碲化镉钙钛矿的叠层电池及其制造方法技术

一种碲化镉钙钛矿的叠层电池及其制造方法，其获取抽样的碲化镉钙钛矿的叠层电池的切面图像；采用基于深度学习的人工智能技术，进行所述切面图像中关于叠层电池的质量语义特征信息的充分表达，以此来准确地进行叠层电池的成型质量检测，从而优化叠层电池的制造质量和效率

【技术实现步骤摘要】
碲化镉钙钛矿的叠层电池及其制造方法


[0001]本申请涉及智能化制造
，并且更具体地，涉及一种碲化镉钙钛矿的叠层电池及其制造方法
。

技术介绍

[0002]碲化镉钙钛矿是一种新型的光伏材料，具有高效能
、
低成本和环保等特点，因此在太阳能电池领域具有广泛的应用前景
。
为了进一步提高太阳能电池的转换效率，现有技术方案将碲化镉和钙钛矿进行特殊的结构叠层设计，制备得到的叠层电池
。
[0003]然而，目前在叠层电池的制造过程中，由于材料的特殊性质，往往会出现成型质量不符合预定要求的情况，这会影响太阳能电池的性能和寿命
。
传统依靠人工进行叠层电池的质量检测方式，不仅会消耗大量的人力精力，而且检测的精准度和效率往往较低，难以达到应有要求
。
[0004]因此，期望一种优化的碲化镉钙钛矿的叠层电池及其制造方案
。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请
。
本申请的实施例提供了一种碲化镉钙钛矿的叠层电池及其制造方法，其获取抽样的碲化镉钙钛矿的叠层电池的切面图像；采用基于深度学习的人工智能技术，进行所述切面图像中关于叠层电池的质量语义特征信息的充分表达，以此来准确地进行叠层电池的成型质量检测，从而优化叠层电池的制造质量和效率
。
[0006]第一方面，提供了一种碲化镉钙钛矿的叠层电池，其包括：
[0007]图像采集模块，用于获取抽样的碲化镉钙钛矿的叠层电池的切面图像；
[0008]图像预处理模块，用于对所述切面图像进行图像预处理以得到预处理后切面图像；
[0009]图像分块模块，用于对所述预处理后切面图像进行图像分块处理以得到局部切面图像块的序列；
[0010]切面语义特征提取模块，用于将所述局部切面图像块的序列通过包含嵌入层的
ViT
模型以得到多个上下文局部切面语义特征向量；
[0011]相似度关联模块，用于计算所述多个上下文局部切面语义特征向量中每两个上下文局部切面语义特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量；
[0012]特征优化模块，用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及
[0013]成型质量检测模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示叠层电池的成型质量是否符合预定要求
。
[0014]在上述碲化镉钙钛矿的叠层电池中，所述切面语义特征提取模块，包括：嵌入化单
元，用于使用所述
ViT
模型的嵌入层对所述局部切面图像块的序列中的各个局部切面图像块进行向量嵌入化以得到切面图像块嵌入向量的序列；以及，转换编码单元，用于将所述切面图像块嵌入向量的序列输入所述
ViT
模型的转换器以得到所述多个上下文局部切面语义特征向量
。
[0015]在上述碲化镉钙钛矿的叠层电池中，所述转换编码单元，包括：向量构造子单元，用于将所述切面图像块嵌入向量的序列进行一维排列以得到全局切面特征向量；自注意子单元，用于计算所述全局切面特征向量与所述切面图像块嵌入向量的序列中各个切面图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过
Softmax
分类函数以得到多个概率值；以及，注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述切面图像块嵌入向量的序列中各个切面图像块嵌入向量进行加权以得到所述多个上下文局部切面语义特征向量
。
[0016]在上述碲化镉钙钛矿的叠层电池中，所述相似度关联模块，包括：余弦计算单元，用于以如下余弦公式计算所述多个上下文局部切面语义特征向量中每两个上下文局部切面语义特征向量之间的余弦相似度以得到多个余弦相似度；其中，所述余弦公式为：
[0017][0018]其中，
V
i
和
V
j
表示所述多个上下文局部切面语义特征向量中每两个上下文局部切面语义特征向量，和表示所述上下文局部切面语义特征向量
V
i
和
V
j
中各个位置的特征值，
d(V
i
,V
j
)
表示所述多个上下文局部切面语义特征向量中任意两个上下文局部切面语义特征向量之间的余弦距离；以及，排列单元，用于将所述多个相似度进行排列以得到所述分类特征向量
。
[0019]在上述碲化镉钙钛矿的叠层电池中，所述特征优化模块，用于：以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量；其中，所述优化公式为：
[0020][0021]其中，
v
i
是所述分类特征向量的第
i
个位置的特征值，
μ
和
σ
分别是所述分类特征向量中各个位置特征值集合的均值和标准差，且
v
i
'
