可以将矩阵中的重要特征值聚合到一个单一的数值中，而忽略掉不重要的细节。这有助于减少噪声的影响，保留焊接接头图像中最具代表性和区分性的特征信息。将差分特征图转化为差分特征向量可以实现统一的特征表示。不同通道的特征矩阵可能具有不同的尺寸和分布，而将它们转化为特征向量可以消除这种差异，使得每个通道的特征都可以以相同的方式进行处理和分析。这样可以方便后续的特征融合、分类和其他任务。
在上述的光伏组件焊接加工设备100中，所述数据采集模块160，用于获取多个预定时间点的电流值和电压值。通过获取多个时间点的电流值和电压值，可以监测电力系统的运行状态。多个时间点的电流值和电压值可以提供电力负荷的特征信息。通过分析这些数据，可以了解电力系统的负荷变化情况，包括峰值负荷、负荷波动性等。同时，多个时间点的电流值和电压值可以用于电力质量分析。电力质量是指电力系统提供给用户的电能与用户需求之间的匹配程度，包括电压波动、频率偏差、谐波、闪变等方面。
在上述的光伏组件焊接加工设备100中，所述矩阵化模块170，用于将所述多个预定时间点的电流值和电压值分别排列为电流输入向量和电压输入向量后进行融合以得到融合检测矩阵。通过将多个时间点的电流值和电压值排列为向量形式，可以保留每个时间点的时序信息。这些时序信息包含了电力系统的动态变化，如瞬态过程、周期性变化等。将这些信息融合在一起，可以更全面地反映电力系统的状态和特征，提高检测的灵敏度和可靠性。将电流值和电压值分别排列为向量后，可以将它们作为不同的特征维度进行融合。这样可以增加特征的多样性，提供更丰富的信息表达能力。融合后的检测矩阵可以包含更多有用的特征，从而提高对电力系统状态的理解和判别能力。同时，考虑到电力系统受到各种干扰和噪声的影响，如电力负荷变化、谐波干扰、测量误差等。通过将多个时间点的电流值和电压值进行融合，可以减少单个时间点的干扰对检测结果的影响。融合后的检测矩阵可以更好地抵抗噪声和干扰，提高检测的鲁棒性和稳定性。电流值和电压值分别代表了电力系统的两个重要方面，即电流特征和电压特征。将它们分别排列为向量后进行融合，可以综合利用这两个方面的信息，提供更全面、更准确的特征表示。这有助于改善对电力系统状态的描述和判断，提高检测的精度和可信度。
具体地，在本申请实施例中，所述矩阵化模块170，用于：使用联合编码器以如下联合编码公式对所述电流输入向量和所述电压输入向量进行联合编码以生成所述融合检测矩阵；其中，其中，所述联合编码公式为：
其中表示向量相乘，M表示所述分类特征矩阵，Fa表示所述电流输入向量，Fb表示所述电压输入向量，/>表示所述电压输入向量的转置。
在上述的光伏组件焊接加工设备100中，所述特征过滤模块180，用于将所述融合检测矩阵通过作为过滤器的第三卷积神经网络模型以得到融合特征向量。卷积神经网络(CNN)是一种强大的深度学习模型，擅长从输入数据中提取和抽象有用的特征。通过将融合检测矩阵输入到CNN模型中，可以利用其卷积和池化操作，自动学习和提取融合特征。CNN模型能够从数据中发现空间和时间上的模式，并将其转化为更高级别的特征表示。CNN模型具有非线性映射的能力，可以捕捉到融合检测矩阵中的复杂关系和非线性特征。这对于电力系统状态的检测和分析非常重要，因为电力系统的行为通常是非线性的。通过CNN模型，可以将融合检测矩阵映射到一个更高维度的特征空间，提高对电力系统状态的判别能力。同时，CNN模型能够通过卷积操作捕捉到数据的局部关联和上下文信息。对于融合检测矩阵来说，不同时间点的电流和电压数据之间可能存在一定的关联和依赖关系。通过CNN模型，可以有效地利用这些关联和上下文信息，进一步提取融合特征向量，更好地描述电力系统的状态和特征。
具体地，在本申请实施例中，所述特征过滤模块180，用于：使用所述作为过滤器的第三卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第三卷积神经网络模型的最后一层的输出为所述融合特征向量，所述第三卷积神经网络模型的第一层的输入为所述融合检测矩阵。
在上述的光伏组件焊接加工设备100中，所述融合模块190，用于融合所述融合特征向量和所述差分特征向量以得到分类特征矩阵。融合特征向量和差分特征向量代表了不同的特征信息。融合特征向量通过卷积神经网络模型提取，能够捕捉到融合检测矩阵中的高级抽象特征。而差分特征向量则用于表示融合检测矩阵中的变化和动态特征。通过将这两种特征进行融合，可以使分类特征矩阵更加丰富和全面，提供更多有用的信息来支持分类任务的进行。差分特征向量反映了融合检测矩阵中不同时间点之间的变化情况。这些时序信息对于分类任务来说是非常重要的，因为电力系统的状态和特征随着时间的推移可能发生变化。通过将差分特征向量与融合特征向量进行融合，可以综合利用时序信息和静态特征信息，提高分类任务对电力系统状态的理解和判别能力。融合特征向量和差分特征向量代表了不同的特征维度，通过融合可以增加特征的多样性。这有助于提高分类特征矩阵对于噪声、干扰和异常情况的鲁棒性。当某个特征维度受到干扰时，其他特征维度可以提供补充和纠正，从而提高分类任务的准确性和稳定性。
