【技术实现步骤摘要】
本申请属于工业视觉检测，尤其涉及一种光伏玻璃缺陷检测方法及装置。
技术介绍
1、随着光伏产业的快速发展，光伏玻璃作为重要的光伏组件材料，其质量对于整个光伏系统的性能和稳定性具有重要影响。然而，在玻璃制造过程中，会经过多个不同工序，由于工艺波动和机台差异等因素影响不可避免会产生各种缺陷，如气泡、裂纹、划伤、脏污等，影响玻璃的透光率和强度，无法保证产品质量。因此，对光伏玻璃缺陷进行检测是保证其质量的重要手段。
2、光伏玻璃缺陷检测之前往往通过大量人力来检出缺陷，但人工检测容易疲劳，检出效率慢，后期为了节约人力、提高效率，引入相关质检设备，但大部分设备基于传统检测算法，需要对玻璃进行建模，手动设置各种参数，同时还需要质检员在线协助观察，对于缺陷检出识别率并不高。在光伏玻璃丝印背板检测中，由于压延玻璃以及浮法玻璃等不同型号产品工艺不同，造成成像存在差异，缺陷检出难度高，实现全自动缺陷检测仍然面临着巨大挑战。
技术实现思路
1、本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种光伏玻璃缺陷检测方法及装置，针对单光场图像对光伏玻璃的某些缺陷无法成像或成像效果不好的问题，采用多光场对光伏玻璃的缺陷进行成像，得到存在缺陷的光伏玻璃对应的多光场图像，通过融合该多光场图像得到rgba图像，由于融合后的rgba图像中包含更多的缺陷特征信息，通过提取该rgba图像中的缺陷特征信息，提高对光伏玻璃的缺陷识别准确率。
2、第一方面，本申请提供了一种光伏玻璃缺陷检测方法
3、获取存在缺陷的光伏玻璃的第一多光场图像对应的第一rgba图像；
4、提取所述第一rgba图像中的特征图；
5、基于所述特征图，获取所述光伏玻璃的缺陷分类结果。
6、根据本申请的光伏玻璃缺陷检测方法，针对单光场图像对光伏玻璃的某些缺陷无法成像或成像效果不好的问题，采用多光场对光伏玻璃的缺陷进行成像，得到存在缺陷的光伏玻璃对应的多光场图像，通过融合该多光场图像得到rgba图像，由于融合后的rgba图像中包含更多的缺陷特征信息，通过提取该rgba图像中的缺陷特征信息，提高对光伏玻璃的缺陷识别准确率。
7、根据本申请的一个实施例，所述提取所述第一rgba图像中的特征图，包括：
8、将所述第一rgba图像输入到目标缺陷分类网络，并基于所述目标缺陷分类网络对所述第一rgba图像进行卷积操作，获取所述第一rgba图像对应的第一特征图；
9、将所述第一特征图输入到所述目标缺陷分类网络中的多级特征融合模块，得到所述特征图。
10、根据本申请的光伏玻璃缺陷检测方法，通过将融合后得到的rgba图像输入到目标缺陷分类网络中进行读取，输出光伏玻璃的缺陷分类结果，解决了传统人工检测效率低下的问题，提高了缺陷检测效率，节省了人力。
11、根据本申请的一个实施例，所述将所述第一特征图输入到所述目标缺陷分类网络中的多级特征融合模块，得到所述特征图，包括：
12、基于所述多级特征融合模块中的自扩散模块，对所述第一特征图进行卷积操作，得到第二特征图；
13、基于所述自扩散模块，对所述第二特征图进行线性变换，得到第三特征图；
14、基于所述自扩散模块，对所述第二特征图和所述第三特征图进行融合，得到第四特征图；
15、基于所述多级特征融合模块中的深度可分离卷积层，对所述第四特征图进行卷积操作，得到第五特征图；
16、将所述第五特征图输入到所述多级特征融合模块中的双层注意力模块，得到第六特征图；
17、将所述第五特征图和所述第六特征图输入到所述自扩散模块中，得到第七特征图；
18、将所述第一特征图和所述第七特征图进行融合，得到所述特征图。
19、根据本申请的光伏玻璃缺陷检测方法，针对因光伏玻璃存在的类间相似的缺陷类别以及缺陷之间存在易混淆情况，造成目标缺陷分类网络分类效果不佳的问题，本申请通过基于目标缺陷分类网络中的多级特征融合模块和双层注意力模块，精确提取图像特征，提高对图像细粒度的特征提取能力，能够很好的解决类间差异性带来的缺陷识别困难的情况，更好地在全局中学习特征，减少误检率。
20、根据本申请的一个实施例，所述目标缺陷分类网络通过如下方式获取：
21、将训练样本和标签输入至预设缺陷分类网络进行训练，直至所述预设缺陷分类网络收敛为止，所述标签通过对所述训练样本中的光伏玻璃的缺陷类型进行标注后得到；
22、根据收敛后的预设缺陷分类网络，得到所述目标缺陷分类网络；
