本发明专利技术公开了一种基于深度神经网络的硅基光伏电池片缺陷检测方法、系统、设备及存储介质，该方法包括建立光伏电池片EL图像数据集；对数据集中的EL图像进行缺陷分类及标注；将进行了缺陷分类及标注的EL图像导入网络模型，进行模型训练，以用于光伏电池片具体缺陷信息的检测判别；其中，网络模型以FasterR‑CNN目标检测算法作为框架，选用残差网络Resnet50作为主干网络，并在主干网络中融入特征金字塔结构作为特征提取器；对网络模型进行ROI池化处理；在网络模型的主干网络中加入了DCAM卷积注意力模块。本发明专利技术在面对电池片缺陷特征尺度差异较大、环境背景较复杂情况下，也有较好的缺陷特征提取与检测能力，能很好满足实际生产需求。
【技术实现步骤摘要】
本专利技术涉及光伏检测领域，具体涉及一种基于深度神经网络的硅基光伏电池片缺陷检测方法、系统、设备及存储介质。
技术介绍
1、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。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。
2、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，背景较为复杂的情况下，对缺陷特征信息表达能力有限，适应性和泛化能力较弱。
技术实现思路
1、本专利技术的目的是针对于光伏电池片易受材料、生产工艺等因素影响，易产生诸多缺陷且检测难度高等问题，提供一种用于光伏电池片内部缺陷检测的基于深度神经网络的硅基光伏电池片缺陷检测方法、系统、设备及存储介质。
2、为实现上述目的，本专利技术提供的技术方案是：
3、本专利技术是通过以下技术方案实现的：</p>4、一种基于深度神经网络的硅基光伏电池片缺陷检测方法，包括以下步骤：
5、步骤1、建立光伏电池片el图像数据集；
6、步骤2、对数据集中的el图像进行缺陷分类及标注；
7、步骤3、将进行了缺陷分类及标注的el图像导入网络模型，进行模型训练，以用于光伏电池片具体缺陷信息的检测判别；
8、所述的网络模型以fasterr-cnn目标检测算法为框架进行优化改进，选用残差网络resnet50作为主干网络，并在主干网络中融入特征金字塔结构作为特征提取器，形成rfdr-faster rcnn目标检测算法；
9、rfdr-faster rcnn目标检测算法包括对网络模型进行感兴趣区域池化处理，采用roi align方法确保候选框与其特征的一致性；还包括在网络模型的主干网络中加入dcam卷积注意力模块，通过对输入的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。
10、为优化上述技术方案，采取的具体措施/限定还包括：
11、步骤1中，所述建立光伏电池片el图像数据集为：利用近红外相机采集光伏电池片组件的el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，按单个电池片尺寸将光伏电池片组件的el图像进行分割，经分类标注构成光伏电池片el图像数据集。
12、步骤2中，所述对数据集中的el图像进行缺陷分类及标注为：标注el图像中的缺陷信息，制作成数据集；所述的缺陷信息包括：断栅、划痕、虚焊、隐裂、黑心团、短路、裂纹以及破片。
13、步骤3中，所述以fasterr-cnn目标检测算法作为框架，选用残差网络resnet50作为主干网络包括：
14、输入el图像通过一系列卷积生成特征图，经由fasterr-cnn目标检测算法生成区域建议框，并映射至特征图上获取对应的特征矩阵，再通过感兴趣区域池化将特征图缩放为统一尺寸，经过全连接层后，同时输出给分类层和边框回归层；其中，分类层用来判定建议框内前景及背景信息，边框回归层用来预测区域建议框的尺寸和坐标信息。
15、步骤3中，所述的特征金字塔结构由横向连接、自顶向下和自底向上三个部分组成：
16、自底向上的部分为由残差网络resnet50进行的前馈计算过程，进行传统的特征提取，输出大小一致的网络部分，称为一级stage；选择每级stage的最后一层特征图，作为上一级stage的输入，得到自底向上的每一层网络；自顶向下的部分为从最高层向下依次使用最近邻2倍上采样，特征图将扩大2倍，得到自顶向下的每一层网络；再通过使自底向上得到的每一层网络和自顶向下的每一层网络进行横向连接，进行特征融合后输出处理后的特征图。
17、步骤3中，所述对网络模型进行roi池化设计，采用roi align方法确保候选框与其特征的一致性包括：
18、采用roi align方法将候选区域进行平均划分为若干等分区域，等分区域分别再进行分割采样，分为若干子区域，然后利用双线性插值法求得各子区域的中心像素值，最后令所有子区域中心像素最大值作为该等分区域的像素值。
19、步骤3中，所述的dcam卷积注意力模块为双通道注意力机制模块，包括通道注意力模块和空间注意力模块两部分：
20、其中通道注意力模块关注于全局信息，el图像经过卷积后生成多通道的特征图，通过通道注意力模块完成多通道的差异化处理，增大有效特征通道的权重、降低无效特征通道权重；空间注意力模块通过对特征图空间信息建模来获取空间中各个像素的相关性，提高特征图对目标信息的关注程度；
21、将通道注意力模块与空间注意力模块并联组成双通道，将两个通道获得的特征图相加后经归一化处理输出最终的特征图。
