CN108492291B - 一种基于cnn分割的太阳能光伏硅片瑕疵检测***及方法 - Google Patents
一种基于cnn分割的太阳能光伏硅片瑕疵检测***及方法 Download PDFInfo
- Publication number
- CN108492291B CN108492291B CN201810226903.XA CN201810226903A CN108492291B CN 108492291 B CN108492291 B CN 108492291B CN 201810226903 A CN201810226903 A CN 201810226903A CN 108492291 B CN108492291 B CN 108492291B
- Authority
- CN
- China
- Prior art keywords
- image
- silicon wafer
- training
- module
- picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于CNN分割的太阳能光伏硅片瑕疵检测***,包括如下模块:图片收集和标注模块、第一图像预处理模块、训练模块、验证模块、图像采集模块、第二图像预处理模块、预处理模块、后处理模块、输出模块。本发明还提供了一种基于CNN分割的太阳能光伏硅片瑕疵检测方法。即本发明通过深度学习技术自动统计硅片瑕疵特征而不再需要人为归纳和建模瑕疵特征;提高检测方法的泛化能力,即更换产品后,算法无需重新耗费人力重新开发;大幅提高产品瑕疵特征提炼的准确性,提高识别率。
Description
技术领域
本发明涉及太阳能光伏行业,具体地是涉及一种基于CNN分割的太阳能光伏硅片瑕疵检测***及方法。
背景技术
在现有的太阳能光伏行业中,主流的硅片瑕疵检测算法需要根据产品特性,人为定义进行特征定义和建立模型。主要采用基于人工提取特征的机器视觉方法,通过工业相机采集产品图像,传入基于规则的检测方法,提取特征,输出检测结果。传统的检测方法存在几方面问题:
一、在检测算法开发过程中,需要投入大量的精力进行算法原型的设计与验证;
二、产品更新换代后,需要重新开发算法,算法方法泛化能力差;
三、开发周期长;
四、检测指标难以达到预期目标。
因此,本发明的发明人亟需构思一种新技术以改善其问题。
发明内容
本发明旨在提供一种基于CNN分割的太阳能光伏硅片瑕疵检测***及方法,其可以通过深度学习技术自动统计硅片瑕疵特征而不再需要人为归纳和建模瑕疵特征。
为解决上述技术问题,本发明的技术方案是:
一种基于CNN分割的太阳能光伏硅片瑕疵检测***,包括如下模块:
图片收集和标注模块,用于采集一定数量的太阳能硅片图片作为训练图片,并对其进行数据标注;
第一图像预处理模块,在训练阶段,根据训练图像以及其对应的标注数据,对图像数据进行裁切、数据增强,建立训练集;
训练模块,用于训练集建立好之后,搭建CNN网络便于自动归纳硅片训练集特征,获得权值文件;
验证模块,用于测试生成的权值文件是否达到使用状态,若达到则可以部署使用,否则重新调整训练集,迭代训练,直到满足要求。
优选地,还包括:
图像采集模块,用于在线获取图像;
第二图像预处理模块,用于根据瑕疵分布区域的特点,对采集图像做适当裁剪;
预测模块,用于通过CNN网络中卷积和反卷积操作,生成灰度级为0~255 的单通道灰度图,灰度图中每个像素位置的灰度级代表对应位置为瑕疵的分值,该图即为概率图;
后处理模块,用于通过灰度阈值和面积阈值对预测模块中生成的概率图进行过滤;
输出模块,用于输出一幅二值图像。
优选地,所述训练模块具体包括:
输入单元,用于将训练集中某一张硅片图片输入到CNN网络中;
输出单元,用于经过卷积和反卷积操作进行前向传播,输出一幅概率图像;
计算单元,用于利用此张太阳能硅片图片对应的标注图与该概率图计算损失;
生成单元,用于根据二者的误差采用链式法则进行反向传播来调整权值,直至收敛,生成最终的权值文件。
优选地,所述太阳能硅片图片包括存在瑕疵的太阳能硅片产品图片和不存在瑕疵的太阳能硅片图片。