具体地，在本申请实施例中，所述融合模块190，用于：计算所述融合特征向量的转置向量和所述差分特征向量之间的乘积以得到所述分类特征矩阵。
在上述的光伏组件焊接加工设备100中，所述优化模块200，用于计算所述分类特征矩阵相对于目标分类函数的运动分布模型的后验表达以得到优化分类特征矩阵。考虑到在本申请技术方案中，图像预处理包括直方图均衡化预处理和CLAHE校正颜色。这些步骤旨在增强图像的对比度和细节。然而，这些操作可能会引入噪声或冗余信息，导致一些特征在处理后变得不相关或不显著。这可能导致稀疏性的增加。并且，双流网络模型包含并行的第一卷积神经网络和第二卷积神经网络，用于提取第一尺度特征图和第二尺度特征图。这些网络在不同的尺度和层级上提取图像特征。然而，某些特征可能在某些尺度或层级上不具有显著性，因此可能被表示为零或接近零的值，导致稀疏性的增加。而如果分类特征矩阵的稀疏度交稿，由于在高稀疏度的分类特征矩阵中存在大量的零元素或接近于零的元素，这意味着很多特征在该矩阵中没有得到充分表示。这可能导致丢失关键的信息，使得分类器无法准确地区分不同类别之间的差异。在高稀疏度的分类特征矩阵中，一些特征可能会出现重复或高度相关的情况。这些冗余特征可能会引入噪声或冗余信息，对分类器的决策产生干扰，降低分类准确性。高稀疏度的分类特征矩阵中某些特征可能具有更高的权重或更大的方差，而其他特征则相对较弱或变化较小。这种不平衡可能导致分类器在学习和决策过程中偏向于重要特征，而忽略了其他可能具有较低权重但仍然有用的特征，从而影响分类准确性。因此，为了提高分类准确性，通过计算所述分类特征矩阵相对于目标分类函数的运动分布模型的后验表达以降低稀疏度的方法，从而保留更多有用的特征信息并减少噪声的影响，以解决在将所述分类特征矩阵通过分类器进行分类时，所述分类特征矩阵的稀疏度对于分类准确性会产生不利影响的问题。
具体地，以如下优化公式计算所述分类特征矩阵相对于目标分类函数的运动分布模型的后验表达以得到优化分类特征矩阵；
其中，所述优化公式为：
其中，mi,j是所述分类特征矩阵的第(i,j)位置的特征值，是所述分类特征矩阵的全局特征均值，log表示以2为底的对数函数值，λ表示预定超参数，mi,j ′是所述优化分类特征矩阵的第(i,j)位置的特征值，e为自然常数。
也就是，为了提高基于编码器模型得到的分类特征矩阵的分类准确性，在本申请的技术方案中，使用运动分布模型来近似目标分类函数。具体的，使用类KL散度来度量运动分布模型和目标分类函数之间的差异，即用交叉熵损失函数来优化神经网络的参数,进而以后验表达来计算或估计运动分布模型的输出，即用编码器模型的输出作为神经网络的输入，并使用类KL散度来度量后验表达和运动分布模型之间的差异，即用最大似然估计方法来优化编码器模型的参数，这样使用稀疏性约束来促进编码器模型的稀疏性。通过这样的方法，实现对特征的隐式表达进行稀疏性约束，从而在训练过程中对编码器的参数空间进行稀疏性限制，以提高编码器模型的群优化能力，从而改善基于编码器模型得到的分类特征矩阵的分类准确性。
具体地，在本申请实施例中，所述优化模块200，用于：以如下优化公式计算所述分类特征矩阵相对于目标分类函数的运动分布模型的后验表达以得到优化分类特征矩阵；
其中，所述优化公式为：
其中，mi,j是所述分类特征矩阵的第(i,j)位置的特征值，是所述分类特征矩阵的全局特征均值，log表示以2为底的对数函数值，λ表示预定超参数，mi,j ′是所述优化分类特征矩阵的第(i,j)位置的特征值，e为自然常数。
在上述的光伏组件焊接加工设备100中，所述检测结果生成模块210，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示光伏组件焊接质量是否合格。通过使用分类器，可以实现对光伏组件焊接质量的自动化判别。分类器是一种机器学习模型，可以根据输入的特征矩阵对样本进行分类。将优化分类特征矩阵输入分类器，可以自动地对光伏组件的焊接质量进行评估，无需人工干预和主观判断。使用分类器进行光伏组件焊接质量的判别可以提高效率和一致性。分类器可以快速处理大量的数据，并且在相同的输入条件下，能够给出一致的分类结果。相比于人工判别，使用分类器可以节省时间和人力成本，并且减少主观因素对判别结果的影响。
图3为根据本申请实施例的光伏组件焊接加工设备中检测结果生成模块的框图。如图3所示，所述检测结果生成模块210，包括：展开单元211，用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元212，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；分类结果生成单元213，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的光伏组件焊接加工设备已被阐明，其使用基于深度学习模型的人工智能技术来对焊接过程中的参数以及焊接接头图像进行特征提取和编码，以得到用于表示光伏组件焊接质量是否合格的分类结果。这样通过智能检测光伏组件的焊接质量，提高了检测精度，降低了人力成本。
