[发明专利]太阳能电池表面缺陷检测方法

说明书

本发明属于太阳能电池表面缺陷检测技术领域，具体技术方案为：太阳能电池表面缺陷检测方法，具体步骤为：一、收集太阳能电池EL图像；二、对太阳能电池表面缺陷图像数据进行类别分类、标注、格式转换操作，获得太阳能电池标明缺陷检测数据集；三、对缺陷数据集进行训练；四、对太阳能电池表面缺陷数据集进行测试；在步骤三的步骤中，本发明在特征提取阶段使用跨层连接，充分保留了浅层的细节纹理信息，进一步增强了太阳能电池表面缺陷特征的表达能力，在RPN中融合了三支路空洞卷积块，更好地学习不同尺度范围内的特征，使得提取到的候选框更加准确，适用性更强，本发明提出了新的评判标准，可以广泛地应用在使用NMS策略的检测网络中。

技术领域

本发明属于太阳能电池表面缺陷检测技术领域，具体涉及一种基于卷积神经网络多特征融合与相似度非极大值抑制机制研究的太阳能电池板缺陷检测方法。

背景技术

太阳能光伏发电技术是太阳能技术的典型代表，该技术的广泛应用很好地缓解了因煤炭、石油等不可再生能源的过度使用和大量消耗造成的环境问题。而太阳能电池板的质量决定了太阳能光伏发电技术的效率，但是由于太阳能电池板基体易碎且生产工艺复杂，非常容易因为工艺缺陷或者人为失误而导致太阳能电池表面出现裂片、裂纹、虚焊等比较细微且难以检测的缺陷，这些缺陷将严重降低电池板的光电转化效率和使用寿命，因此深入研究太阳能电池板缺陷检测技术就显得十分重要。

目测法、物理方法和计算机视觉是传统的太阳能电池表面缺陷检测的主要方法。目测法主要依靠工人的既定标准和经验常识，工作内容枯燥且效率低下；物理方法对显著性缺陷检测有一定效果，但是对细微的裂纹等缺陷检测效果很差。传统的机器学习仅通过将输入信号转化成处理特定问题的空间而将其转化成相应的简单的特征结构，受限于样本数量和计算能力，因而对复杂函数的表达能力有限。而深度学习通过使用不同激活函数和不同层次的网络进一步模仿人脑机制，从而实现复杂函数的逼近，具有较强的特征提取能力。

近年来随着深度学习的发展，卷积神经网络(convolution neural network.简称CNN)在许多领域得到了广泛的应用，使得实时地获取、保存和检测到太阳能电池板缺陷成为可能。此外，由于具有检测实时、判断精确、速度快以及操作便捷等优点，基于计算机视觉的缺陷检测方法已经成为当前表面缺陷检测领域的重要发展方向，许多卷积神经网络算法被应用于太阳能电池表面缺陷检测中。

2010年，Tsai DM等人提出了用于检测太阳能晶片制造中微裂纹缺陷的机器视觉方案，通过将在LED(Light Emitting Diode)灯照明下用CCD(电耦合器件，Charge-coupledDevice)相机捕捉到的图像的梯度和灰度作为的特征进行调整扩散系数，并使用自适应平滑和二元阈值处理等运算得到分割出的微裂纹；丁叶飞等通过使用观察和分析太阳能电池片发光致电的成像图而检测出太阳能电池表面的诸多缺陷，进而为太阳能电池表面缺陷检测方法拓展出广阔的应用前景；李迪、张舞杰等人提出了一种依据太阳能电池板不同特点而进行检测的基于机器视觉的太阳能电池硅片缺陷检测方法，针对不同缺陷类型进一步提出结合差阴影以及多模板匹配法。

2012年，李斌等人通过训练支持向量机(SVM)搭建了基于生物视觉感知机制的模型，从而实现了对太阳能电池表面缺陷的分类，基本实现了太阳能电池表面缺陷检测的自动化，但是可以检测到的表面缺陷检测类别不多，准确率普遍较低，无法在太阳能电池表面缺陷检测中实现集成使用。

2014年，王宪宝等人提出的基于深度学习的检测方法通过无监督学习训练网络层次较深的置信度网络重构出太阳能电池板图像，实现了太阳能电池表面缺陷的检测。

2015年，李梦园等人通过分析卷积神经网络(CNNs)与深度信念网络(DBNs)应用在缺陷检测中的诸多不足进而提出了基于深度卷积信念网络的太阳能电池表面缺陷识别方法，但是由于数据集样本较少，导致网络模型参数过度拟合，从而无法分辨出裂纹缺陷，同时过拟合现象严重。