是所述优化分类特征向量的第
i
个位置的特征值
。
[0022]在上述碲化镉钙钛矿的叠层电池中，所述成型质量检测模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的
Softmax
分类函数以得到所述分类结果
。
[0023]第二方面，提供了一种碲化镉钙钛矿的叠层电池的制造方法，其包括：
[0024]获取抽样的碲化镉钙钛矿的叠层电池的切面图像；
[0025]对所述切面图像进行图像预处理以得到预处理后切面图像；
[0026]对所述预处理后切面图像进行图像分块处理以得到局部切面图像块的序列；
[0027]将所述局部切面图像块的序列通过包含嵌入层的
ViT
模型以得到多个上下文局部切面语义特征向量；
[0028]计算所述多个上下文局部切面语义特征向量中每两个上下文局部切面语义特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量；
[0029]对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及
[0030]将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示叠层电池的成型质量是否符合预定要求
。
[0031]在上述碲化镉钙钛矿的叠层电池的制造方法中，将所述局部切面图像块的序列通过包含嵌入层的
ViT
模型以得到多个上下文局部切面语义特征向量，包括：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种碲化镉钙钛矿的叠层电池，其特征在于，包括：图像采集模块，用于获取抽样的碲化镉钙钛矿的叠层电池的切面图像；图像预处理模块，用于对所述切面图像进行图像预处理以得到预处理后切面图像；图像分块模块，用于对所述预处理后切面图像进行图像分块处理以得到局部切面图像块的序列；切面语义特征提取模块，用于将所述局部切面图像块的序列通过包含嵌入层的
ViT
模型以得到多个上下文局部切面语义特征向量；相似度关联模块，用于计算所述多个上下文局部切面语义特征向量中每两个上下文局部切面语义特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量；特征优化模块，用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及成型质量检测模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示叠层电池的成型质量是否符合预定要求
。2.
根据权利要求1所述的碲化镉钙钛矿的叠层电池，其特征在于，所述切面语义特征提取模块，包括：嵌入化单元，用于使用所述
ViT
模型的嵌入层对所述局部切面图像块的序列中的各个局部切面图像块进行向量嵌入化以得到切面图像块嵌入向量的序列；以及转换编码单元，用于将所述切面图像块嵌入向量的序列输入所述
ViT
模型的转换器以得到所述多个上下文局部切面语义特征向量
。3.
根据权利要求2所述的碲化镉钙钛矿的叠层电池，其特征在于，所述转换编码单元，包括：向量构造子单元，用于将所述切面图像块嵌入向量的序列进行一维排列以得到全局切面特征向量；自注意子单元，用于计算所述全局切面特征向量与所述切面图像块嵌入向量的序列中各个切面图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过
Softmax
分类函数以得到多个概率值；以及注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述切面图像块嵌入向量的序列中各个切面图像块嵌入向量进行加权以得到所述多个上下文局部切面语义特征向量
。4.
根据权利要求3所述的碲化镉钙钛矿的叠层电池，其特征在于，所述相似度关联模块，包括：余弦计算单元，用于以如下余弦公式计算所述多个上下文局部切面语义特征向量中每两个上下文局部切面语义特征向量之间的余弦相似度以得到多个余弦相似度；其中，所述余弦公式为：
其中，
V
i
和
V
j
表示所述多个上下文局部切面语义特征向量中每两个上下文局部切面语义特征向量，和表示所述上下文局部切面语义特征向量
V
i
和
V
j
中各个位置的特征值，
d(V
i
,V
j
)
表示所述多个上下文局部切面语义特征向量中任意两个上下文局部切面语义特征向量之间的余弦距离；以及排列单元，用于将所述多个相似度进行排列以得到所述分类特征向量
。5.
根据权利要求4所述的碲化镉钙钛矿的叠层电池，其特征在于，所述特征优化模块，用于：以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量；其中，所述优化公式为：其中，
v
i
是所述分类特征向量的第
i
个位置的特征值，
μ
和
σ
分别是所述分类特征向量中各个位置特征值集合的均值和标准差，且
v
i
'
...

【专利技术属性】
技术研发人员：赵雷，潘锦功，傅干华，曲忠强，
申请(专利权)人：瑞昌中建材光电材料有限公司，
类型：发明
国别省市：