融合短时和长时深度特征的太阳能电池片缺陷检测方法技术

本发明专利技术提出了一种融合短时和长时深度特征的太阳能电池片缺陷检测方法，其步骤为：预处理；短时深度特征提取：将预处理后的图像进行分块并向量化后送入堆叠式降噪自动编码器中进行训练，获取到由所有图像块自身学习出的二维自适应深度特征矩阵，同时将二维自适应深度特征矩阵转换为三维矩阵，得到由当前图像观测信息组成的短时深度特征；长时深度特征提取；短时深度特征和长时深度特征融合与转换；低秩矩阵分解与后处理，得到最终检测结果。本发明专利技术使用融合当前图像观测信息和先验知识的深度特征来表征太阳能电池片的缺陷，能够显著提高太阳能电池片缺陷检测的通用性和准确性，运算量小、检测效率高，且定位精度较高。

Defect Detection Method for Solar Cell Based on Short-term and Long-term Depth Characteristics

【技术实现步骤摘要】
融合短时和长时深度特征的太阳能电池片缺陷检测方法
本专利技术涉及太阳能电池片缺陷检测的
，尤其涉及一种融合短时和长时深度特征的太阳能电池片缺陷检测方法。
技术介绍
近年来，面对环境恶化和能源短缺的问题，利用太阳能等可再生能源来发电已经成为解决这一问题的关键技术手段，而作为太阳能光伏发电系统的关键设备，太阳能电池片的质量对发电效率有着深远的影响。因此，对生产出的太阳能电池片进行缺陷检测具有重要意义。现有的太阳能电池片缺陷检测的方法众多，其中，基于机器视觉的检测方法以其高效、便捷的特点成为了当前研究的主流。作为缺陷检测过程中的重要环节，特征提取对最终的检测结果具有显著影响，根据特征选用的不同可将基于机器视觉的太阳能电池片缺陷检测方法分为基于当前图像观测信息的检测方法和基于先验知识的检测方法两大类。其中，基于当前图像观测信息的方法通常采用手工设计的特征，通用性差，缺乏先验知识作为指导，而基于先验知识的检测方法缺乏大规模的标注样本数据集，因此，泛化能力也受到了限制。
技术实现思路
针对现有单纯使用当前图像观测信息或是单纯使用先验知识的检测方法通用性差，检测准确度不够的技术问题，本专利技术提本文档来自技高网...

【技术保护点】
1.一种融合短时和长时深度特征的太阳能电池片缺陷检测方法，其特征在于，其步骤如下：步骤一：预处理：对一帧待检测的太阳能电池片三通道彩色图像进行预处理，消除待检测图像中的无关信息；步骤二：短时深度特征提取：将预处理后的图像进行分块并向量化后送入堆叠式降噪自动编码器中进行训练，获取到由所有图像块自身学习出的二维自适应深度特征矩阵，同时将二维自适应深度特征矩阵转换为三维矩阵，得到由当前图像观测信息组成的短时深度特征；步骤三：长时深度特征提取：将预处理后的图像直接送入到深度卷积神经网络中提取由先验知识组成的长时深度特征；步骤四：短时深度特征和长时深度特征融合与转换：将短时深度特征和长时深度特征进行拼接...

