一种基于显著图的电池片缺陷检测方法及系统技术方案

本发明专利技术涉及电池片检测技术领域，尤其是涉及一种基于显著图的电池片缺陷检测方法及系统。所述方法包括以下步骤：获取热处理操作数据集，其中热处理操作数据集包括热循环次数、热处理温度以及热处理持温时间，基于热处理操作数据集进行双重序列数据提取操作，生成像素点位显著性分析数据，利用像素点位显著性分析数据进行点位数据对比分析，生成强显著性位点数据以及弱显著性位点数据，对于强显著性位点数据，生成二维拓扑光学显著性图；对于弱显著性位点数据，基于热处理持温时间对电池片进行环境等待处理；本发明专利技术通过对热处理操作数据集进行数据处理，提高电池片缺陷检测的效率以及隐私安全性。隐私安全性。隐私安全性。

【技术实现步骤摘要】
一种基于显著图的电池片缺陷检测方法及系统


[0001]本专利技术涉及电池片检测
，尤其是涉及一种基于显著图的电池片缺陷检测方法及系统。

技术介绍

[0002]在光伏电池制造过程中，电池片的质量问题是制约其性能和寿命的重要因素之一。传统的电池片质量检测方法主要依赖于人工目视检查或使用特定的检测设备，存在效率低下、易受人为因素影响、成本高昂等缺点，因此，需要一种高效、准确、自动化的电池片缺陷检测方法及系统来提高电池片制造的质量和效率。

