The invention relates to the field of image processing and computer vision technology, in particular to a method for detecting grid defects in solar cells based on densely connected convolutional neural networks, including: dividing the acquired image of grid defects in polycrystalline silicon solar cells into training sets and testing sets; and extracting interesting images through horizontal integral projection. Target candidate regions are trained by training sets to classify binary classifiers based on densely connected convolutional neural networks; test sets are fed into trained classifiers to classify and detect defective regions; discrete locations detected by connected regions are calculated according to the scale distribution characteristics of grid-breaking defects, and defect locations are plotted. The rectangle obtains the detection result; the method uses the structure training image block classifier of densely connected neural network for the first time to achieve the purpose of defect detection, which can accurately detect the defect image in the complex and diverse background, and give the location of the defect area, and complete the automatic monitoring of product quality.
【技术实现步骤摘要】
基于卷积神经网络的太阳能电池片断栅缺陷检测方法
本专利技术涉及图像处理与计算机视觉
,特别涉及一种基于密集连接卷积神经网络的太阳能电池片断栅缺陷检测方法。
技术介绍
太阳能电池片中的断栅缺陷不仅会减少电池片的使用寿命而且会影响太阳能电池片进行光电转换的转换效率,因此对太阳能电池片进行缺陷检测是太阳能电池片质量控制的重要一步。缺陷在可见光条件下不容易被人眼发现,而电致发光成像技术能够帮助突出缺陷区域因此被广泛的用于太阳能电池片成像。近年来,随着机器视觉技术日趋成熟,越来越多的制造企业开始摆脱人眼缺陷检测而采用机器视觉算法来帮助生产线实现缺陷检查、测量和自动识别等功能,以提高效率并降低成本,从而实现生产效益最大化。目前基于机器视觉的太阳能电池片外部缺陷检测算法研究还较少,大多研究集中于对隐裂缺陷的检测,而其中针对断栅缺陷检测的检测算法更是少之又少,目前可查的只有两种算法。已有的缺陷检测算法多利用电致发光成像中缺陷图像的灰度值差异和形状差异来识别缺陷图像,但是对于背景干扰大、对比度低的多晶硅太阳能电池片却很难准确识别。对于多晶硅太阳能电池片断栅缺陷的检测算法有两种,一种是傅里叶图像重建组合算法,一种是基于谱聚类的监督分类算法。傅里叶图像重建算法是建立在缺陷区域亮度低于背景区域且缺陷形状表现为线性或者柱形的条件下的,检测效果严重依赖于重建图像的阈值。基于谱聚类的监督算法是首先对每个像素提取的特征进行谱聚类分为缺陷特征和非缺陷特征,然后测试时通过距离计算区分缺陷像素和无缺陷像素,完成对目标缺陷的检测的,此方法依赖于提取特征好坏,虚警率较高。
技术实现思路
为了降低 ...
【技术保护点】
1.基于卷积神经网络的太阳能电池片断栅缺陷检测方法,其特征在于:S1、将在电致发光的情况下采集到的太阳能电池片图片进行清洗,并分为训练集和测试集;S2、使用水平积分投影方法分别提取出训练集和测试集的感兴趣区域ROI,然后将训练集和测试集的ROI分别分成若干个图像块;S3、根据图像块的中心区域含有的缺陷像素的数量,将训练集的图像块分为正样本和负样本,并对正样本进行数据增强、对负样本进行随机采样;S4、将正样本和负样本输入卷积神经网络,训练得到一个基于图像块的二分类器;S5、将测试集的图像块输入基于图像块的二分类器,得到分类结果,并根据分类结果计算连通区域,剔除离散的图像块位置;S6、根据图像块的分类结果,定位缺陷位置并标记在测试集的图像上,绘出太阳能电池片缺陷位置的外接矩形。
【技术特征摘要】
1.基于卷积神经网络的太阳能电池片断栅缺陷检测方法,其特征在于:S1、将在电致发光的情况下采集到的太阳能电池片图片进行清洗,并分为训练集和测试集;S2、使用水平积分投影方法分别提取出训练集和测试集的感兴趣区域ROI,然后将训练集和测试集的ROI分别分成若干个图像块;S3、根据图像块的中心区域含有的缺陷像素的数量,将训练集的图像块分为正样本和负样本,并对正样本进行数据增强、对负样本进行随机采样;S4、将正样本和负样本输入卷积神经网络,训练得到一个基于图像块的二分类器;S5、将测试集的图像块输入基于图像块的二分类器,得到分类结果,并根据分类结果计算连通区域,剔除离散的图像块位置;S6、根据图像块的分类结果,定位缺陷位置并标记在测试集的图像上,绘出太阳能电池片缺陷位置的外接矩形。2.根据权利要求1所述的基于卷积神经网络的太阳能电池片断栅缺陷检测方法,其特征在于,所述使用水平积分投影方法分别提取出训练集和测试集的感兴趣区域包括:根据水平投影的计算公式计算出训练集和测试集的太阳能电池片图像的水平投影曲线,根据水平投影曲线中灰度值的变化确定太阳能电池片的边缘宽度tp,太阳能电池片的边缘宽度tp与太阳能电池板的母线宽度bl之间的宽度或者两条太阳能电池板的母线宽度bl之间的宽度即为感兴趣区域的宽度tr。3.根据权利要求2所述的基于卷积神经网络的太阳能电池片断栅缺陷检测方法,其特征在于,水平投影曲线的计算公式为:其中,H(y)表示图像宽为y处的投影值,m表示图像的长,n表示图像的宽,G(i,y)表示图像宽为y、长为i处的灰度值。4.根据权利要求3所述的基于卷积神经网络的太阳能电池片断栅缺陷检测方法,其特征在于,根据水平投影曲线中灰度值的变化确定训练集和测试集中太阳能电池片边缘宽度tp,表示为:其中,G(tr+j+tp)表示在位置(tr+j+tp)处的...
【专利技术属性】
技术研发人员:高陈强,韩慧,李新豆,汤林,汪澜,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。