一种基于深度学习的自动识别斜线网的方法及系统技术方案

本发明专利技术公开一种基于深度学习的自动识别斜线网的方法及系统，包括：构建一网络输入层、斜线网训练和测试数据集，并送入网络输入层进行特征提取，得到斜线网特征图；将用于测试和训练的斜线网特征图进行更深的特征提取，得到候选框；在测试和训练阶段，根据候选框得到RoI，并送入RoI池化层池化到固定的维度后，得到固定维度RoI，送入到全连接层；再分别接入分类与回归的全连接网络，获得每个固定维度RoI的所属类别，并输出类别的概率向量；获得每个固定维度RoI的位置偏移量，并根据概率向量和位置偏移量得到精确的目标检测框；去除冗余的目标检测框，获得最佳的目标检测框对斜线网进行自动识别。本发明专利技术实现对斜线网线槽数进行自动检测的目的。动检测的目的。动检测的目的。

【技术实现步骤摘要】
一种基于深度学习的自动识别斜线网的方法及系统


[0001]本专利技术涉及深度学习的图像处理
，具体涉及一种基于深度学习的自动识别斜线网的方法及系统。

技术介绍

[0002]目前光伏行业中，在硅块的切片过程中所使用的金刚线是在切片机的主辊上进行布线的。切片机的左辊、右辊及下辊的布线位置将直接影响到整体的切片效果，进一步导致所生产的硅片存在线痕、厚薄及翘曲等一系列问题。
[0003]现有的质量控制手段是员工对左辊、右辊及下辊的斜线网进行拍照，然后根据工艺切割要求对斜线网线槽数进行比对核实，判断其是否满足工艺切割要求。
[0004]但是按照现有技术进行控制存在以下问题：
[0005](1)在整个核实过程中，由于切割机台环境复杂、操作空间受限，员工稍微操作不慎很容易损坏斜线网。同时，员工拍照难度大，容易出现拍照不清晰的现象；
[0006](2)因主辊上的线槽槽径极为微小(约0.193
‑
0.221mm)，所以员工在数线槽的过程中极容易出现数错、漏数的情况。同时，每个斜线网需要数15
‑...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的自动识别斜线网的方法，其特征在于，包括以下步骤：构建一网络输入层、斜线网训练数据集以及斜线网测试数据集，并将所述斜线网训练数据集和所述斜线网测试数据集送入所述网络输入层；所述网络输入层将接收到的所述斜线网训练数据集和所述斜线网测试数据集送入到特征提取网络进行特征提取，得到斜线网特征图；将用于测试的斜线网特征图进行更深的特征提取，得到候选框；将用于训练的斜线网特征图进行更深的特征提取，得到每一个锚框的预测得分和预测偏移值，并根据所述预测得分和所述预测偏移值得到精确的候选框；在测试阶段，将所述候选框直接作为RoI，送入RoI池化层；在训练阶段，对所述精确的候选框进行筛选得到符合条件的RoI，送入RoI池化层；所述RoI池化层将所述RoI池化到固定的维度后，得到固定维度RoI，并将所述固定维度RoI送入全连接层；利用所述全连接层将所述固定维度RoI的特征全部进行连接，再将通过所述全连接层后的每个所述固定维度RoI分别接入分类与回归的全连接网络；通过分类网络获得每个所述固定维度RoI的所属类别，并输出类别的概率向量；通过回归网络获得每个所述固定维度RoI的位置偏移量，并根据所述概率向量和所述位置偏移量得到精确的目标检测框；使用非极大值抑制去除冗余的目标检测框，并获得剩余的目标检测框中最佳的目标检测框，根据所述最佳的目标检测框对斜线网进行自动识别；其中，所述特征图包括：所述用于测试的斜线网特征图和所述用于训练的斜线网特征图，所述分类与回归的全连接网络包括：分类网络和回归网络。2.根据权利要求1所述的基于深度学习的自动识别斜线网的方法，其特征在于，在构建斜线网训练数据集以及斜线网测试数据集时，包括：接收图像采集装置所采集的真实场景下切片机的图像，从所述切片机的图像中提取斜线网图像；对所述斜线网图像进行数据增强，生成所述斜线网样本图像；将所述斜线网样本图像按8：2划分成训练数据集和测试数据集，从而完成所述斜线网训练数据集合和所述斜线网测试数据集的构建；其中，在对所述斜线网图像进行数据增强时，包括：利用数据增强算法对所述斜线网图像中左辊的斜线网图像、右辊的斜线网图像以及下辊的斜线网图像进行加权融合，具体如公式1和公式2所示：λ1+λ2+λ3＝1 (2)；式中，为新生成的同时存在左辊的斜线网图像、右辊的斜线网图像以及下辊的斜线网图像的图像数据，t
z
为随机一张左辊的斜线网图像，t
y
为随机一张右辊的斜线网图像，t
x
为随机一张下辊的斜线网图像，λ1,λ2,λ3是权值，取值范围λ1,λ2,λ3∈[0.3，0.4]。3.根据权利要求1所述的基于深度学习的自动识别斜线网的方法，其特征在于，在将用于测试的斜线网特征图进行更深的特征提取，得到候选框时，包括：
将所述用于测试的斜线网特征图通过3
×
3的卷积进行更深的特征提取，再进行1
×
1的卷积运算，得到所述候选框；其中，在通过3
×
3的卷积进行更深的特征提取和1
×
1的卷积运算时，包括：将输入向量与卷积核向量和卷积核向量对应位置元素相乘再相加。4.根据权利要求1所述的基于深度学习的自动识别斜线网的方法，其特征在于，在得到每一个锚框的预测得分时，包括：将所述用于训练的斜线网特征图用3
×
3的卷积进行更深的特征提取，得到若干锚框，再利用1
×
1的卷积实现分类网络，生成Positive锚框；其中，在实现分类网络，生成Positive锚框时，包括：将物体标签输入softmax层，利用softmax公式获得所述物体标签的概率值，并将所述概率值作为阈值，所述softmax公式具体如公式3所示：式中，x为输出向量；n为该神经网络的多个输出或类别数；x
j
为x中第j个输出或类别的值；i表示当前需计算的类别；将所述若干锚框输入softmax层，利用所述softmax公式输出一结果，将所述结果与所述阈值进行匹配，获得相应的匹配结果；根据所述匹配结果判断每个锚框属于Positive或Negative，从而生成Positive锚框。5.根据权利要求1所述的基于深度学习的自动识别斜线网的方法，其特征在于，在得到每一个锚框的预测偏移值时，包括：将所述用于训练的斜线网特征图用3
×
3的卷积进行更深的特征提取，得到若干锚框，再利用1
×
1的卷积实现回归网络，生成每一个锚框的预测偏移值；其中，在实现回归网络，生成每一个锚框的预测偏移值时，包括：将物体标签和所述若干锚框输入bounding box regression层，利用偏移量公式获得锚框的预测偏移值，具体如公式4、公式5、公式6以及公式7所示：锚框的预测偏移值，具体如公...

【专利技术属性】
技术研发人员：杨振忠，李文清，毕喜行，汤琦，徐志群，
申请(专利权)人：高景太阳能股份有限公司，
类型：发明
国别省市：