技术实现思路

[0003]本专利技术提供一种基于显著图的电池片缺陷检测方法及系统，以解决至少一个上述技术问题。
[0004]为实现上述目的，一种基于显著图的电池片缺陷检测方法，包括以下步骤：步骤S1：获取热处理操作数据集，其中热处理操作数据集包括热循环次数、热处理温度以及热处理持温时间；基于热处理操作数据集进行双重序列数据提取操作，生成像素点位显著性分析数据；利用像素点位显著性分析数据进行点位数据对比分析，生成强显著性位点数据以及弱显著性位点数据；对于强显著性位点数据，执行步骤S2；对于弱显著性位点数据，基于热处理持温时间对电池片进行环境等待处理，生成静置电池片，选取静置电池片作为步骤S3中的电池片执行步骤S3；步骤S2：基于像素点位显著性分析数据利用光学显微镜进行图像空域化处理，生成空域显著图像数据，利用空域显著图像数据进行拓扑转换标注，生成二维拓扑光学显著性图；步骤S3：获取初始特征空间数据集，对二维拓扑光学显著性图进行判空处理，生成零显著性拓扑数据集以及非零显著性拓扑数据集，对于非零显著性拓扑数据集，选取非零显著性拓扑数据集作为初始特征空间数据集，基于初始特征空间数据集对电池片利用SGD优化算法进行优化数据训练模型构建，生成优化数据训练模型，利用优化数据训练模型进行优化数据获取处理，生成优化数据集，其中优化数据集包括优化热处理持温时间、优化热循环次数以及优化热处理温度，基于优化热循环次数与预设的基准循环次数进行数据对比，当优化热循环次数大于预设的基准循环次数时，选取优化热处理持温时间作为步骤S1中的热处理持温时间，选取优化热循环次数作为步骤S1中的热循环次数，选取优化热处理温度作为步骤S1中的热处理温度，返回步骤S1；当优化热循环次数小于预设的基准循环次数时，执行步骤S4；步骤S4：基于空域显著图像数据以及像素点位显著性分析数据进行热循环缺陷检测指令传输处理，从而实现基于显著图的电池片缺陷检测。
[0005]本专利技术提供了一种基于显著图的电池片缺陷检测方法，通过从形态学、电池片热
处理表面温度角度通过对热循环过程中的循环条件因素判断，实现对电池片的高效、高精度检测，热循环处理过程中的循通过获取热处理操作数据集，双重序列数据提取操作，生成像素点位显著性分析数据，利用像素点位显著性分析数据进行点位数据对比分析，生成强显著性位点数据以及弱显著性位点数据，利用优化数据集进行热循环返回操作，基于像素点位显著性分析数据生成空域显著图像数据，进一步进行二维拓扑光学显著性图标注，从而选取初始特征空间数据集进行优化数据训练模型构建，并基于该优化数据训练模型进行优化数据获取处理，生成优化数据集，实现了基于显著图的电池片缺陷检测，准确迅速检测电池片缺陷，提高电池片的生产效率和产品质量。
[0006]优选地，步骤S1包括以下步骤：步骤S101：获取热处理操作数据集，其中热处理操作收集包括热循环次数、热处理温度以及热处理持温时间；步骤S102：基于热处理温度以及热处理持温时间进行热处理环境部署，构建热处理环境；步骤S103：基于热处理环境利用红外相机对电池片进行热处理数据收集，生成电池片热像图；步骤S104：获取热像图温度匹配规则库，利用热像图温度匹配规则库进行规则数据检索，生成热像图规则数据；步骤S105：基于热像图规则数据对电池片热像图进行循环像素点解析处理，生成热像图像素点解析数据；步骤S106：利用热像图像素点解析数据进行像素点序列化数据处理，生成热像图像素点序列化数据；步骤S107：利用热像图像素点序列化数据进行热像图序列化处理，热像图序列数据；步骤S108：基于热像图序列数据利用序列显著性分析算法进行序列数据显著性分析，生成像素点位显著性分析数据；步骤S109：基于像素点位显著性分析数据与预设的基准显著性位点数据进行点位数据对比分析，当像素点位显著性分析数据大于预设的基准显著性位点数据时，标记为强显著性位点数据，当像素点位显著性分析数据小于预设的基准显著性位点数据时，标记为弱显著性位点数据；步骤S110：对于强显著性位点数据，执行步骤S2；对于弱显著性位点数据，基于热处理持温时间对电池片进行环境等待处理，生成静置电池片，选取静置电池片作为步骤S3中电池片执行步骤S3。
[0007]其中步骤S1中的基于热处理操作数据集进行双重序列数据提取操作，生成像素点位显著性分析数据具体为：步骤S102
‑
步骤S108。其中的双重序列具体是指热像图像素点序列化数据和热像图序列数据。
[0008]本专利技术利用热像图数据对电池片进行热处理环境部署和优化，通过对热像图像素点解析、序列化和显著性分析，结合预设的基准显著性位点数据，实现了对热处理效果的评估和优化，提高电池片热处理的效率和准确性，降低生产成本，提高产品质量，特别地，本专利技术重点关注电池片的循环测试，通过后续步骤S3对于循环条件的更改，来实现较高效率的
数据获取，通过对电池片热处理操作数据集的收集和对热像图的规则数据检索、像素点位显著性分析等操作，利用电池片缺陷部位与正常部位的高温环境表面温度差异性，实现了对电池片热处理效果的循环检测和优化，保证了电池片的长期稳定性和可靠性，获取热循环数据集。
