[发明专利]太阳能电池片表面缺陷检测方法

说明书

本发明公开了一种太阳能电池片表面缺陷检测方法，图片进行归一化处理，得到太阳能电池表面图像的二值图；基于卷积神经网络结构建立深度学习模型；构成深度置信网络；通过深度学习模型训练深度置信网络；通过误差反向传播算法调整深度置信网络；选取深度置信网络的学习速率、迭代次数和权重；将训练好的深度置信网络对测试集的二值图进行太阳能电池片表面缺陷检测，深度置信网络输出检测结果。本发明通过将特征提取和图像处理合二为一，缩短缺陷检测时间，并且能够快速适应训练的环境和位置的变化，满足生产需求，节约经济成本，同时深度置信网络与误差反向传播算法相结合完成特征提取与图像处理为之后的图像缺陷检测提供事实依据。

技术领域

本发明涉及电池片表面缺陷检测技术领域，尤其涉及一种太阳能电池片表面缺陷检测方法。

背景技术

太阳能电池的生产是基于太阳能需求的行业。太阳能向电能的转换是通过由多个太阳能电池形成的太阳能光伏阵列来实现的。太阳能电池片再生产的过程中，由于装置和操作的误差，表面一般会存在一些瑕疵和缺陷。这不仅影响电池的生产质量，更直接降低了发电效率和电池寿命。在国内太阳能电池中，硅电池占主导地位。这类电池以极具脆性的硅片作为原料，而且在生产制备过程中，要经过多道复杂工艺，在形成成品和出产之前，极易产生各种缺陷。因此，为保证电池片生产质量，保持企业的竞争力，就需要不断进行测试来将含有缺陷的电池片剔除。太阳能电池片表面缺陷检测对促进行业的发展，具有广泛的现实意义。

目前对于太阳能电池片的缺陷检测来说，很大部分都是依靠人工来测验，想要用Charge Coupled Device(CCD)成像系统来实现无需人工的辨别是很困难的。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种太阳能电池片表面缺陷检测方法，缩短缺陷检测时间，提高工作效率。

根据本发明实施例的一种太阳能电池片表面缺陷检测方法，应用于太阳能电池片表面检测，所述太阳能电池片表面缺陷检测方法步骤如下：

S1：对训练集图片进行归一化处理，将训练集中为太阳能电池表面的图像进行压缩处理，压缩处理后的图像再次进行归一化处理，得到太阳能电池表面图像的二值图；

S2：基于卷积神经网络结构建立深度学习模型；

S3：应用步骤S1中得到的二值图，将检测二值图需要的多个受限波尔兹曼机依次相连，以构成深度置信网络；

S4：应用步骤S3中得到的深度置信网络，通过误差反向传播算法调整深度置信网络；

S5：应用步骤S4中得到的深度置信网络，通过深度学习模型训练深度置信网络；

S6：应用步骤S5中得到的深度置信网络，选取深度置信网络的学习速率、迭代次数和权重；

S7：应用步骤S6中得到的深度置信网络，将训练好的深度置信网络对测试集的二值图进行太阳能电池片表面缺陷检测，深度置信网络输出检测结果。

优选的，应用步骤S3中的受限玻尔兹曼机，在多个受限玻尔兹曼机中，前一个受限玻尔兹曼机的隐层为后一个受限玻尔兹曼机的显层，相连接的两个受限玻尔兹曼机的输入端与输出端对应设置。

优选的，所述受限玻尔兹曼机的能量函数定义为：

其中，v为可见层单元的状态，h为隐藏层单元的状态，W_i×j是可见层m和隐含层h之间的权重矩阵；

b＝(b₁,...,b_m)是可见节点的偏移量；

c＝(c₁,...,c_n)是隐藏节点的偏移量；