一种基于CNN分割的太阳能光伏硅片瑕疵检测系统及方法技术方案

本发明专利技术公开了一种基于CNN分割的太阳能光伏硅片瑕疵检测系统，包括如下模块：图片收集和标注模块、第一图像预处理模块、训练模块、验证模块、图像采集模块、第二图像预处理模块、预处理模块、后处理模块、输出模块。本发明专利技术还提供了一种基于CNN分割的太阳能光伏硅片瑕疵检测方法。即本发明专利技术通过深度学习技术自动统计硅片瑕疵特征而不再需要人为归纳和建模瑕疵特征；提高检测方法的泛化能力，即更换产品后，算法无需重新耗费人力重新开发；大幅提高产品瑕疵特征提炼的准确性，提高识别率。

A solar photovoltaic wafer defect detection system and method based on CNN segmentation

The invention discloses a solar photovoltaic silicon wafer defect detection system based on CNN segmentation, which comprises the following modules: picture collection and annotation module, first image preprocessing module, training module, verification module, image acquisition module, second image preprocessing module, preprocessing module, post-processing module and output module. The invention also provides a defect detection method for solar photovoltaic silicon wafer based on CNN segmentation. The invention automatically counts the defect features of silicon wafer without artificial induction and modeling, improves the generalization ability of detection methods, that is, after replacing the products, the algorithm does not need to redevelop labor, greatly improves the accuracy of defect feature extraction and improves the recognition rate.