优选地,所述图片收集和标注模块中的数据标注是以单通道图片形式建立,存在瑕疵的太阳能硅片图片对应的标注数据为一张全黑的图片,存在瑕疵的太阳能硅片产品图片对应的标注数据为一张部分区域高亮的图片,高亮区域对应瑕疵的区域。
一种基于CNN分割的太阳能光伏硅片瑕疵检测方法,包括如下步骤:
S1:采集一定数量的太阳能硅片图片作为训练图片,并对其进行数据标注;
S2:在训练阶段,根据训练图像以及其对应的标注数据,对图像数据进行裁切、数据增强,建立训练集;
S3:训练集建立好之后,搭建CNN网络便于自动归纳硅片训练集特征,获得权值文件;
S4:测试生成的权值文件是否达到使用状态,若达到则可以部署使用,否则重新调整训练集,迭代训练,直到满足要求。
优选地,还包括如下步骤:
S5:在线获取图像;
S6:根据瑕疵分布区域的特点,对采集图像做适当裁剪;
S7:通过CNN网络中卷积和反卷积操作,生成灰度级为0~255的单通道灰度图,灰度图中每个像素位置的灰度级代表对应位置为瑕疵的分值,该图即为概率图;
S8:通过灰度阈值和面积阈值对预测模块中生成的概率图进行过滤;
S9:输出一幅二值图像。
优选地,所述步骤S3具体包括:
S31:将训练集中某一张硅片图片输入到CNN网络中;
S32:经过卷积和反卷积操作进行前向传播,输出一幅概率图像;
S33:利用此张太阳能硅片图片对应的标注图与该概率图计算损失;
S34:根据二者的误差采用链式法则进行反向传播来调整权值,直至收敛,生成最终的权值文件。
优选地,所述太阳能硅片图片包括存在瑕疵的太阳能硅片产品图片和不存在瑕疵的太阳能硅片图片。
优选地,所述图片收集和标注模块中的数据标注是以单通道图片形式建立,存在瑕疵的太阳能硅片图片对应的标注数据为一张全黑的图片,存在瑕疵的太阳能硅片产品图片对应的标注数据为一张部分区域高亮的图片,高亮区域对应瑕疵的区域。
采用上述技术方案,本发明至少包括如下有益效果:
本发明所述的基于CNN分割的太阳能光伏硅片瑕疵检测***及方法,通过深度学习技术自动统计硅片瑕疵特征而不再需要人为归纳和建模瑕疵特征;提高检测方法的泛化能力,即更换产品后,算法无需重新耗费人力重新开发;大幅提高产品瑕疵特征提炼的准确性,提高识别率。
附图说明
图1为本发明所述的基于CNN分割的太阳能光伏硅片瑕疵检测***的结构示意图;
图2为本发明所述的基于CNN分割的太阳能光伏硅片瑕疵检测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1所示,为符合本实施例的一种基于CNN分割的太阳能光伏硅片瑕疵检测***,包括如下模块:
图片收集和标注模块,用于采集一定数量的太阳能硅片图片作为训练图片,并对其进行数据标注;
第一图像预处理模块,在训练阶段,根据训练图像以及其对应的标注数据,对图像数据进行裁切、数据增强,建立训练集;
训练模块,用于训练集建立好之后,搭建CNN网络便于自动归纳硅片训练集特征,获得权值文件;
验证模块,用于测试生成的权值文件是否达到使用状态,若达到则可以部署使用,否则重新调整训练集,迭代训练,直到满足要求。
优选地,还包括:
图像采集模块,用于在线获取图像;
第二图像预处理模块,用于根据瑕疵分布区域的特点,对采集图像做适当裁剪;
预测模块,用于通过CNN网络中卷积和反卷积操作,生成灰度级为0~255 的单通道灰度图,灰度图中每个像素位置的灰度级代表对应位置为瑕疵的分值,该图即为概率图;
后处理模块,用于通过灰度阈值和面积阈值对预测模块中生成的概率图进行过滤;
输出模块,用于输出一幅二值图像。
优选地,所述训练模块包括前向传播和反向传播两部分,其具体包括:
输入单元,用于将训练集中某一张硅片图片输入到CNN网络中;
输出单元,用于经过卷积和反卷积操作进行前向传播,输出一幅概率图像;
计算单元,用于利用此张太阳能硅片图片对应的标注图与该概率图计算损失;
生成单元,用于根据二者的误差采用链式法则进行反向传播来调整权值,直至收敛,生成最终的权值文件。
优选地,所述太阳能硅片图片包括存在瑕疵的太阳能硅片产品图片和不存在瑕疵的太阳能硅片图片。
优选地,所述图片收集和标注模块中的数据标注是以单通道图片形式建立,存在瑕疵的太阳能硅片图片对应的标注数据为一张全黑的图片,存在瑕疵的太阳能硅片产品图片对应的标注数据为一张部分区域高亮的图片,高亮区域对应瑕疵的区域。