23、其中，所述训练样本通过如下方式获取：
24、对不同缺陷类型的光伏玻璃的第二多光场图像进行数据增广，获取第三多光场图像；
25、获取所述第二多光场图像和所述第三多光场图像对应的第二rgba图像；
26、将所述第二rgba图像作为训练样本。
27、根据本申请的光伏玻璃缺陷检测方法，针对采集的光伏玻璃的缺陷数据存在长尾分布，类别极不平衡导致训练得到的目标缺陷分类网络的分类准确性较低的情况，本申请基于深度卷积生成对抗网络能够自动生成类别少的缺陷的光伏玻璃的多光场图像，使生成的缺陷更接近真实样本分布，在保证对缺陷识别精度和速度的同时，增强目标缺陷分类网络的泛化性，使得训练得到的目标缺陷分类网络可以应用到更多光伏玻璃产品线进行缺陷分类识别。
28、根据本申请的一个实施例，所述获取存在缺陷的光伏玻璃的第一多光场图像对应的第一rgba图像，包括：
29、将所述第一多光场图像进行等比例拆分后并融合，得到所述融合图像；
30、对所述融合图像进行等比例放大后，得到所述第一rgba图像。
31、根据本申请的一个实施例，所述对不同缺陷类型的光伏玻璃的第二多光场图像进行数据增广，获取第三多光场图像，包括：
32、基于深度卷积生成对抗网络，对所述第二多光场图像进行数据增广，获取所述第三多光场图像。
33、根据本申请的光伏玻璃缺陷检测方法，不需要耗费大量时间人力去收集那种很少出现的缺陷，通过深度卷积生成对抗网络，能够自动生成相应的缺陷类型数据，数据数量需求量少。
34、根据本申请的一个实施例，所述基于所述特征图，获取所述光伏玻璃的缺陷分类结果，包括：
35、基于目标缺陷分类网络对所述特征图进行全局平均池化操作，获取所述缺陷分类结果。
36、第二方面，本申请提供了一种光伏玻璃缺陷检测装置，该装置包括：
37、数据获取模块，用于获取存在缺陷的光伏玻璃的第一多光场图像对应的第一rgba；
38、特征提取模块，用于提取所述第一rgba图像中的特征图；
39、缺陷识别模块，用于基于所述特征图，获取所述光伏玻璃的缺陷分类结果。
40、根据本申请的光伏玻璃缺陷检测装置，针对单光场图像对本文档来自技高网...
【技术保护点】
1.一种光伏玻璃缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的光伏玻璃缺陷检测方法，其特征在于，所述获取存在缺陷的光伏玻璃的第一多光场图像对应的第一RGBA图像，包括：
3.根据权利要求1所述的光伏玻璃缺陷检测方法，其特征在于，所述提取所述第一RGBA图像中的特征图，包括：
4.根据权利要求3所述的光伏玻璃缺陷检测方法，其特征在于，所述将所述第一特征图输入到所述目标缺陷分类网络中的多级特征融合模块，得到所述特征图，包括：
5.根据权利要求3所述的光伏玻璃缺陷检测方法，其特征在于，所述目标缺陷分类网络通过如下方式获取：
6.根据权利要求5所述的光伏玻璃缺陷检测方法，其特征在于，所述对不同缺陷类型的光伏玻璃的第二多光场图像进行数据增广，获取第三多光场图像，包括：
7.根据权利要求1-6任一项所述的光伏玻璃缺陷检测方法，其特征在于，所述基于所述特征图，获取所述光伏玻璃的缺陷分类结果，包括：
8.一种光伏玻璃缺陷检测装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任一项所述的光伏玻璃缺陷检测方法。
...【技术特征摘要】
1.一种光伏玻璃缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的光伏玻璃缺陷检测方法，其特征在于，所述获取存在缺陷的光伏玻璃的第一多光场图像对应的第一rgba图像，包括：
3.根据权利要求1所述的光伏玻璃缺陷检测方法，其特征在于，所述提取所述第一rgba图像中的特征图，包括：
4.根据权利要求3所述的光伏玻璃缺陷检测方法，其特征在于，所述将所述第一特征图输入到所述目标缺陷分类网络中的多级特征融合模块，得到所述特征图，包括：
5.根据权利要求3所述的光伏玻璃缺陷检测方法，其特征在于，所述目标缺陷分类网络通过如下方式获取：
6.根据权利要求5所述的光伏玻璃缺陷检测方法，其特...
【专利技术属性】
技术研发人员：吕建明，张潇，张旭，
申请(专利权)人：苏州凌云光工业智能技术有限公司，
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。