[0009]优选地，步骤S108中的序列化显著性分析算法具体为：；；；；其中，为像素点局部温度导数值，为热像图序列数据中的像素点温度值，为热像图序列数据中的像素点位置，为归一化温度值，为热像图序列数据中的像素点温度最小值，为热像图序列数据中的像素点温度最大值，为像素点的初级显著性，为热像图序列数据中的热成像图像像素点总数，为自然指数函数，为序列化调节参数，为像素点的位置向量，为像素点的位置向量，为像素点的归一化温度值，为像素点位显著性数据，为热像图最小显著性像素点，为热像图最大显著性像素点。
[0010]本专利技术利用一种序列化显著性分析算法，该算法从热循环处理中规定环境下收集的电池片热像图像素点数据入手，通过将热像图按照收集时间进行序列化排序并将热像图中像素点按从左向右顺序存储，利用存储的热像图像素点数据实现序列化显著性分析算法，该算法利用热像图序列数据中的像素点位置，以及该像素点对应的温度，即热像图序列数据中的像素点温度值，利用微积分分析算法，利用函数关系求解像素点局部温度导数值，利用像素点局部温度导数值、热像图序列数据中的像素点温度最小值以及热像图序列数据中的像素点温度最大值将像素点的局部导数进行归一化处理，利用函数关系，消除不同像素点之间温度差异的影响，获取归一化温度值，基于归一化的像素点数据，通过自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于显著图的电池片缺陷检测方法，其特征在于，包括以下步骤：步骤S1，包括：步骤S101：获取热处理操作数据集，其中热处理操作数据集包括热循环次数、热处理温度以及热处理持温时间；步骤S102：基于热处理温度以及热处理持温时间进行热处理环境部署，构建热处理环境；步骤S103：基于热处理环境利用红外相机对电池片进行热处理数据收集，生成电池片热像图；步骤S104：获取热像图温度匹配规则库，利用热像图温度匹配规则库进行规则数据检索，生成热像图规则数据；步骤S105：基于热像图规则数据对电池片热像图进行循环像素点解析处理，生成热像图像素点解析数据；步骤S106：利用热像图像素点解析数据进行像素点序列化数据处理，生成热像图像素点序列化数据；步骤S107：利用热像图像素点序列化数据进行热像图序列化处理，热像图序列数据；步骤S108：基于热像图序列数据利用序列显著性分析算法进行序列数据显著性分析，生成像素点位显著性分析数据；其中，序列显著性分析算法具体为：；；；；其中，为像素点局部温度导数值，为热像图序列数据中的像素点温度值，为热像图序列数据中的像素点位置，为归一化温度值，为热像图序列数据中的像素点温度最小值，为热像图序列数据中的像素点温度最大值，为像素点的初级显著性，为热像图序列数据中的热成像图像像素点总数，为自然指数函数，为序列化调节参数，为像素点的位置向量，为像素点的位置向量，为像素点的归一化温度值，为像素点位显著性数据，为热像图最小显著性像素点，为热像图最大显著性像素点；步骤S109：基于像素点位显著性分析数据与预设的基准显著性位点数据进行点位数据对比分析，当像素点位显著性分析数据大于预设的基准显著性位点数据时，标记为强显著性位点数据，当像素点位显著性分析数据小于预设的基准显著性位点数据时，标记为弱显著性位点数据；步骤S110：对于强显著性位点数据，执行步骤S2；对于弱显著性位点数据，基于热处理
持温时间对电池片进行环境等待处理，生成静置电池片，选取静置电池片作为步骤S3中电池片执行步骤S3；步骤S2：基于像素点位显著性分析数据利用光学显微镜进行图像空域化处理，生成空域显著图像数据，利用空域显著图像数据进行拓扑转换标注，生成二维拓扑光学显著性图；步骤S3：获取初始特征空间数据集，对二维拓扑光学显著性图进行判空处理，生成零显著性拓扑数据集以及非零显著性拓扑数据集，对于非零显著性拓扑数据集，选取非零显著性拓扑数据集作为初始特征空间数据集，基于初始特征空间数据集对电池片利用SGD优化算法进行优化数据训练模型构建，生成优化数据训练模型，利用优化数据训练模型进行优化数据获取处理，生成优化数据集，其中优化数据集包括优化热处理持温时间、优化热循环次数以及优化热处理温度，基于优化热循环次数与预设的基准循环次数进行数据对比，当优化热循环次数大于预设的基准循环次数时，选取优化热处理持温时间作为步骤S1中的热处理持温时间，选取优化热循环次数作为步骤S1中的热循环次数，选取优化热处理温度作为步骤S1中的热处理温度，返回步骤S1；当优化热循环次数小于预设的基准循环次数时，执行步骤S4；步骤S4：基于空域显著图像数据以及像素点位显著性分析数据进行热循环缺陷检测指令传输处理，从而实现基于显著图的电池片缺陷检测。2.根据权利要求1所述的方法，其特征在于，步骤S2的具体步骤为：步骤S21：基于像素点位显著性分析数据进行温度异常点位存储，生成温度异常点位数据集；步骤S22：利用光学显微镜对电池片进行检测台检测，生成表面显微结构图像集；步骤S23：基于表面显微结构图像集进行图像空域化处理，生成空域显著图像数据；步骤S24：基于空域显著图像数据利用降维相似度计算公式进行降维相似度计算，生成频域降维相似度数据；步骤S25：获取降维映射规则数据库，根据映射规则数据库进行规则检索提取，生成降维映射规则数据；步骤S26：基于降维映射规则数据、频域降维相似度数据以及空域显著图像数据进行二维拓扑结构映射，二维数据融合拓扑映射；步骤S27：基...

【专利技术属性】
技术研发人员：肖凯，杨美娟，杨中明，
申请(专利权)人：江苏森标科技有限公司，
类型：发明
国别省市：