一种基于深度学习的光伏电池片智能缺陷检测方法技术

本发明专利技术公开了一种基于深度学习的光伏电池片智能缺陷检测方法，能自动完成光伏电池片EL图像的分析，有效提升检测精度与速度。主要包括：利用电致发光技术，采集电池片EL图像。采用改进的Faster R

【技术实现步骤摘要】
一种基于深度学习的光伏电池片智能缺陷检测方法


[0001]本专利技术涉及人工智能中目标检测领域，主要使用一种基于深度学习的光伏电池片智能缺陷检测方法。

技术介绍

[0002]光伏电池片作为光伏组件的核心组成部分，在生成加工的过程中易受材料、加工工艺等因素影响，不可避免的使硅片产生一些外部或内部缺陷如：隐裂、虚焊、断栅、扩散不均匀、破片等。这些缺陷极大地降低了组件的光电转化效率和使用寿命，甚至影响整个光伏发电系统的安全性。
[0003]电致发光(Electroluminescence,EL)成像检测被广泛用于光伏电池片的缺陷检测中，其原理是给电池片施加正向偏置电压使其发出波段为950～1150纳米的近红外光，利用近红外相机捕捉成像，使存在于电池片内部的缺陷清晰可见。目前生产线上对EL图像通常由人工完成分析检测，工作量大、成本高且易发生漏检、错检。另外有人提出利用机器视觉技术，人工设计提取规则方法完成检测，此类方法通常采用分析图像特征，利用图形学、形态学等处理方法获取目标的缺陷特征信息。该方法面对电池片缺陷特征尺度、大小各异，背景较为复杂的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的光伏电池片智能缺陷检测方法，主要包括如下步骤：1)自建光伏电池片EL图像数据集PV_Datasets；2)对步骤1)所述数据集分别进行缺陷分类及标注；3)对光伏电池片EL图像导入网络模型，进行模型训练，用于完成具体缺陷信息的判别，3.1)该网络以FasterRCNN目标检测算法作为框架，并选用改进型的Resnet101作为网络主干，替换原始网络模型的VGG16网络，增加了网络层数，提升网络的特征提取能力；3.2)并在主干网络中融入特征金字塔网络结构(FPN)，进一步提高网络对多尺度缺陷的特征表达能力；3.3)加入双通道注意力机制模块DCAM(Dual
‑
channel Attention Mechanism Module)，通过网络对输入特征图赋不同的权重值，聚焦于特征图的重要特征信息，抑制不必要的区域响应，进一步增强网络的特征表示能力，同时降低一些不必要的计算。2.根据权利要求1所述的一种基于深度学习的光伏电池片智能缺陷检测方法，其特征在于，所述步骤1)中自建数据集PV_Datasets包括以下步骤：根据光伏电池片电致发光(electroluminescence,EL)成像原理，利用近红外相机采集光伏电池片组件EL的图像；对图像进行预处理，提取光伏电池组件边缘，裁剪多余信息，并按单个电池片尺寸，将组件EL图像分割成多张光伏电池片EL图像，这些光伏电池片EL图像经分类标注完成数据集构建。3.根据权利要求1所述的一种基于深度学习的光伏电池片智能缺陷检测方法，其特征在于，所述步骤2中)：对图像中存在缺陷进行分类，可大致分为：断栅、划痕、虚焊、隐裂、黑心团、短路、裂纹以及破片，将图像利用LabelImg标注软件，使用矩形框圈注图像中的缺陷信息，并制作成VOC格式的数据集。4.根据权利要求1所述的一种基于深度学习的光伏电池片智能缺陷检测方法，其特征在于，所述步骤3中)：Faster R
‑
CNN是在Fast R

【专利技术属性】
技术研发人员：孙晨，邓宽，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：