如上所述，根据本申请实施例的光伏组件焊接加工设备100可以实现在各种终端设备中，例如光伏组件焊接加工设备的服务器等。在一个示例中，根据本申请实施例的光伏组件焊接加工设备100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该光伏组件焊接加工设备100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该光伏组件焊接加工设备100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该光伏组件焊接加工设备100与该终端设备也可以是分立的设备，并且该光伏组件焊接加工设备100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种光伏组件焊接加工设备，其特征在于，包括：
图像采集模块，用于获取焊接接头图像；
颜色校正模块，用于对所述焊接接头图像进行直方图均衡化预处理和CLAHE校正颜色以得到优化焊接接头图像；
双流检测模块，用于将所述优化焊接接头图像通过包含并行的第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度特征图和第二尺度特征图；
差分模块，用于计算所述第一尺度特征图和所述第二尺度特征图之间的差分特征图；
降维模块，用于将所述差分特征图进行沿通道维度的各个特征矩阵进行池化以得到差分特征向量；
数据采集模块，用于获取多个预定时间点的电流值和电压值；
矩阵化模块，用于将所述多个预定时间点的电流值和电压值分别排列为电流输入向量和电压输入向量后进行融合以得到融合检测矩阵；
特征过滤模块，用于将所述融合检测矩阵通过作为过滤器的第三卷积神经网络模型以得到融合特征向量；
融合模块，用于融合所述融合特征向量和所述差分特征向量以得到分类特征矩阵；
优化模块，用于计算所述分类特征矩阵相对于目标分类函数的运动分布模型的后验表达以得到优化分类特征矩阵；
检测结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示光伏组件焊接质量是否合格。
2.根据权利要求1所述的光伏组件焊接加工设备，其特征在于，所述第一卷积神经网络使用具有第一空洞率的第一卷积核，所述第二卷积神经网络使用具有第二空洞率的第二卷积核，所述第一空洞率不同于所述第二空洞率。
3.根据权利要求2所述的光伏组件焊接加工设备，其特征在于，所述第一卷积核的尺寸与所述第二卷积核的尺寸相等。
4.根据权利要求3所述的光伏组件焊接加工设备，其特征在于，所述差分模块，用于：
以如下差分公式来计算所述第一尺度特征图和所述第二尺度特征图之间的所述差分特征图；
其中，所述差分公式为：
其中，F1表示所述第一尺度特征图，F2表示第二尺度特征图，表示按位置作差。
5.根据权利要求4所述的光伏组件焊接加工设备，其特征在于，所述矩阵化模块，用于：
使用联合编码器以如下联合编码公式对所述电流输入向量和所述电压输入向量进行联合编码以生成所述融合检测矩阵；
其中，所述联合编码公式为：
其中表示向量相乘，M表示所述分类特征矩阵，Fa表示所述电流输入向量，Fb表示所述电压输入向量，/>表示所述电压输入向量的转置。
6.根据权利要求5所述的光伏组件焊接加工设备，其特征在于，所述特征过滤模块，用于：
使用所述作为过滤器的第三卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第三卷积神经网络模型的最后一层的输出为所述融合特征向量，所述第三卷积神经网络模型的第一层的输入为所述融合检测矩阵。
7.根据权利要求6所述的光伏组件焊接加工设备，其特征在于，所述融合模块，用于：
计算所述融合特征向量的转置向量和所述差分特征向量之间的乘积以得到所述分类特征矩阵。
8.根据权利要求7所述的光伏组件焊接加工设备，其特征在于，所述优化模块，用于：
以如下优化公式计算所述分类特征矩阵相对于目标分类函数的运动分布模型的后验表达以得到优化分类特征矩阵；
其中，所述优化公式为：
其中，mi,j是所述分类特征矩阵的第(i,j)位置的特征值，是所述分类特征矩阵的全局特征均值，log表示以2为底的对数函数值，λ表示预定超参数，mi,j ′是所述优化分类特征矩阵的第(i,j)位置的特征值，e为自然常数。
9.根据权利要求8所述的光伏组件焊接加工设备，其特征在于，所述检测结果生成模块，包括：
展开单元，用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；
全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；
分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311640045.0A CN117484031A (zh) | 2023-11-29 | 2023-11-29 | 光伏组件焊接加工设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311640045.0A CN117484031A (zh) | 2023-11-29 | 2023-11-29 | 光伏组件焊接加工设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117484031A true CN117484031A (zh) | 2024-02-02 |
