[发明专利]太阳能电池EL图像进行AI识别的串行分析应用方法及系统

说明书

本发明公开了太阳能电池EL图像进行AI识别的串行分析应用方法及系统，包括对模板EL图像上的缺陷特征进行标记、将标注后的模板EL图像添加给AI软件进行模型学习、将待检测EL图像添加给AI软件进行识别预测和AI软件输出待检测EL图像的缺陷特征预测结果图。该装置在给AI软件添加缺陷特征时，只需单一对该缺陷特征进行标记，减少了大量的工作量，迭代更新更方便，同时不会漏判低容忍度的缺陷特征，从而避免在EL图像检测时漏判严重缺陷，具有更好的数据指导效果。

技术领域

本发明涉及太阳能电池领域，尤其涉及太阳能电池EL图像进行AI识别的串行分析应用方法及系统。

背景技术

AI人工智能图像识别技术已经在光伏行业中得到广泛应用，特别是在太阳能电池和组件的EL图像识别上，近年来有越来越多的AI软件加入其中，AI识别的过程一般包含了特征样本筛选，特征标记，训练，预测等四部分。

在实际操作过程中，一个EL图像样本中通常包含了很多种不同的缺陷特征，传统的方式是在样本中完整地标记各个不同缺陷特征，然后训练成一个标准模型，再用此模型对新的样品进行预测。然而从使用者的角度，在一个样本中进行多种特征标记，工作量较大且操作复杂，并且一旦某个缺陷出现问题或需要更新，那么就需要对整个模型进行修改；

在专利号CN202010192560.7的发明中，提出了一种AI技术在陶瓷片缺陷识别上的应用，而在太阳能领域，在检测使用过程中，传统的方式是对AI软件对待识别的EL图像进行一次识别预测，从中识别出EL图像的缺陷特征，而在实际使用过程中，对于不同类别的缺陷特征的容忍度是不同的，而太阳能电池工艺上，一共存在二十至三十种类别的缺陷特征，其中存在一些及其相似的缺陷特征(例如黑斑和过刻)，而只进行一次识别预测，AI软件很可能将相似度高的缺陷特征认定为其中某一种，从而导致容忍度低的缺陷被漏判，甚至会出现，AI逻辑上认定该缺陷一部分类似A缺陷一部分类似B缺陷，而将该区域认定为不存在一种完整的缺陷特征，继而造成严重的漏判后果。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的太阳能电池EL图像进行AI识别的串行分析应用方法。

为了实现上述目的，本发明采用了如下技术方案：其特征在于：包括以下几个步骤：

S1，对模板EL图像上的缺陷特征进行标记，对所述缺陷特征进行标记时，需要将所述模板EL图像上存在的所有所述缺陷特征均进行标记；

S2，将标注后的模板EL图像添加给AI软件进行模型学习，通过所述模型学习形成所述缺陷特征的标准模型，并进行记忆；

S3，将待检测EL图像添加给AI软件进行识别预测，并在所述待检测EL图像上标记出存在的所述缺陷特征；

S4，AI软件输出待检测EL图像的缺陷特征预测结果图，并对应生成所述缺陷特征的信息表格。

优选的，所述S1中的所述缺陷特征存在若干种，对若干种所述缺陷特征的标记独立进行。

优选的，所述模型学习次数设置有若干批次，同一批次内的所述模型学习添加同一所述缺陷特征，不同批次内的所述模型学习独立进行。

优选的，每一批次的所述模型学习次数自行设定。

优选的，所述识别预测进行n次，n为AI软件学习记忆后的所述缺陷特征类别数目。

优选的，n次所述识别预测相互独立。

优选的，所述信息表格生成有m组，m为AI软件预测识别出的所述待检测EL图像上存在的所述缺陷特征类别数目。

优选的，所述信息表格上包括所述缺陷特征的面积、出现次数、置信度和灰度。

一种太阳能电池EL图像进行AI识别的串行分析应用方法的系统，包括模型学习模块、模型记忆模块、识别预测模块和结果输出模块；