具体地,本实施例中主要包括训练和预测两部分,对于训练部分:
图片收集和标注模块:采集一定数量的太阳能硅片图片,图片数据包括合适数量的OK图片和NG图片(OK图片是指没有瑕疵的硅片产品图片,NG图片是指存在瑕疵的硅片图片),标注数据是以单通道图片形式建立,OK图片对应的标注数据为一张全黑的图片,NG图片对应的标注数据为一张部分区域高亮的图片,高亮区域对应NG图片中瑕疵的区域。
第一图像预处理模块:在训练阶段,根据训练图像以及其对应的标注数据,对图像数据进行裁切、数据增强,建立训练集。由于硬件水平的限制和瑕疵区域较小的原因,需要对原始图片和对应标注集进行裁切,为了增强网络的泛化能力,对NG图片进行数据增强。
训练模块:该模块包括前向传播和反向传播两部分。训练集建立好之后,搭建CNN网络便于自动归纳硅片训练集特征,获得权值文件。训练过程的大致描述:训练集中某一张硅片图片输入到CNN网络中,经过卷积和反卷积操作进行前向传播,输出一幅概率图像,再利用此张硅片图片对应的标注图与该概率图计算损失,然后根据二者的误差采用链式法则进行反向传播来调整权值,直至收敛,生成最终的权值文件。
验证模块:测试生成的权值文件是否达到使用状态,若达到则可以部署使用,否则重新调整训练集,迭代训练,直到满足要求。对于验证指标,可以灵活设定,例如将检测率作为指标,当达到需求的检测率则停止迭代训练。
预测部分:
训练模块获取权值文件之后,便可以用于预测模块在线部署检测。
图像采集模块:通过图像采集***在线获取图像。
第二图像预处理模块:在预测阶段,根据瑕疵分布区域的特点,对采集图像做适当裁剪,减少计算量,提高效率。
预测模块:相比训练模块,该模块只包括前向传播部分。图像经过CNN 网络中卷积和反卷积操作之后,生成灰度级为0~255的单通道灰度图,灰度图中每个像素位置的灰度级代表对应位置为瑕疵的分值,该图即为概率图(也可以称之为灰度图)。
后处理模块:通过灰度阈值和面积阈值对预测模块中生成的概率图进行过滤。预测模块中生成的概率图由于是输入图像中对应像素位置的分值信息,存在某些区域虽然不是瑕疵,但仍然有不为零的响应,灰度阈值可以抑制分值较低的区域。硅片产品检测过程中,对于含有非常小的瑕疵产品仍有使用价值,通过面积阈值可以去除这些小面积的瑕疵区域。因此,通过设置合适的灰度阈值和面积阈值过滤掉干扰信息,保留得分较大的瑕疵区域 (使用NG 硅片说明)。
输出模块:通过后处理模块后,输出一幅二值图像。
本实施例与现有技术相比具有以下优点:
一、利用深度学习技术,无需人为地对产品特性进行归纳与建模,取而代之的是通过海量产品的统计,利用CNN(卷积神经网络)技术自动归纳提取产品瑕疵特征;
二、相比太阳能光伏行业内现有技术,可以大幅提高产品瑕疵特征提炼的准确性,提高识别率;
三、在面临产品更新换代的情况下,无需另行开发算法,极大的缩短了算法开发周期,提高检测设备的兼容多种产品的能力。
实施例2
如图2所示,为符合本实施例的一种基于CNN分割的太阳能光伏硅片瑕疵检测方法,包括如下步骤:
S1:采集一定数量的太阳能硅片图片作为训练图片,并对其进行数据标注;
S2:在训练阶段,根据训练图像以及其对应的标注数据,对图像数据进行裁切、数据增强,建立训练集;
S3:训练集建立好之后,搭建CNN网络便于自动归纳硅片训练集特征,获得权值文件;
S4:测试生成的权值文件是否达到使用状态,若达到则可以部署使用,否则重新调整训练集,迭代训练,直到满足要求。
优选地,还包括如下步骤:
S5:在线获取图像;
S6:根据瑕疵分布区域的特点,对采集图像做适当裁剪;
S7:通过CNN网络中卷积和反卷积操作,生成灰度级为0~255的单通道灰度图,灰度图中每个像素位置的灰度级代表对应位置为瑕疵的分值,该图即为概率图;
S8:通过灰度阈值和面积阈值对预测模块中生成的概率图进行过滤;
S9:输出一幅二值图像。
优选地,所述步骤S3包括前向传播和反向传播两部分,具体包括:
S31:将训练集中某一张硅片图片输入到CNN网络中;
S32:经过卷积和反卷积操作进行前向传播,输出一幅概率图像;
S33:利用此张太阳能硅片图片对应的标注图与该概率图计算损失;
