太阳能电池片表面缺陷检测方法技术

本发明专利技术公开了一种太阳能电池片表面缺陷检测方法，图片进行归一化处理，得到太阳能电池表面图像的二值图；基于卷积神经网络结构建立深度学习模型；构成深度置信网络；通过深度学习模型训练深度置信网络；通过误差反向传播算法调整深度置信网络；选取深度置信网络的学习速率、迭代次数和权重；将训练好的深度置信网络对测试集的二值图进行太阳能电池片表面缺陷检测，深度置信网络输出检测结果。本发明专利技术通过将特征提取和图像处理合二为一，缩短缺陷检测时间，并且能够快速适应训练的环境和位置的变化，满足生产需求，节约经济成本，同时深度置信网络与误差反向传播算法相结合完成特征提取与图像处理为之后的图像缺陷检测提供事实依据。

【技术实现步骤摘要】
太阳能电池片表面缺陷检测方法
本专利技术涉及电池片表面缺陷检测
，尤其涉及一种太阳能电池片表面缺陷检测方法。
技术介绍
太阳能电池的生产是基于太阳能需求的行业。太阳能向电能的转换是通过由多个太阳能电池形成的太阳能光伏阵列来实现的。太阳能电池片再生产的过程中，由于装置和操作的误差，表面一般会存在一些瑕疵和缺陷。这不仅影响电池的生产质量，更直接降低了发电效率和电池寿命。在国内太阳能电池中，硅电池占主导地位。这类电池以极具脆性的硅片作为原料，而且在生产制备过程中，要经过多道复杂工艺，在形成成品和出产之前，极易产生各种缺陷。因此，为保证电池片生产质量，保持企业的竞争力，就需要不断进行测试来将含有缺陷的电池片剔除。太阳能电池片表面缺陷检测对促进行业的发展，具有广泛的现实意义。目前对于太阳能电池片的缺陷检测来说，很大部分都是依靠人工来测验，想要用ChargeCoupledDevice(CCD)成像系统来实现无需人工的辨别是很困难的。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种太阳能电池片表面缺陷检测方法，缩短缺陷检测时间，提高工作效率。根据本专利技术实施例的一种太阳能电池片表面缺陷检测方法，应用于太阳能电池片表面检测，所述太阳能电池片表面缺陷检测方法步骤如下：S1：对训练集图片进行归一化处理，将训练集中为太阳能电池表面的图像进行压缩处理，压缩处理后的图像再次进行归一化处理，得到太阳能电池表面图像的二值图；S2：基于卷积神经网络结构建立深度学习模型；S3：应用步骤S1中得到的二值图，将检测二值图需要的多个受限波尔兹曼机依次相连，以构成深度置信网络；S4：应用步骤S3中得到的深度置信网络，通过误差反向传播算法调整深度置信网络；S5：应用步骤S4中得到的深度置信网络，通过深度学习模型训练深度置信网络；S6：应用步骤S5中得到的深度置信网络，选取深度置信网络的学习速率、迭代次数和权重；S7：应用步骤S6中得到的深度置信网络，将训练好的深度置信网络对测试集的二值图进行太阳能电池片表面缺陷检测，深度置信网络输出检测结果。优选的，应用步骤S3中的受限玻尔兹曼机，在多个受限玻尔兹曼机中，前一个受限玻尔兹曼机的隐层为后一个受限玻尔兹曼机的显层，相连接的两个受限玻尔兹曼机的输入端与输出端对应设置。优选的，所述受限玻尔兹曼机的能量函数定义为：其中，v为可见层单元的状态，h为隐藏层单元的状态，Wi×j是可见层m和隐含层h之间的权重矩阵；b＝(b1,...,bm)是可见节点的偏移量；c＝(c1,...,cn)是隐藏节点的偏移量；受限玻尔兹曼机符合正则分布的形式，当以上数值确定时,RBM处于状态v、h的概率为：其中，优选的，获得前项受限玻尔兹曼权重和后项受限玻尔兹曼权重后，通过误差反向传播算法算法调整深度置信网络的权重。优选的，应用步骤S5中通过深度学习模型训练深度置信网络的方法步骤如下：S51：对底部受限玻尔兹曼机以原始输入数据训练；S52：从底部受限玻尔兹曼机提取的特征作为顶部受限玻尔兹曼机的输入；S53：重复处理S51和S52，达到训练多层受限玻尔兹曼机的目的。优选的，在步骤S52中，低层特征向量映射到高层特征空间，特征数据信息保存完整。本专利技术中：(1)太阳能电池片表面含有是易于区分的纹理特征，便于提取特征，当检测环境和位置不发生变化时，无缺陷电池片图像具备相同的纹理特征，反之，有缺陷电池片图像仅仅有少部分区域产生灰度差异，本文是为了检测太阳能电池的表面空缺，此特点非常适合采用深度置信网络去提取特征并进行检测；(2)深度置信网络将特征提取和图像处理合二为一，缩短缺陷检测时间，为并行处理提供基础，节约了成本，并且满足产品检测需求；(3)深度置信网络训练权值的时间短，在训练的环境和位置出现改动的情况下，能够快速适应，满足生产需求，节约了经济成本；(4)深度置信网络与误差反向传播算法相结合完成特征提取与图像处理，为之后的图像缺陷检测提供事实依据。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1为本专利技术提出的太阳能电池片表面缺陷检测方法的流程框图；图2为本专利技术提出的深度置信网络学习训练流程框图；图3为本专利技术提出的受限玻尔兹曼机叠加形成深度置信网络的模型图；图4为本专利技术提出的太阳能电池片成像示意图；图5为本专利技术提出的深度置信网络的预训练、展开以及微调的过程示意图；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。参照图1-5，一种太阳能电池片表面缺陷检测方法，包括应用于太阳能电池片表面检测，太阳能电池片表面缺陷检测方法步骤如下：S1：对训练集图片进行归一化处理，将训练集中为太阳能电池表面的图像进行压缩处理，压缩处理后的图像再次进行归一化处理，得到太阳能电池表面图像的二值图；S2：基于卷积神经网络结构建立深度学习模型；S3：应用步骤S1中得到的二值图，将检测二值图需要的多个受限波尔兹曼机依次相连，以构成深度置信网络；S4：应用步骤S3中得到的深度置信网络，通过误差反向传播算法调整深度置信网络；S5：应用步骤S4中得到的深度置信网络，通过深度学习模型训练深度置信网络；S6：应用步骤S5中得到的深度置信网络，选取深度置信网络的学习速率、迭代次数和权重；S7：应用步骤S6中得到的深度置信网络，将训练好的深度置信网络对测试集的二值图进行太阳能电池片表面缺陷检测，深度置信网络输出检测结果。应用步骤S3中的受限玻尔兹曼机，在多个受限玻尔兹曼机中，前一个受限玻尔兹曼机的隐层为后一个受限玻尔兹曼机的显层，相连接的两个受限玻尔兹曼机的输入端与输出端对应设置。受限玻尔兹曼机的能量函数定义为：其中，v为可见层单元的状态，h为隐藏层单元的状态，Wi×j是可见层m和隐含层h之间的权重矩阵；b＝(b1,...,bm)是可见节点的偏移量；c＝(c1,...,cn)是隐藏节点的偏移量；受限玻尔兹曼机符合正则分布的形式，当以上数值确定时,RBM处于状态v、h的概率为：其中，获得前项受限玻尔兹曼权重和后项受限玻尔兹曼权重后，通过误差反向传播算法算法调整深度置信网络的权重。应用步骤S5中通过深度学习模型训练深度置信网络的方法步骤如下：S51：对底部受限玻尔兹曼机以原始输入数据训练；S52：从底部受限玻尔兹曼机提取的特征作为顶部受限玻尔兹曼机的输入；S53：重复处理S51和S52，达到训练多层受限玻尔兹曼机的目的。在步骤S52中，低层特征向量映射到高层特征空间，特征数据信息保存完整。在机器学习和模式识别等领域中，一般需要将样本分成独立的三部分训练集，验证集和测试集。其中训练集用来估计模型，验证集用来确定网络结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。深度学习是对人的大脑进行模拟的一种神经网络算法，它的复杂程度，主要取决于它的隐藏层的层数，是一种当下非常热门的学习算法。由于这种多层神经网络的学习算法它对样本有相当大的特征提取能力，所以受到了许多人的青睐。深度学习模型对于空间信息的处理主要也是本文档来自技高网...