【技术特征摘要】
1.一种融合短时和长时深度特征的太阳能电池片缺陷检测方法，其特征在于，其步骤如下：步骤一：预处理：对一帧待检测的太阳能电池片三通道彩色图像进行预处理，消除待检测图像中的无关信息；步骤二：短时深度特征提取：将预处理后的图像进行分块并向量化后送入堆叠式降噪自动编码器中进行训练，获取到由所有图像块自身学习出的二维自适应深度特征矩阵，同时将二维自适应深度特征矩阵转换为三维矩阵，得到由当前图像观测信息组成的短时深度特征；步骤三：长时深度特征提取：将预处理后的图像直接送入到深度卷积神经网络中提取由先验知识组成的长时深度特征；步骤四：短时深度特征和长时深度特征融合与转换：将短时深度特征和长时深度特征进行拼接融合，对预处理后的图像进行超像素分割，将分割过程中确定出的每个超像素块包含像素点的定位标签投影到融合后的三维特征矩阵上，使其转换为二维矩阵，得到最终的特征表示；步骤五：低秩矩阵分解与后处理：对转换后的二维特征矩阵进行低秩矩阵分解，得到初步检测结果，再对初步检测结果进行后处理后得到最终检测结果。2.根据权利要求1所述的融合短时和长时深度特征的太阳能电池片缺陷检测方法，其特征在于，所述步骤一的预处理的方法包括图像缩放、灰度化、中值滤波和主、副栅线的删除与再填充，实现的步骤为：步骤1.1：将长度为e、宽度为z的待检测太阳能电池片三通道彩色图像Io按照比例因子θ进行同比缩放，得到长度为m、宽度为n的RGB三通道彩色图像Ic，其中，长度e和m、宽度z和n均为正整数，且0＜θ＜1，m＝Roundoff(e×θ)，n＝Roundoff(z×θ)，Roundoff(·)表示四舍五入操作；步骤1.2：将缩放后的RGB三通道彩色图像Ic通过加权平均方法转换为单通道灰度图像Ig，然后对单通道灰度图像Ig进行中值滤波得到滤波后的单通道灰度图像：If＝Median(Ig)；其中，Median(·)表示取中值操作，If为中值滤波后的单通道灰度图像；步骤1.3：求取单通道灰度图像If中每一行所包含像素点的灰度和，将每一行的灰度和与所有行的灰度和的平均值做比较，根据主栅线的灰度值明显高于非栅线区域的特点，实现主栅线的自动定位；紧接着求取每一列所包含像素点的灰度和，将每一列的灰度和与所有列的灰度和的平均值做比较，根据副栅线的灰度值明显高于非栅线区域的特点，实现副栅线的自动定位，然后依据定位出的主、副栅线所对应的行、列坐标在三通道彩色图像Ic中实现主、副栅线的删除与再填充；步骤1.4：将所有主、副栅线删除并填充后的三通道彩色图像按照比例因子θ再次进行同比缩放，得到长度为σ、宽度为τ的预处理后的图像Id，其中，σ＝Roundoff(m×θ)，τ＝Roundoff(n×θ)。3.根据权利要求1所述的融合短时和长时深度特征的太阳能电池片缺陷检测方法，其特征在于，所述步骤二中的每个图像块都与水平和垂直方向的相邻图像块之间有50％的区域重叠，每个图像块都与斜对角线方向的相邻图像块之间有25％的区域重叠；即利用大小为β×β的滑动窗口在图像Id上从左上到右下按照β/2的步长顺次截取出大小为β×β×3的图像块，将每个图像块的三个通道的β×β二维矩阵均转化为β2×1的列向量，然后将三个列向量依次拼接后得到长度为α的列向量，按照截取的先后次序将所有图像块的列向量组成样本集合其中，α＝β×β×3，xp∈Rα为第p个图像块向量化后的结果，且为截取出的所有图像块个数。4.根据权利要求1或3所述的融合短时和长时深度特征的太阳能电池片缺陷检测方法，其特征在于，所述步骤二中堆叠式降噪自动编码器中的降噪自动编码器包括输入层、隐藏层和输出层，输入层在输入数据中引入随机噪声，隐含层对输入层加有噪声后的数据进行编码和解码，输出层则尽可能地重构输入数据并且保持输出层神经元数量与输入层神经元数量一致；所述堆叠式降噪自动编码器是由若干个将输出层去掉后的降噪自动编码器一层一层堆叠起来形成的深度学习模型，且堆叠式降噪自动编码器至少包含两个降噪自动编码器，第一个降噪自动编码器隐藏层输出的数据作为第二个降噪自动编码器输入层的输入数据，最后一个降噪自动编码器隐藏层输出的数据即为图像块经过堆叠式降噪自动编码器训练学习获得的列向量。5.根据权利要求4所述的融合短时和长时深度特征的太阳能电池片缺陷检测方法，其特征在于，所述步骤二中降噪自动编码器进行训练的方法为：步骤2.1：通过将降噪自动编码器输入层的原始输入数据xp随机置零映射出加有噪声的输入数据：其中，dxp∈Rα是将原始输入数据xp通过置零函数d(·)随机置零后获得的加有噪声的输入数据；步骤2.2：对第一个降噪自动编码器输入层加有噪声后的输入数据dxp进行编码计算：其中，为第一个降噪自动编码器对dxp进行编码后形成的隐藏层特征；表示第一个降噪自动编码器中输入层到隐藏层之间的连接权值矩阵，表示第一个降噪自动编码器中隐藏层神经元的偏置向量，Sigmoid(·)为激活函数，且Sigmoid(y)＝1/(1+exp(-y))，y是激活函数的变量；步骤2.3：对第一个降噪自动编码器隐藏层输出的隐藏层特征进行解码计算，有：其中，为第一个降噪自动编码器对编码后的隐藏层特征进行解码后的结果，表示第一个降噪自动编码器中隐藏层到输出层之间的连接权值矩阵，表示第一个降噪自动编码器中输出层神经元的偏置向量；步骤2.4：对第二个及其后的每个降噪自动编码器进行编码的过程为：首先将前一个降噪自动编码器的隐藏层特征输入到下一个降噪自动编码器的输入层，有：其中，为第二个降噪自动编码器对第一个降噪自动编码器的隐藏层特征进行随机置零后获得的加有噪声的输入数据，为第二个降噪自动编码器对输入数据进行编码后形成的第二个降噪自动编码器隐藏层特征，表示第二个降噪自动编码器中输入层到隐藏层之间的连接权值矩阵，表示第二个降噪自动编码器中隐藏层神经元的偏置向量；为第γ个降噪自动编码器对第γ-1个降噪自动编码器的隐藏层特征进行随机置零后获得的加有噪声的输入数据，为第γ个降噪自动编码器对输...

【专利技术属性】
技术研发人员：钱晓亮，栗靖，田二林，曾黎，王慰，王延峰，杨存祥，过金超，史坤峰，毋媛媛，王芳，
申请(专利权)人：郑州轻工业学院，
类型：发明
国别省市：河南,41