S34:根据二者的误差采用链式法则进行反向传播来调整权值,直至收敛,生成最终的权值文件。
优选地,所述太阳能硅片图片包括存在瑕疵的太阳能硅片产品图片和不存在瑕疵的太阳能硅片图片。
优选地,所述图片收集和标注模块中的数据标注是以单通道图片形式建立,存在瑕疵的太阳能硅片图片对应的标注数据为一张全黑的图片,存在瑕疵的太阳能硅片产品图片对应的标注数据为一张部分区域高亮的图片,高亮区域对应瑕疵的区域。
具体地,本实施例中主要包括训练和预测两部分,对于训练部分:
步骤S1中采集一定数量的太阳能硅片图片,图片数据包括合适数量的OK 图片和NG图片(OK图片是指没有瑕疵的硅片产品图片,NG图片是指存在瑕疵的硅片图片),标注数据是以单通道图片形式建立,OK图片对应的标注数据为一张全黑的图片,NG图片对应的标注数据为一张部分区域高亮的图片,高亮区域对应NG图片中瑕疵的区域。
步骤S2中在训练阶段,根据训练图像以及其对应的标注数据,对图像数据进行裁切、数据增强,建立训练集。由于硬件水平的限制和瑕疵区域较小的原因,需要对原始图片和对应标注集进行裁切,为了增强网络的泛化能力,对NG图片进行数据增强。
步骤S3中训练集建立好之后,搭建CNN网络便于自动归纳硅片训练集特征,获得权值文件。训练过程的大致描述:训练集中某一张硅片图片输入到 CNN网络中,经过卷积和反卷积操作进行前向传播,输出一幅概率图像,再利用此张硅片图片对应的标注图与该概率图计算损失,然后根据二者的误差采用链式法则进行反向传播来调整权值,直至收敛,生成最终的权值文件。
步骤S4中测试生成的权值文件是否达到使用状态,若达到则可以部署使用,否则重新调整训练集,迭代训练,直到满足要求。对于验证指标,可以灵活设定,例如将检测率作为指标,当达到需求的检测率则停止迭代训练。
预测部分:
训练模块获取权值文件之后,便可以在线部署检测。
步骤S5中通过图像采集***在线获取图像。
步骤S6中在预测阶段,根据瑕疵分布区域的特点,对采集图像做适当裁剪,减少计算量,提高效率。
步骤S7中图像经过CNN网络中卷积和反卷积操作之后,生成灰度级为 0~255的单通道灰度图,灰度图中每个像素位置的灰度级代表对应位置为瑕疵的分值,该图即为概率图(也可以称之为灰度图)。
步骤S8中通过灰度阈值和面积阈值对预测模块中生成的概率图进行过滤。预测模块中生成的概率图由于是输入图像中对应像素位置的分值信息,存在某些区域虽然不是瑕疵,但仍然有不为零的响应,灰度阈值可以抑制分值较低的区域。硅片产品检测过程中,对于含有非常小的瑕疵产品仍有使用价值,通过面积阈值可以去除这些小面积的瑕疵区域。因此,通过设置合适的灰度阈值和面积阈值过滤掉干扰信息,保留得分较大的瑕疵区域(使用NG 硅片说明)。
步骤S9输出一幅二值图像。
本实施例与现有技术相比具有以下优点:
一、利用深度学习技术,无需人为地对产品特性进行归纳与建模,取而代之的是通过海量产品的统计,利用CNN(卷积神经网络)技术自动归纳提取产品瑕疵特征;
二、相比太阳能光伏行业内现有技术,可以大幅提高产品瑕疵特征提炼的准确性,提高识别率;
三、在面临产品更新换代的情况下,无需另行开发算法,极大的缩短了算法开发周期,提高检测设备的兼容多种产品的能力。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种基于CNN分割的太阳能光伏硅片瑕疵检测***,其特征在于,包括如下模块:
图片收集和标注模块,用于采集一定数量的太阳能硅片图片作为训练图片,并对其进行数据标注;
第一图像预处理模块,在训练阶段,根据训练图像以及其对应的标注数据,对图像数据进行裁切、数据增强,建立训练集;
训练模块,用于训练集建立好之后,搭建CNN网络便于自动归纳硅片训练集特征,获得权值文件;
验证模块,用于测试生成的权值文件是否达到使用状态,若达到则可以部署使用,否则重新调整训练集,迭代训练,直到满足要求;
图像采集模块,用于在线获取图像;
第二图像预处理模块,用于根据瑕疵分布区域的特点,对采集图像做适当裁剪;
预测模块,用于通过CNN网络中卷积和反卷积操作,生成灰度级为0~255的单通道灰度图,灰度图中每个像素位置的灰度级代表对应位置为瑕疵的分值,灰度图即为概率图;