22、本专利技术还保护一种基于深度神经网络的硅基光伏电池片缺陷检测系统，包括：
23、图像预处理模块，用于采集光伏电池片组件的el图像，进行预处理，形成光伏电池片el图像数据集；
24、缺陷分类及标注模块，用于对数据集中的el图像进行缺陷分类及标注；
25、模型训练模块，用于将进行了缺陷分类及标注的el图像导入网络模型，进行模型训练；所述的网络模型以fasterr-cnn目标检测算法作为框架，选用残差网络resnet50作为主干网络，并融入特征金字塔结构；对网络模型进行roi池化，采用roi align方法确保候选框与其特征的一致性；在网络模型的主干网络中加入dcam卷积注意力模块，对输入的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。
26、本专利技术还保护一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如上所述的基于深度神经网络的硅基光伏电池片缺陷检测方法。
27、本专利技术还保护一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行如上所述的基于深度神经网络的硅基光伏电池片缺陷检测方法。
28、与现有技术相比，本专利技术的有益效果是：
29、本专利技术提供了一种基于深度神经网络的硅基光伏电池片缺陷检测方法，能够克服人工肉眼检测速度慢、精度不高等问题，借助于深层神经网络精准定位、快速检测的能力，完成对光伏电池片缺陷的精准识别与分类。
30、本专利技术利用电致发光(el)成像技术完成电池片图像信本文档来自技高网
...
【技术保护点】
1.一种基于深度神经网络的硅基光伏电池片缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度神经网络的硅基光伏电池片缺陷检测方法，其特征在于：步骤1中，所述建立光伏电池片EL图像数据集为：利用近红外相机采集光伏电池片组件的EL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，按单个电池片尺寸将光伏电池片组件的EL图像进行分割，经分类标注构成光伏电池片EL图像数据集。
3.根据权利要求1所述的基于深度神经网络的硅基光伏电池片缺陷检测方法，其特征在于：步骤2中，所述对数据集中的EL图像进行缺陷分类及标注为：标注EL图像中的缺陷信息，制作成数据集；所述的缺陷信息包括：断栅、划痕、虚焊、隐裂、黑心团、短路、裂纹以及破片。
4.根据权利要求1所述的基于深度神经网络的硅基光伏电池片缺陷检测方法，其特征在于：步骤3中，所述以FasterR-CNN目标检测算法作为框架，选用残差网络Resnet50作为主干网络包括：
5.根据权利要求1所述的基于深度神经网络的硅基光伏电池片缺陷检测方法，其特征在于：步骤3中，所述的特征金字塔结构由横向连接、自顶向下和自底向上三个部分组成：
6.根据权利要求1所述的基于深度神经网络的硅基光伏电池片缺陷检测方法，其特征在于：步骤3中，所述对网络模型进行ROI池化设计，采用ROI Align方法确保候选框与其特征的一致性包括：
7.根据权利要求1所述的基于深度神经网络的硅基光伏电池片缺陷检测方法，其特征在于：步骤3中，所述的DCAM卷积注意力模块为双通道注意力机制模块，包括通道注意力模块和空间注意力模块两部分：
8.一种基于深度神经网络的硅基光伏电池片缺陷检测系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-7任一项所述的基于深度神经网络的硅基光伏电池片缺陷检测方法。
10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行如权利要求1-7任一项所述的基于深度神经网络的硅基光伏电池片缺陷检测方法。
...
【技术特征摘要】
1.一种基于深度神经网络的硅基光伏电池片缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度神经网络的硅基光伏电池片缺陷检测方法，其特征在于：步骤1中，所述建立光伏电池片el图像数据集为：利用近红外相机采集光伏电池片组件的el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，按单个电池片尺寸将光伏电池片组件的el图像进行分割，经分类标注构成光伏电池片el图像数据集。
3.根据权利要求1所述的基于深度神经网络的硅基光伏电池片缺陷检测方法，其特征在于：步骤2中，所述对数据集中的el图像进行缺陷分类及标注为：标注el图像中的缺陷信息，制作成数据集；所述的缺陷信息包括：断栅、划痕、虚焊、隐裂、黑心团、短路、裂纹以及破片。
4.根据权利要求1所述的基于深度神经网络的硅基光伏电池片缺陷检测方法，其特征在于：步骤3中，所述以fasterr-cnn目标检测算法作为框架，选用残差网络resnet50作为主干网络包括：
5.根据权利要求1所述的基于深度神经网络的硅基光伏电池片缺陷检测...
【专利技术属性】
技术研发人员：邓宽，孙晨，张玉，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。