【技术实现步骤摘要】
一种基于CNN分割的太阳能光伏硅片瑕疵检测系统及方法
本专利技术涉及太阳能光伏行业，具体地是涉及一种基于CNN分割的太阳能光伏硅片瑕疵检测系统及方法。
技术介绍
在现有的太阳能光伏行业中，主流的硅片瑕疵检测算法需要根据产品特性，人为定义进行特征定义和建立模型。主要采用基于人工提取特征的机器视觉方法，通过工业相机采集产品图像，传入基于规则的检测方法，提取特征，输出检测结果。传统的检测方法存在几方面问题：一、在检测算法开发过程中，需要投入大量的精力进行算法原型的设计与验证；二、产品更新换代后，需要重新开发算法，算法方法泛化能力差；三、开发周期长；四、检测指标难以达到预期目标。因此，本专利技术的专利技术人亟需构思一种新技术以改善其问题。
技术实现思路
本专利技术旨在提供一种基于CNN分割的太阳能光伏硅片瑕疵检测系统及方法，其可以通过深度学习技术自动统计硅片瑕疵特征而不再需要人为归纳和建模瑕疵特征。为解决上述技术问题，本专利技术的技术方案是：一种基于CNN分割的太阳能光伏硅片瑕疵检测系统，包括如下模块：图片收集和标注模块，用于采集一定数量的太阳能硅片图片作为训练图片，并对其进行数据标注；第一图像预处理模块，在训练阶段，根据训练图像以及其对应的标注数据，对图像数据进行裁切、数据增强，建立训练集；训练模块，用于训练集建立好之后，搭建CNN网络便于自动归纳硅片训练集特征，获得权值文件；验证模块，用于测试生成的权值文件是否达到使用状态，若达到则可以部署使用，否则重新调整训练集，迭代训练，直到满足要求。优选地，还包括：图像采集模块，用于在线获取图像；第二图像预处理模块，用于根据瑕疵分布区域的特点，对采集图像做适当裁剪；预测模块，用于通过CNN网络中卷积和反卷积操作，生成灰度级为0～255的单通道灰度图，灰度图中每个像素位置的灰度级代表对应位置为瑕疵的分值，该图即为概率图；后处理模块，用于通过灰度阈值和面积阈值对预测模块中生成的概率图进行过滤；输出模块，用于输出一幅二值图像。优选地，所述训练模块具体包括：输入单元，用于将训练集中某一张硅片图片输入到CNN网络中；输出单元，用于经过卷积和反卷积操作进行前向传播，输出一幅概率图像；计算单元，用于利用此张太阳能硅片图片对应的标注图与该概率图计算损失；生成单元，用于根据二者的误差采用链式法则进行反向传播来调整权值，直至收敛，生成最终的权值文件。优选地，所述太阳能硅片图片包括存在瑕疵的太阳能硅片产品图片和不存在瑕疵的太阳能硅片图片。优选地，所述图片收集和标注模块中的数据标注是以单通道图片形式建立，存在瑕疵的太阳能硅片图片对应的标注数据为一张全黑的图片，存在瑕疵的太阳能硅片产品图片对应的标注数据为一张部分区域高亮的图片，高亮区域对应瑕疵的区域。一种基于CNN分割的太阳能光伏硅片瑕疵检测方法，包括如下步骤：S1：采集一定数量的太阳能硅片图片作为训练图片，并对其进行数据标注；S2：在训练阶段，根据训练图像以及其对应的标注数据，对图像数据进行裁切、数据增强，建立训练集；S3：训练集建立好之后，搭建CNN网络便于自动归纳硅片训练集特征，获得权值文件；S4：测试生成的权值文件是否达到使用状态，若达到则可以部署使用，否则重新调整训练集，迭代训练，直到满足要求。优选地，还包括如下步骤：S5：在线获取图像；S6：根据瑕疵分布区域的特点，对采集图像做适当裁剪；S7：通过CNN网络中卷积和反卷积操作，生成灰度级为0～255的单通道灰度图，灰度图中每个像素位置的灰度级代表对应位置为瑕疵的分值，该图即为概率图；S8：通过灰度阈值和面积阈值对预测模块中生成的概率图进行过滤；S9：输出一幅二值图像。优选地，所述步骤S3具体包括：S31：将训练集中某一张硅片图片输入到CNN网络中；S32：经过卷积和反卷积操作进行前向传播，输出一幅概率图像；S33：利用此张太阳能硅片图片对应的标注图与该概率图计算损失；S34：根据二者的误差采用链式法则进行反向传播来调整权值，直至收敛，生成最终的权值文件。优选地，所述太阳能硅片图片包括存在瑕疵的太阳能硅片产品图片和不存在瑕疵的太阳能硅片图片。优选地，所述图片收集和标注模块中的数据标注是以单通道图片形式建立，存在瑕疵的太阳能硅片图片对应的标注数据为一张全黑的图片，存在瑕疵的太阳能硅片产品图片对应的标注数据为一张部分区域高亮的图片，高亮区域对应瑕疵的区域。采用上述技术方案，本专利技术至少包括如下有益效果：本专利技术所述的基于CNN分割的太阳能光伏硅片瑕疵检测系统及方法，通过深度学习技术自动统计硅片瑕疵特征而不再需要人为归纳和建模瑕疵特征；提高检测方法的泛化能力，即更换产品后，算法无需重新耗费人力重新开发；大幅提高产品瑕疵特征提炼的准确性，提高识别率。附图说明图1为本专利技术所述的基于CNN分割的太阳能光伏硅片瑕疵检测系统的结构示意图；图2为本专利技术所述的基于CNN分割的太阳能光伏硅片瑕疵检测方法的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例1如图1所示，为符合本实施例的一种基于CNN分割的太阳能光伏硅片瑕疵检测系统，包括如下模块：图片收集和标注模块，用于采集一定数量的太阳能硅片图片作为训练图片，并对其进行数据标注；第一图像预处理模块，在训练阶段，根据训练图像以及其对应的标注数据，对图像数据进行裁切、数据增强，建立训练集；训练模块，用于训练集建立好之后，搭建CNN网络便于自动归纳硅片训练集特征，获得权值文件；验证模块，用于测试生成的权值文件是否达到使用状态，若达到则可以部署使用，否则重新调整训练集，迭代训练，直到满足要求。优选地，还包括：图像采集模块，用于在线获取图像；第二图像预处理模块，用于根据瑕疵分布区域的特点，对采集图像做适当裁剪；预测模块，用于通过CNN网络中卷积和反卷积操作，生成灰度级为0～255的单通道灰度图，灰度图中每个像素位置的灰度级代表对应位置为瑕疵的分值，该图即为概率图；后处理模块，用于通过灰度阈值和面积阈值对预测模块中生成的概率图进行过滤；输出模块，用于输出一幅二值图像。优选地，所述训练模块包括前向传播和反向传播两部分，其具体包括：输入单元，用于将训练集中某一张硅片图片输入到CNN网络中；输出单元，用于经过卷积和反卷积操作进行前向传播，输出一幅概率图像；计算单元，用于利用此张太阳能硅片图片对应的标注图与该概率图计算损失；生成单元，用于根据二者的误差采用链式法则进行反向传播来调整权值，直至收敛，生成最终的权值文件。优选地，所述太阳能硅片图片包括存在瑕疵的太阳能硅片产品图片和不存在瑕疵的太阳能硅片图片。优选地，所述图片收集和标注模块中的数据标注是以单通道图片形式建立，存在瑕疵的太阳能硅片图片对应的标注数据为一张全黑的图片，存在瑕疵的太阳能硅片产品图片对应的标注数据为一张部分区域高亮的图片，高亮区域对应瑕疵的区域。具体地，本实施例中主要包括训练和预测两部分，对于训练部分：图片收集和标注模块：采集一定数量的太阳能硅片图片，图片数据包括合适数量的OK图片和NG图本文档来自技高网...

