一种太阳能电池片虚焊检测方法技术

本发明专利技术公开了一种太阳能电池片虚焊检测方法，对太阳能电池片的EL图像高斯去噪，通过将EL图像与高斯滤波器进行卷积，平滑图像并减小噪声，通过基于良品的数据学习（即无监督学习），只用OK数据进行训练，使得神经网络能够学到正常数据的样本分布，差异比较后找到缺陷位置，基于无监督学习的算法，稳定性强，样本收集方便，只需要收集好样本来进行训练，并且不会出现漏检。出现漏检。出现漏检。

【技术实现步骤摘要】
一种太阳能电池片虚焊检测方法


[0001]本专利技术涉及虚焊检测
，特别是涉及一种太阳能电池片虚焊检测方法。

技术介绍

[0002]随着人工智能的兴起，工业企业也从以前的人工检测慢慢转变为AI检测。目前主流的AI检测方法有R
‑
CNN（selective search）、目标检测算法（YOLO）等。上述两种算法都是工业行业用的最多的检测方法，但它们都是监督学习的算法，监督学习的算法都是需要收集大量带缺陷的样本，进行人工标注，然后进行训练，先训练出一个样本模型，再检测时与之比较，确定OK或者NG。这种方法存在着一系列的问题，如稳定性不强，容易出现漏检，缺陷样本收集困难。

