[发明专利]光伏电池分拣的深度学习识别与控制方法及装置在审
| 申请号： | 201910632273.0 | 申请日： | 2019-07-13 |
| 公开（公告）号： | CN110473806A | 公开（公告）日： | 2019-11-19 |
| 发明（设计）人： | 陈海永;王霜;刘聪 | 申请（专利权）人： | 河北工业大学;天津爱普杰科技有限公司 |
| 主分类号： | H01L21/67 | 分类号： | H01L21/67;B07C5/34 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 300401 天津*** | 国省代码： | 天津;12 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 学习 工业制造过程 缺陷特征提取 背景干扰 传统学习 光伏电池 控制装置 缺陷分类 特征提取 智能性 分拣 视觉 一体化 检测 | ||
1.一种光伏电池视觉分拣的深度学习识别与控制方法，其特征在于，该方法包括：以下步骤：
S1：图像采集
S1-1采集图像
S1-2判定采集到的图像是否超过500张，如果超过继续下面步骤，如果没超过，则再次进入到S1-1步骤中；
S1-3停止采集图像，将采集到的图像保存至相应的缺陷文件夹，按训练集与验证集进行人工分选与标签制作；
S2：深度学校训练
S2-1加载预训练模型；
S2-2对Faster R-CNN模型参数进行初始化，初始化参数内容包括所有的权重值、偏置值、批量归一化尺度因子值，设置网络的初始学习率；
S2-3将所述步骤S1-3得到的训练集和验证集根据其标签内容输入到S2-2初始化的模型中进行训练，得到表面缺陷深度学习模型；
S3：深度学习执行
S3-1实时采集测试图像；
S3-2调用所述步骤S2-3得到的表面缺陷深度学习模型，对所述步骤S3-1的图片进行测试；
S3-3得到实时检测结果：包括缺陷类别以及定位缺陷的精确位置及其置信度；
S4：机器人分拣
S4-1将所述步骤S3-3得到的实时检测结果反馈给机器人，由机器人执行分拣。
2.根据权利要求1所述的一种光伏电池视觉分拣的深度学习识别与控制方法，其特征在于：所述步骤S1-3中，所述训练集与所述验证集的比例为4:1。
3.根据权利要求1所述的一种光伏电池视觉分拣的深度学习识别与控制方法，其特征在于：所述步骤S3-1中采集图像的模式可以为连续采集或者单张采集。
4.根据权利要求1-3任一项所述的一种光伏电池视觉分拣的深度学习识别与控制方法，其特征在于：所述缺陷文件夹为EL缺陷文件夹或者外观缺陷文件夹。
5.一种采用光伏电池视觉分拣的深度学习识别与控制方法的装置，其特征在于：所述装置包括图像采集模块、深度学习训练模块、深度学习执行模块以及机器人通讯模块。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于河北工业大学;天津爱普杰科技有限公司，未经河北工业大学;天津爱普杰科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910632273.0/1.html，转载请声明来源钻瓜专利网。
- 上一篇：用于干燥基板的方法和设备
- 下一篇：半导体单片集成电路的蚀刻设备
- 同类专利
- 专利分类
H01L 半导体器件；其他类目中不包括的电固体器件
H01L21-00 专门适用于制造或处理半导体或固体器件或其部件的方法或设备
H01L21-02 .半导体器件或其部件的制造或处理
H01L21-64 .非专门适用于包含在H01L 31/00至H01L 51/00各组的单个器件所使用的除半导体器件之外的固体器件或其部件的制造或处理
H01L21-66 .在制造或处理过程中的测试或测量
H01L21-67 .专门适用于在制造或处理过程中处理半导体或电固体器件的装置；专门适合于在半导体或电固体器件或部件的制造或处理过程中处理晶片的装置
H01L21-70 .由在一共用基片内或其上形成的多个固态组件或集成电路组成的器件或其部件的制造或处理；集成电路器件或其特殊部件的制造