【技术保护点】
1.一种基于CNN分割的太阳能光伏硅片瑕疵检测系统，其特征在于，包括如下模块：图片收集和标注模块，用于采集一定数量的太阳能硅片图片作为训练图片，并对其进行数据标注；第一图像预处理模块，在训练阶段，根据训练图像以及其对应的标注数据，对图像数据进行裁切、数据增强，建立训练集；训练模块，用于训练集建立好之后，搭建CNN网络便于自动归纳硅片训练集特征，获得权值文件；验证模块，用于测试生成的权值文件是否达到使用状态，若达到则可以部署使用，否则重新调整训练集，迭代训练，直到满足要求。

【技术特征摘要】
1.一种基于CNN分割的太阳能光伏硅片瑕疵检测系统，其特征在于，包括如下模块：图片收集和标注模块，用于采集一定数量的太阳能硅片图片作为训练图片，并对其进行数据标注；第一图像预处理模块，在训练阶段，根据训练图像以及其对应的标注数据，对图像数据进行裁切、数据增强，建立训练集；训练模块，用于训练集建立好之后，搭建CNN网络便于自动归纳硅片训练集特征，获得权值文件；验证模块，用于测试生成的权值文件是否达到使用状态，若达到则可以部署使用，否则重新调整训练集，迭代训练，直到满足要求。2.如权利要求1所述的基于CNN分割的太阳能光伏硅片瑕疵检测系统，其特征在于，还包括：图像采集模块，用于在线获取图像；第二图像预处理模块，用于根据瑕疵分布区域的特点，对采集图像做适当裁剪；预测模块，用于通过CNN网络中卷积和反卷积操作，生成灰度级为0～255的单通道灰度图，灰度图中每个像素位置的灰度级代表对应位置为瑕疵的分值，该图即为概率图；后处理模块，用于通过灰度阈值和面积阈值对预测模块中生成的概率图进行过滤；输出模块，用于输出一幅二值图像。3.如权利要求1或2所述的基于CNN分割的太阳能光伏硅片瑕疵检测系统，其特征在于，所述训练模块具体包括：输入单元，用于将训练集中某一张硅片图片输入到CNN网络中；输出单元，用于经过卷积和反卷积操作进行前向传播，输出一幅概率图像；计算单元，用于利用此张太阳能硅片图片对应的标注图与该概率图计算损失；生成单元，用于根据二者的误差采用链式法则进行反向传播来调整权值，直至收敛，生成最终的权值文件。4.如权利要求1-3任一所述的基于CNN分割的太阳能光伏硅片瑕疵检测系统，其特征在于：所述太阳能硅片图片包括存在瑕疵的太阳能硅片产品图片和不存在瑕疵的太阳能硅片图片。5.如权利要求4所述的基于CNN分割的太阳能光伏硅片瑕疵检测系统，其特征在于：所述图片收集和标注模块中的数据标注是以单通道图片形式建立，存在瑕疵的太阳能硅片图片对应的标注数据为一张全黑的图片，存在瑕疵的太阳能硅片产品图片对应...

【专利技术属性】
技术研发人员：张炳刚，曹葵康，崔会涛，龚伟林，
申请(专利权)人：苏州天准科技股份有限公司，
类型：发明
国别省市：江苏,32