后处理模块,用于通过灰度阈值和面积阈值对预测模块中生成的概率图进行过滤,以此保留具有小的瑕疵但仍具有使用价值的硅片,避免硅片浪费;
输出模块,用于输出一幅二值图像;
所述训练模块具体包括:
输入单元,用于将训练集中某一张硅片图片输入到CNN网络中;
输出单元,用于经过卷积和反卷积操作进行前向传播,输出一幅概率图像;
计算单元,用于利用此张太阳能硅片图片对应的标注图与该概率图计算损失;
生成单元,用于根据二者的误差采用链式法则进行反向传播来调整权值,直至收敛,生成最终的权值文件;
所述图片收集和标注模块中的数据标注是以单通道图片形式建立,不存在瑕疵的太阳能硅片图片对应的标注数据为一张全黑的图片,存在瑕疵的太阳能硅片产品图片对应的标注数据为一张部分区域高亮的图片,高亮区域对应瑕疵的区域;
所述验证模块采用包括检测率的验证指标,达到需求的检测率则停止迭代训练。
2.如权利要求1所述的基于CNN分割的太阳能光伏硅片瑕疵检测***,其特征在于:所述太阳能硅片图片包括存在瑕疵的太阳能硅片产品图片和不存在瑕疵的太阳能硅片图片。
3.一种基于CNN分割的太阳能光伏硅片瑕疵检测方法,其特征在于,包括如下步骤:
S1:采集一定数量的太阳能硅片图片作为训练图片,并对其进行数据标注;
S2:在训练阶段,根据训练图像以及其对应的标注数据,对图像数据进行裁切、数据增强,建立训练集;
S3:训练集建立好之后,搭建CNN网络便于自动归纳硅片训练集特征,获得权值文件;
S4:测试生成的权值文件是否达到使用状态,若达到则可以部署使用,否则重新调整训练集,迭代训练,直到满足要求;其中,迭代训练采用包括检测率的验证指标,达到需求的检测率则停止迭代训练;
S5:在线获取图像;
S6:根据瑕疵分布区域的特点,对采集图像做适当裁剪;
S7:通过CNN网络中卷积和反卷积操作,生成灰度级为0~255的单通道灰度图,灰度图中每个像素位置的灰度级代表对应位置为瑕疵的分值,灰度图即为概率图;
S8:通过灰度阈值和面积阈值对预测模块中生成的概率图进行过滤,以此保留具有小的瑕疵但仍具有使用价值的硅片,避免硅片浪费;
S9:输出一幅二值图像;
S3具体包括:
S31:将训练集中某一张硅片图片输入到CNN网络中;
S32:经过卷积和反卷积操作进行前向传播,输出一幅概率图像;
S33:利用此张太阳能硅片图片对应的标注图与该概率图计算损失;
S34:根据二者的误差采用链式法则进行反向传播来调整权值,直至收敛,生成最终的权值文件;
数据标注是以单通道图片形式建立,不存在瑕疵的太阳能硅片图片对应的标注数据为一张全黑的图片,存在瑕疵的太阳能硅片产品图片对应的标注数据为一张部分区域高亮的图片,高亮区域对应瑕疵的区域。
4.如权利要求3所述的基于CNN分割的太阳能光伏硅片瑕疵检测方法,其特征在于:所述太阳能硅片图片包括存在瑕疵的太阳能硅片产品图片和不存在瑕疵的太阳能硅片图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810226903.XA CN108492291B (zh) | 2018-03-12 | 2018-03-12 | 一种基于cnn分割的太阳能光伏硅片瑕疵检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810226903.XA CN108492291B (zh) | 2018-03-12 | 2018-03-12 | 一种基于cnn分割的太阳能光伏硅片瑕疵检测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108492291A CN108492291A (zh) | 2018-09-04 |
CN108492291B true CN108492291B (zh) | 2022-07-22 |
Family