技术实现思路

[0003]针对上述情况，为克服现有技术之缺陷，本专利技术之目的在于提供一种太阳能电池片虚焊检测方法，稳定性强，样本收集方便，只需要收集好样本来进行训练，并且不会出现漏检。
[0004]其解决的技术方案是，一种太阳能电池片虚焊检测方法， S1，对太阳能电池片的EL图像高斯去噪，通过将EL图像与高斯滤波器进行卷积，平滑图像并减小噪声；S2，利用奇异值分解检测图像主栅位置， 将高斯去噪后的EL图像转换成一个二维矩阵；S3，通过奇异值分解处理二维矩阵，使用OpenCv库中的cv::SVD函数进行分解，其参数包括需要分解的矩阵U、输出的矩阵V和奇异值矩阵W，得到一个对角矩阵Σ，对角线上的元素就是奇异值，奇异值按照大小从大到小排列，第一个奇异值是最大的，最后一个是最小的；S4，取出10个奇异值，并将其它奇异值设置为0，得到一个新的奇异值矩阵W
’
；S5，利用新的奇异值矩阵W
’
、 分解的矩阵U和矩阵V的转置矩阵Vt重构原始矩阵，得到新的图像，利用opencv的局部自适应二值化操作，得到仅保留主栅的二值化图；S6，对二值化图像主栅进行空白遮挡，在确定主栅线位置后，通过创建一个与主栅线相同大小和位置的矩形遮罩并将其应用于图像来实现对主栅进行空白遮挡；S7，使用最大最小归一化法对整张图像做归一化操作，归一化是将图像的灰度值映射到一个统一的范围，加深虚焊区域的灰度，归一化处理后，如果图像中存在虚焊区域，则该区域的灰度值会变得更深，与正常区域之间的差别得到强化，我们可以进一步通过调整图像的对比度和亮度，使得虚焊区域的灰度值与周围区域的差异更加明显，强化其与正常区域的差别，便于准确定位；S8，通过基于良品的数据学习（即无监督学习），只用OK数据进行训练，使得神经网络能够学到正常数据的样本分布，差异比较后找到缺陷位置，不会漏检。
[0005]进一步的，步骤S8中无监督学习的过程主要分为三个步骤，第一步，提取特征，通
过卷积神经网络将所有多尺度信息压缩成一个单一特征的图像集，卷积神经网络的不同层捕获了不同层次的特征，对多尺度信息进行压缩采用的是特征金字塔方法，特征金字塔是一种将不同尺度的特征组合在一起的方法，在这种方法中，图像在不同尺度上进行处理，每个尺度上都提取特征，然后，将这些特征沿着尺度空间叠加，形成一个金字塔结构，这个金字塔可以被认为是一个单一特征的图像集，因为它整合了来自多个尺度的信息；第二步，归一化，通过RestNet50作为特征提取器，特征提取器生成的多个尺度，此时，会选择具有较高层次抽象和较低层次细节信息的层；第三步，计算异常图及其对应值使用时的分割，设置一个背景模型， 景模型指的是正常图像（无异常）的概率分布，通过训练归一化流（NF），仅使用正常图像样本，网络学会将正常图像的分布转换为高斯白噪声过程，此时背景模型就是一个高斯白噪声模型，即在训练过程中，网络试图将正常图像的特征表示映射到一个高斯分布的空间；可以通过NFA来自动设置一个检测阈值，NFA值本身有一个明确的统计意义：它是对在所执行的测试中，这种测试事件可以由背景模型产生的次数的估计，即在正态性假设下，较低的NFA值意味着观察到的模型不太可能由背景模型产生，因此表明可能存在异常，图像的分割主要是通过NFA设置一个自动阈值来进行的；最后，利用分类网络对缺陷区域进行分类，判定是否为虚焊缺陷。
[0006]进一步的，第二步，归一化，具体如下：最后一个卷积层之前的每个残差块的输出，不同层次的信息可以在每个残差块之间找到，选择每个残差块的最后一个卷积层的输出可以提供多尺度特征，因为这些输出在不同的抽象层次上捕捉了图像信息；第一个残差块的输出（conv2_x）；第二个残差块的输出（conv3_x）；第三个残差块的输出（conv4_x）；第四个残差块的输出（conv5_x）；这些输出将包含从粗糙到详细的多尺度信息表示作为输入，并使用NF框架对数据执行一系列可逆转换，在NF（归一化流）框架中，可逆转换是指一种在输入数据上执行的操作，该操作可以在不丢失任何信息的情况下对数据进行变换，并且可以轻松地恢复到原始数据，也即是这些转换是双射的，即一一映射且可逆。
[0007]由于以上技术方案的采用，本专利技术与现有技术相比具有如下优点；1. 基于无监督学习的算法，稳定性强，样本收集方便，只需要收集好样本来进行训练，并且不会出现漏检。
附图说明
[0008]图1为本专利技术一种太阳能电池片虚焊检测方法的原始图像。
[0009]图2为本专利技术一种太阳能电池片虚焊检测方法的重构图像。
[0010]图3为本专利技术一种太阳能电池片虚焊检测方法的二值化图像。
[0011]图4为本专利技术一种太阳能电池片虚焊检测方法的主栅遮挡图像。
[0012]图5为本专利技术一种太阳能电池片虚焊检测方法的虚焊实验数据表。
具体实施方式
[0013]有关本专利技术的前述及其他
技术实现思路
、特点与功效，在以下配合参考附图1至图5对实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的结构内容，均是以说明书附图为参考。
[0014]实施例一，一种太阳能电池片虚焊检测方法， S1，对太阳能电池片的EL图像高斯去噪，通过将EL图像与高斯滤波器进行卷积，平滑图像并减小噪声，高斯滤波器的大小和标准差可以根据实际情况进行调整，以达到最佳去噪效果；S2，利用奇异值分解检测图像主栅位置， 将高斯去噪后的EL图像转换成一个二维矩阵；S3，通过奇异值分解处理二维矩阵，使用OpenCv库中的cv::SVD函数进行分解，其参数包括需要分解的矩阵U、输出的矩阵V和奇异值矩阵W，得到一个对角矩阵Σ，对角线上的元素就是奇异值，奇异值按照大小从大到小排列，第一个奇异值是最大的，最后一个是最小的；S4，取出10个奇异值，并将其它奇异值设置为0，得到一个新的奇异值矩阵W
’
；S5，利用新的奇异值矩阵W
’
、 分解的矩阵U和矩阵V的转置矩阵Vt重构原始矩阵，得到新的图像，利用opencv的局部自适应二值化操作，得到仅保留主栅的二值化图；S6，对二值化图像主栅进行空白遮挡，在确定主栅线位置后，通过创建一个与主栅线相同大小和位置的矩形遮罩并将其应用于图像来实现对主栅进行空白遮挡；S7，使用最大最小归一化法对整张图像做归一化操作，归一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种太阳能电池片虚焊检测方法，其特征在于， S1，对太阳能电池片的EL图像高斯去噪，通过将EL图像与高斯滤波器进行卷积，平滑图像并减小噪声；S2，利用奇异值分解检测图像主栅位置， 将高斯去噪后的EL图像转换成一个二维矩阵；S3，通过奇异值分解处理二维矩阵，使用OpenCv库中的cv::SVD函数进行分解，其参数包括需要分解的矩阵U、输出的矩阵V和奇异值矩阵W，得到一个对角矩阵Σ，对角线上的元素就是奇异值，奇异值按照大小从大到小排列，第一个奇异值是最大的，最后一个是最小的；S4，取出10个奇异值，并将其它奇异值设置为0，得到一个新的奇异值矩阵W
’
；S5，利用新的奇异值矩阵W
’
、 分解的矩阵U和矩阵V的转置矩阵Vt重构原始矩阵，得到新的图像，利用opencv的局部自适应二值化操作，得到仅保留主栅的二值化图；S6，对二值化图像主栅进行空白遮挡，在确定主栅线位置后，通过创建一个与主栅线相同大小和位置的矩形遮罩并将其应用于图像来实现对主栅进行空白遮挡；S7，使用最大最小归一化法对整张图像做归一化操作，归一化是将图像的灰度值映射到一个统一的范围，加深虚焊区域的灰度，归一化处理后，如果图像中存在虚焊区域，则该区域的灰度值会变得更深，与正常区域之间的差别得到强化，我们可以进一步通过调整图像的对比度和亮度，使得虚焊区域的灰度值与周围区域的差异更加明显，强化其与正常区域的差别，便于准确定位；S8，通过基于良品的数据学习（即无监督学习），只用OK数据进行训练，使得神经网络能够学到正常数据的样本分布，差异比较后找到缺陷位置，不会漏检。2.如权利要求1所述的一种太阳能电池片虚焊检测方法，其特征在于，步骤S8中无监督学习的过程主要分为三个步骤，第一步，提取特征，通过卷积神经网络将所有多尺度信息压缩成一个单一特征的图像集，卷积神经网络的不同层捕获了不同层次的特征，对多尺度信息进行压缩采用的是特征金字塔方法，特征金字塔是一种将不同尺度的特征组合在一起的...

【专利技术属性】
技术研发人员：温英光，
申请(专利权)人：上海谦煜光电科技有限公司，
类型：发明
国别省市：