Family
ID=89678254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311640045.0A Pending CN117484031A (zh) | 2023-11-29 | 2023-11-29 | 光伏组件焊接加工设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117484031A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117790353A (zh) * | 2024-02-27 | 2024-03-29 | 徐州太一世纪能源科技有限公司 | 一种el检测系统及el检测方法 |
-
2023
- 2023-11-29 CN CN202311640045.0A patent/CN117484031A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117790353A (zh) * | 2024-02-27 | 2024-03-29 | 徐州太一世纪能源科技有限公司 | 一种el检测系统及el检测方法 |
| CN117790353B (zh) * | 2024-02-27 | 2024-05-28 | 徐州太一世纪能源科技有限公司 | 一种el检测系统及el检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
| CN111444939B (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
| CN108428231B (zh) | 一种基于随机森林的多参数零件表面粗糙度学习方法 | |
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| CN112541532B (zh) | 基于密集连接结构的目标检测方法 | |
| CN117484031A (zh) | 光伏组件焊接加工设备 | |
| CN111126433A (zh) | 一种工厂pcb板缺陷检测中正负样本数据平衡方法 | |
| CN111798409A (zh) | 一种基于深度学习的pcb缺陷数据生成方法 | |
| CN114419014A (zh) | 基于特征重构的表面缺陷检测方法 | |
| CN115984543A (zh) | 一种基于红外与可见光图像的目标检测算法 | |
| CN112819063A (zh) | 一种基于改进的Focal损失函数的图像识别方法 | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
| CN111783616A (zh) | 一种基于数据驱动自学习的无损检测方法 | |
| CN113112482A (zh) | 一种基于注意力机制网络的pcb缺陷检测方法 | |
| CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN115482227B (zh) | 机器视觉自适应成像环境调整方法 | |
| CN113469977B (zh) | 一种基于蒸馏学习机制的瑕疵检测装置、方法、存储介质 | |
| CN114821174B (zh) | 一种基于内容感知的输电线路航拍图像数据清洗方法 | |
| CN116778301A (zh) | 一种炉膛火焰燃烧状态定量检测方法及系统 | |
| CN115690001A (zh) | 一种用于检测钢管焊接数字射线图像中缺陷的方法 | |
| CN115841446A (zh) | 一种太阳能集热场故障风险快速检测系统及方法 | |
| Yu et al. | Thermal energy diagnosis of boiler plant by computer image processing and neural network technology | |
| Liu et al. | Investigation on automated visual SMD-PCB inspection based on multimodal one-class novelty detection | |
| CN117557775B (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 | |
| CN117726627B (zh) | 芯片表面缺陷检测方法及设备 |
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 |