【技术保护点】
1.一种太阳能电池片表面缺陷检测方法，应用于太阳能电池片表面检测，其特征在于,所述太阳能电池片表面缺陷检测方法步骤如下：S1：对训练集图片进行归一化处理，将训练集中为太阳能电池表面的图像进行压缩处理，压缩处理后的图像再次进行归一化处理，得到太阳能电池表面图像的二值图；S2：基于卷积神经网络结构建立深度学习模型；S3：应用步骤S1中得到的二值图，将检测二值图需要的多个受限波尔兹曼机依次相连，以构成深度置信网络；S4：应用步骤S3中得到的深度置信网络，通过误差反向传播算法调整深度置信网络；S5：应用步骤S4中得到的深度置信网络，通过深度学习模型训练深度置信网络；S6：应用步骤S5中得到的深度置信网络，选取深度置信网络的学习速率、迭代次数和权重；S7：应用步骤S6中得到的深度置信网络，将训练好的深度置信网络对测试集的二值图进行太阳能电池片表面缺陷检测，深度置信网络输出检测结果。

【技术特征摘要】
1.一种太阳能电池片表面缺陷检测方法，应用于太阳能电池片表面检测，其特征在于,所述太阳能电池片表面缺陷检测方法步骤如下：S1：对训练集图片进行归一化处理，将训练集中为太阳能电池表面的图像进行压缩处理，压缩处理后的图像再次进行归一化处理，得到太阳能电池表面图像的二值图；S2：基于卷积神经网络结构建立深度学习模型；S3：应用步骤S1中得到的二值图，将检测二值图需要的多个受限波尔兹曼机依次相连，以构成深度置信网络；S4：应用步骤S3中得到的深度置信网络，通过误差反向传播算法调整深度置信网络；S5：应用步骤S4中得到的深度置信网络，通过深度学习模型训练深度置信网络；S6：应用步骤S5中得到的深度置信网络，选取深度置信网络的学习速率、迭代次数和权重；S7：应用步骤S6中得到的深度置信网络，将训练好的深度置信网络对测试集的二值图进行太阳能电池片表面缺陷检测，深度置信网络输出检测结果。2.根据权利要求1所述的太阳能电池片表面缺陷检测方法，其特征在于：应用步骤S3中的受限玻尔兹曼机，在多个受限玻尔兹曼机中，前一个受限玻尔兹曼机的隐层为后一个受限玻尔兹曼机的显层，相连接的两个受限玻尔兹曼机的输入端与输...

【专利技术属性】
技术研发人员：王娟，蔡霖康，张鹏飞，宋薇薇，周聪，石豪，刘敏，王晓光，曾春艳，朱莉，孔祥斌，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北,42