[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

说明书

本发明提供的光伏电池视觉分拣的深度学习识别与控制方法，将基于深度学习的缺陷分类和检测方法与工业制造过程一体化，具有较高的智能性。本装置用深度学习来代替传统学习方法，具有较强的特征提取能力，尤其对于当背景干扰严重，传统方法难以识别出缺陷时。此外深度学习识别与控制装置能自动进行缺陷特征提取，提高处理速度，降低人工依赖性。

技术领域

本发明涉及本发明属于太阳能电池图像采集领域，具体涉及一种光伏电池分拣的深度学习识别与控制方法及装置

背景技术

在工业制造过程中，工件的表面缺陷如光伏电池片表面的裂纹缺陷；一些光伏电池片表面外观缺陷如脏片、断栅、划痕；带钢表面缺陷等对工业生产效率有着很重要的影响。表面缺陷的分类与检测对改进工艺、提高组件质量、提高效率和稳定生产有重要的作用。

现有光伏电池的分选装置，如装置CN 108010864 A(一种光伏电池片缺陷分选装置及其分选方法)存在着以下几点问题：(1)无法分析小尺度缺陷：在太阳能电池片图像中栅线和晶格的干扰下，小缺陷图像无法识别。(2)对于缺陷形态，图片质量有严格要求：如果缺陷部分与背景重叠，或者图像质量低，传统视觉都无法检测出这样的缺陷。(3)生产环境要求工程师手动操作:如果生产环境变化，或者针对对象发生变化，都需要工程师最优化设定或者手动操作。(4)处理程序复杂，处理速度慢：传统视觉检测方式依赖于手动特征提取，高准确率依赖高复杂度程序，导致处理速度降低。

因此，亟需一种制造缺陷识别的系统方法，即使在背景复杂下也可以准确检测小尺度缺陷，在各类缺陷检测中，能提供较高的精度和自动化程度，对于高分辨率图片也可以实现快速批量检测。

发明内容

有鉴于此，本发明提供了光伏电池分拣的深度学习识别与控制方法及装置，解决现有技术中存在的缺陷，具体方案如下：

一种光伏电池视觉分拣的深度学习识别与控制方法，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；

具体的，所述步骤S1-3中，所述训练集与所述验证集的比例为4:1。

具体的，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。

具体的，所述缺陷文件夹为EL缺陷文件夹或者外观缺陷文件夹。