ID=63318445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810226903.XA Active CN108492291B (zh) | 2018-03-12 | 2018-03-12 | 一种基于cnn分割的太阳能光伏硅片瑕疵检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492291B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615610B (zh) * | 2018-11-13 | 2023-06-06 | 浙江师范大学 | 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法 |
CN111598825B (zh) * | 2019-02-02 | 2023-04-18 | 阿里巴巴集团控股有限公司 | 数据处理方法、瑕疵的检测方法、计算设备及存储介质 |
CN111551555A (zh) * | 2019-02-12 | 2020-08-18 | 微精科技股份有限公司 | 一种布料瑕疵线上自动辨识*** |
CN109886060A (zh) * | 2019-02-21 | 2019-06-14 | 苏州天准科技股份有限公司 | 一种基于深度学习的条码区域定位方法 |
CN111275700A (zh) * | 2020-02-19 | 2020-06-12 | 凌云光技术集团有限责任公司 | 基于深度学习的端子缺陷检测方法及*** |
CN113066052A (zh) * | 2021-03-11 | 2021-07-02 | 深圳精创视觉科技有限公司 | 一种基于深度学习方向矩形定位密集产品的计数方法 |
CN115032148B (zh) * | 2022-06-06 | 2023-04-25 | 苏州天准科技股份有限公司 | 一种片材棱面检测方法及规整检测暂存站 |
CN114701083B (zh) * | 2022-06-06 | 2022-08-05 | 广东高景太阳能科技有限公司 | 一种硅片切割原料处理方法、***、介质及设备 |
KR20240071660A (ko) * | 2022-11-16 | 2024-05-23 | 한화솔루션 주식회사 | 딥러닝을 이용한 태양광 웨이퍼 결함 검출 시스템, 장치 및 그 방법 |
CN117274249B (zh) * | 2023-11-20 | 2024-03-01 | 江西省中鼐科技服务有限公司 | 一种基于人工智能图像技术的瓷砖外观检测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103134807A (zh) * | 2011-08-19 | 2013-06-05 | 康耐视公司 | 用于识别材料中的缺陷的***和方法 |
CN106409711A (zh) * | 2016-09-12 | 2017-02-15 | 佛山市南海区广工大数控装备协同创新研究院 | 一种太阳能硅晶片缺陷检测***及方法 |
CN106875373A (zh) * | 2016-12-14 | 2017-06-20 | 浙江大学 | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 |
CN106952250A (zh) * | 2017-02-28 | 2017-07-14 | 北京科技大学 | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170301079A1 (en) * | 2016-04-19 | 2017-10-19 | Incheon University Industry Academic Cooperation Foundation | Method of acquiring tsom image and method of examining semiconductor device |
-
2018
- 2018-03-12 CN CN201810226903.XA patent/CN108492291B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103134807A (zh) * | 2011-08-19 | 2013-06-05 | 康耐视公司 | 用于识别材料中的缺陷的***和方法 |
CN106409711A (zh) * | 2016-09-12 | 2017-02-15 | 佛山市南海区广工大数控装备协同创新研究院 | 一种太阳能硅晶片缺陷检测***及方法 |
CN106875373A (zh) * | 2016-12-14 | 2017-06-20 | 浙江大学 | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 |
CN106952250A (zh) * | 2017-02-28 | 2017-07-14 | 北京科技大学 | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108492291A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492291B (zh) | 一种基于cnn分割的太阳能光伏硅片瑕疵检测***及方法 | |
CN112967243B (zh) | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 | |
CN109299274B (zh) | 一种基于全卷积神经网络的自然场景文本检测方法 | |
CN111382785B (zh) | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 | |
CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及*** | |
CN109859199B (zh) | 一种sd-oct图像的淡水无核珍珠质量检测的方法 | |
CN107886065A (zh) | 一种混合字体的数字序列识别方法 | |
CN117252815A (zh) | 基于2d-3d多模态图像的工业零件缺陷检测方法、***、设备及存储介质 | |
CN113139507B (zh) | 一种排水管道缺陷照片自动截取方法及其*** | |
CN111199255A (zh) | 基于darknet53网络的小目标检测网络模型及检测方法 | |
CN117115158B (zh) | 基于深度对比学习的缺陷检测方法及装置 | |
CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN117252818A (zh) | 基于改进YOLOv5的PCB缺陷检测方法 | |
CN115953387A (zh) | 一种基于深度学习的射线图像焊缝缺陷检测方法 | |
CN116542962A (zh) | 一种基于改进Yolov5m模型光伏电池缺陷检测方法 | |
CN115953678A (zh) | 一种基于局部灰度极值点和特征融合的路面破损检测方法 | |
KR102498322B1 (ko) | 딥러닝 기반의 반도체 디바이스 상태 분류를 위한 장치 및 방법 | |
CN114092441A (zh) | 一种基于双重神经网络的产品表面缺陷检测方法及*** | |
CN116778398B (zh) | 一种基于特征重建的双模态道床异物检测方法及*** | |
CN113344858B (zh) | 特征检测方法、装置及计算机存储介质 | |
CN117351218B (zh) | 一种炎症性肠病病理形态学特征隐窝拉伸图像识别的方法 | |
CN113344870A (zh) | Mems传感器缺陷检测的方法及*** | |
Zuo et al. | Road surface defect detection based on large convolution kernel and YOLOv5 | |
Chen et al. | Automatic Segmentation Algorithm of Solar Cells Based on Grid Corner Extraction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |