CN110910352A - 基于深度学习的太阳能电池缺陷检测***及检测方法 - Google Patents

基于深度学习的太阳能电池缺陷检测***及检测方法 Download PDF

Info

Publication number
CN110910352A
CN110910352A CN201911075935.5A CN201911075935A CN110910352A CN 110910352 A CN110910352 A CN 110910352A CN 201911075935 A CN201911075935 A CN 201911075935A CN 110910352 A CN110910352 A CN 110910352A
Authority
CN
China
Prior art keywords
image
solar cell
defect
segmentation
module
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.)
Pending
Application number
CN201911075935.5A
Other languages
English (en)
Inventor
张发恩
杨敏
艾国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Innovation Qizhi (nanjing) Technology Co Ltd
Original Assignee
Innovation Qizhi (nanjing) Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Innovation Qizhi (nanjing) Technology Co Ltd filed Critical Innovation Qizhi (nanjing) Technology Co Ltd
Priority to CN201911075935.5A priority Critical patent/CN110910352A/zh
Publication of CN110910352A publication Critical patent/CN110910352A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (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深度学习的太阳能电池缺陷检测***，包括：图像采集模块，用于采集太阳能电池的电池图像；图像特征提取模块，用于提取所述电池图像的特征图并输出；图像分割模块，用于对所述特征图进行图像分割，生成关联于所述电池图像的多张分割图；赋值模块，用于对每一张所述分割图上的各像素点进行赋值，得到每一张所述分割图对应的赋值图；缺陷判断模块，用于基于预设的一判断阈值，将各所述赋值图进行图像融合，并得到一缺陷掩码图，分类模块，用于根据所述缺陷掩码图，并基于一预设的决策规则对所述太阳能电池存在的缺陷进行分类，并输出分类结果，本发明能够对太阳能电池的产品缺陷进行自动检测，检测速度快，准确率高。

Description

基于深度学习的太阳能电池缺陷检测***及检测方法
技术领域
本发明涉及一种产品缺陷检测***，尤其涉及一种基于深度学习的太阳能电池缺陷检测***及检测方法。
背景技术
太阳能电池是光伏产业的重要发电器件。在太阳能电池生产过程中，或多或少会产生存在产品缺陷的电池，各大电池生产厂家通常采用的缺陷检测方法是，通过人工检查确认电池外观是否存在裂纹等缺陷。但这种检测方式检测效率低下、而且整个检测过程很大程度上依赖于检测员的检测经验，检测准确率也较低，所以需要一种能够对太阳能电池缺陷进行自动检测的***，以提高检测效率和检测准确率。
发明内容
本发明的目的在于提供一种基于深度学习的太阳能电池缺陷检测***，以解决上述技术问题。
为达此目的，本发明采用以下技术方案：
提供一种基于深度学习的太阳能电池缺陷检测***，用于对太阳能电池是否存有缺陷进行自动检测，包括：
图像采集模块，用于采集太阳能电池的电池图像；
图像特征提取模块，连接所述图像采集模块，用于提取所述电池图像的特征图并输出；
图像分割模块，连接所述图像特征提取模块，用于对所述特征图进行图像分割，生成关联于所述电池图像的多张分割图；
赋值模块，连接所述图像分割模块，用于对每一张所述分割图上的各像素点进行赋值，得到每一张所述分割图对应的赋值图；
缺陷判断模块，连接所述赋值模块，用于基于预设的一判断阈值，将各所述赋值图进行图像融合，并得到一缺陷掩码图；
分类模块，连接所述缺陷判断模块，用于根据所述缺陷掩码图，并基于一预设的决策规则对所述太阳能电池存在的缺陷进行分类，并输出分类结果。
于本发明的一种优选方案中，所述太阳能电池缺陷检测***通过卷积神经网络以提取所述电池图像对应的所述特征图，并通过所述卷积神经网络对所述特征图进行图像分割，生成多张所述分割图。
于本发明的一种优选方案中，所述卷积神经网络采用的网络架构为densenet、resnet、vggnet、***net中的一种或多种。
于本发明的一种优选方案中，赋予各像素点的数值范围为0～1。
于本发明的一种优选方案中，所述分类结果包括无缺陷、裂片、隐裂中的一种或多种。
本发明还提供了一种基于深度学习的太阳能电池缺陷检测方法，通过所述太阳能电池缺陷检测***实现，具体包括如下步骤：
步骤S1，所述太阳能电池缺陷检测***采用所述太阳能电池的所述电池图像；
步骤S2，所述太阳能电池缺陷检测***提取所述电池图像的所述特征图；
步骤S3，所述太阳能电池缺陷检测***对所述特征图进行图像分割，得到关联于所述电池图像的多张所述分割图；
步骤S4，所述太阳能电池缺陷检测***对各所述分割图上的各所述像素点进行赋值，得到每一张所述分割图对应的所述赋值图；
步骤S5，所述太阳能电池缺陷检测***基于预设的所述判断阈值，将各所述赋值图进行图像融合，得到一所述缺陷掩码图；
步骤S6，所述太阳能电池缺陷检测***根据所述缺陷掩码图，并基于一预设的决策规则对所述太阳能电池存在的缺陷进行分类，并输出分类结果。
于本发明的一种优选方案中，所述步骤S2中的所述太阳能电池缺陷检测***采用卷积神经网络提取所述电池图像的所述特征图。
于本发明的一种优选方案中，所述步骤S3中的所述太阳能电池缺陷检测***采用所述卷积神经网络对所述特征图进行图像分割，得到多张所述分割图。
于本发明的一种优选方案中，所述卷积神经网络采用的网络架构为densenet、resnet、vggnet、***net中的一种或多种。
于本发明的一种优选方案中，所述分类结果包括无缺陷、存在裂片缺陷、存在隐裂、存在碎片缺陷、存在断栅缺陷、存在划痕/划伤缺陷、存在虚焊/短路缺陷中的一种或多种。
本发明提供的太阳能电池缺陷检测***能够对太阳能电池常规的产品缺陷进行自动检测，整个检测过程不依赖于人为检测经验，检测速度快，准确率高，大幅降低了生产厂家的检测成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的太阳能电池缺陷检测***的结构示意图；
图2是应用本发明实施例提供的太阳能电池缺陷检测***实现太阳能电池缺陷检测的方法步骤图；
图3是本发明实施例提供的太阳能电池缺陷检测***进行太阳能电池缺陷检测的流程框图；
图4是本发明实施例提供的太阳能电池缺陷检测***提取所述电池图像对应的所述特征图所采用的卷积神经网络的网络架构图；
图5是本发明实施例提供的太阳能电池缺陷检测***对所述特征图进行图像分割所采用的卷积神经网络的网络架构图；
图6是本发明实施例提供的太阳能电池缺陷检测***对分割图上的各像素点进行赋值后的赋值图的示意图；
图7是本发明实施例提供的太阳能电池缺陷检测***根据各赋值图生成的缺陷掩码图的示意图；
图8是本发明实施例提供的太阳能电池缺陷检测***检测出的太阳能电池存在裂片缺陷的示意图；
图9是本发明实施例提供的太阳能电池缺陷检测***检测出的太阳能电池存在隐裂缺陷的示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
图1示出了本实施例提供基于深度学习的太阳能电池缺陷检测***的结构图，请具体参照图1，该太阳能电池缺陷检测***包括：
图像采集模块1，用于采集太阳能电池的电池图像；
图像特征提取模块2，连接图像采集模块1，用于提取电池图像的特征图并输出；
图像分割模块3，连接图像特征提取模块2，用于对特征图进行图像分割，生成关联于电池图像的多张分割图；
赋值模块4，连接图像分割模块3，用于对每一张分割图上的各像素点进行赋值，得到每一张分割图对应的赋值图；
缺陷判断模块5，连接赋值模块4，用于基于预设的一判断阈值，将各赋值图进行融合，并得到一缺陷要码图；
分类模块6，连接缺陷判断模块5，用于根据缺陷掩码图，并基于一预设的决策规则对太阳能电池存在的缺陷进行分类，并输出分类结果。
图4示出了太阳能电池缺陷检测***提取电池图像对应的特征图采用的卷积神经网络的网络架构图。该卷积神经网络采用的网络架构包括但不限于现有技术中存在的densenet、resnet、vggnet、***net网络架构中的一种或多种。在本实施例中，优选采用densenet网络架构对电池图像进行特征图提取，densenet网络架构可以更好地建立不同卷积层之间的连接关系，充分利用了各层特征，解决了梯度消失的问题，训练效果更好。
图5示出了太阳能电池缺陷检测***对特征图进行图像分割所采用的卷积神经网络的架构图。该架构图同样为现有的卷积神经网络架构图。
需要说明的是，图4中的英文convolution的中文含义为向量卷积运算，英文poolling为对特征图的池化。图5中的英文conv的中文含义同样为向量卷积运算，pool同样为对特征图的池化，upsample的中文含义为对卷积结果的上采样。
由于分割图上各像素点的灰度值、和/或对比度值、和/或亮度值等像素数据通常并不一致，所以***通过计算各像素点的像素数据，并基于像素数据对各像素点进行相应的赋值。
由于计算各像素点像素数据的方法为现有技术中存在的计算方法，而且本计算方法也并非是本发明要求权利保护的范围，所以该计算方法在此不作阐述。
***赋予各像素点的数值范围在0到1之间，比如根据像素点的亮度不同，将亮度高的赋予该像素点的数值为0.7，将亮度低的赋予该像素点的数值为0.2等等。
请具体参照图6，图6中包括三张赋值图，一张为电池图像上的背景分割图对应的背景赋值图，一张为电池图像上存在裂片缺陷的分割图对应的裂片赋值图，另一张为电池图像上存在隐裂缺陷的分割图片对应的隐裂赋值图。
然后根据预设的判断阈值(比如可将该阈值设为0.5)，将各赋值图进行融合，并得到一缺陷掩码图。请具体参照图7，缺陷掩码图中的每个像素点对应一个缺陷类别，比如可以用数值0表示背景(也就是该像素点没有缺陷)，可以用数值1表示存在裂片缺陷(也就是该像素点存在裂片缺陷)，可以用数值2表示存在隐裂缺陷(也即是该像素点存在隐裂缺陷)。比如可以将赋值图中的像素点对应的数值小于阈值0.5，则认为该像素点为图像背景的像素点，并为该像素点赋值为0。另外比如，赋值图中的像素点对应的数值为0.7-1之间，则判定该像素点为图像中存在裂片缺陷的所处位置，并将该像素点赋值为1。又比如当赋值图中的像素点对应的数值在0.5-0.7之间，则***认定该像素点为图片中存在隐裂缺陷的所处位置，并将该像素点赋值为2。
但是，***对于存在裂片缺陷或隐裂缺陷的电池图像并不直接判定该电池图像对应的太阳能电池就存在产品缺陷，***将根据预设的决策规则最终判断太阳能电池是否存在产品缺陷。请参照图8和图9，这套决策规则通常由太阳能电池生产厂家自行作出，比如图7中数值1(也就是存在裂片缺陷)的像素点的数量为5个，太阳能电池生产厂家可以设置裂片像素的数量大于或等于10个，才判定该太阳能电池存在裂片缺陷。同样的，太阳能电池生产厂家可以设置隐裂像素点的数量大于或等于5个，也就是数值为2的像素点的数量大于5个，则判定太阳能电池存在隐裂缺陷，否则，则判定该太阳能电池不存在隐裂缺陷。
请参照图2和图3，本发明还提供了一种基于深度学习的太阳能电池缺陷检测方法，通过应用上述的太阳能电池缺陷检测***实现，具体包括如下步骤：
步骤S1，太阳能电池缺陷检测***采用太阳能电池的电池图像；
步骤S2，太阳能电池缺陷检测***提取电池图像的特征图；
步骤S3，太阳能电池缺陷检测***对特征图进行图像分割，得到关联于电池图像的多张分割图；
步骤S4，太阳能电池缺陷检测***对各分割图上的各像素点进行赋值，得到每一张分割图对应的赋值图；
步骤S5，太阳能电池缺陷检测***基于预设的判断阈值，将各赋值图进行图像融合，得到一缺陷掩码图；
步骤S6，太阳能电池缺陷检测***根据缺陷掩码图，并基于一预设的决策规则对太阳能电池存在的缺陷进行分类，并输出分类结果。
步骤S2中的所述太阳能电池缺陷检测***采用卷积神经网络提取电池图像的特征图。
步骤S3中的太阳能电池缺陷检测***同样采用卷积神经网络对特征图进行图像分割，得到多张分割图。
上述技术方案中，卷积神经网络采用的网络架构为densenet、resnet、vggnet、***net中的一种或多种。
分类结果包括无缺陷、裂片、隐裂中的一种或多种。
综上，本发明提供的太阳能电池缺陷检测***能够对太阳能电池常规的产品缺陷进行自动检测，整个检测过程不依赖于人为检测经验，检测速度快，准确率高，大幅降低了生产厂家的检测成本。
需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

Claims (10)

1.一种基于深度学习的太阳能电池缺陷检测***，用于对太阳能电池是否存有缺陷进行自动检测，其特征在于，包括：
图像采集模块，用于采集太阳能电池的电池图像；
图像特征提取模块，连接所述图像采集模块，用于提取所述电池图像的特征图并输出；
图像分割模块，连接所述图像特征提取模块，用于对所述特征图进行图像分割，生成关联于所述电池图像的多张分割图；
赋值模块，连接所述图像分割模块，用于对每一张所述分割图上的各像素点进行赋值，得到每一张所述分割图对应的赋值图；
缺陷判断模块，连接所述赋值模块，用于基于预设的一判断阈值，将各所述赋值图进行图像融合，并得到一缺陷掩码图；
分类模块，连接所述缺陷判断模块，用于根据所述缺陷掩码图，并基于一预设的决策规则对所述太阳能电池存在的缺陷进行分类，并输出分类结果。
2.如权利要求1所述的太阳能电池缺陷检测***，其特征在于，所述太阳能电池缺陷检测***通过卷积神经网络以提取所述电池图像对应的所述特征图，并通过所述卷积神经网络对所述特征图进行图像分割，生成多张所述分割图。
3.如权利要求2所述的太阳能电池缺陷检测***，其特征在于，所述卷积神经网络采用的网络架构为densenet、resnet、vggnet、***net中的一种或多种。
4.如权利要求1所述的太阳能电池缺陷检测***，其特征在于，赋予各像素点的数值范围为0～1。
5.如权利要求1所述的太阳能电池缺陷检测***，其特征在于，所述分类结果包括无缺陷、裂片、隐裂中的一种或多种。
6.一种基于深度学习的太阳能电池缺陷检测方法，通过应用如权1-5任意一项所述的太阳能电池缺陷检测***实现，其特征在于，具体包括如下步骤：
步骤S1，所述太阳能电池缺陷检测***采用所述太阳能电池的所述电池图像；
步骤S2，所述太阳能电池缺陷检测***提取所述电池图像的所述特征图；
步骤S3，所述太阳能电池缺陷检测***对所述特征图进行图像分割，得到关联于所述电池图像的多张所述分割图；
步骤S4，所述太阳能电池缺陷检测***对各所述分割图上的各所述像素点进行赋值，得到每一张所述分割图对应的所述赋值图；
步骤S5，所述太阳能电池缺陷检测***基于预设的所述判断阈值，将各所述赋值图进行图像融合，得到一所述缺陷掩码图；
步骤S6，所述太阳能电池缺陷检测***根据所述缺陷掩码图，并基于一预设的决策规则对所述太阳能电池存在的缺陷进行分类，并输出分类结果。
7.如权利要求6所述的太阳能电池缺陷检测方法，其特征在于，所述步骤S2中的所述太阳能电池缺陷检测***采用卷积神经网络提取所述电池图像的所述特征图。
8.如权利要求7所述的太阳能电池缺陷检测方法，其特征在于，所述步骤S3中的所述太阳能电池缺陷检测***采用所述卷积神经网络对所述特征图进行图像分割，得到多张所述分割图。
9.如权利要求7或8所述的太阳能电池缺陷检测方法，其特征在于，所述卷积神经网络采用的网络架构为densenet、resnet、vggnet、***net中的一种或多种。
10.如权利要求6所述的太阳能电池缺陷检测方法，其特征在于，所述分类结果包括无缺陷、存在裂片缺陷、存在隐裂、存在碎片缺陷、存在断栅缺陷、存在划痕/划伤缺陷、存在虚焊/短路缺陷中的一种或多种。
CN201911075935.5A 2019-11-06 2019-11-06 基于深度学习的太阳能电池缺陷检测***及检测方法 Pending CN110910352A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911075935.5A CN110910352A (zh) 2019-11-06 2019-11-06 基于深度学习的太阳能电池缺陷检测***及检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911075935.5A CN110910352A (zh) 2019-11-06 2019-11-06 基于深度学习的太阳能电池缺陷检测***及检测方法

Publications (1)

Publication Number Publication Date
CN110910352A true CN110910352A (zh) 2020-03-24

Family

ID=69814832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911075935.5A Pending CN110910352A (zh) 2019-11-06 2019-11-06 基于深度学习的太阳能电池缺陷检测***及检测方法

Country Status (1)

Country Link
CN (1) CN110910352A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833328A (zh) * 2020-07-14 2020-10-27 汪俊 基于深度学习的飞机发动机叶片表面缺陷检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4650524A (en) * 1984-06-20 1987-03-17 Sanyo Electric Co., Ltd Method for dividing semiconductor film formed on a substrate into plural regions by backside energy beam irradiation
US20130174102A1 (en) * 2011-12-28 2013-07-04 Elitetech Technology Co.,Ltd. Intelligent defect diagnosis method
CN107742286A (zh) * 2017-09-28 2018-02-27 河北工业大学 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法
CN108445009A (zh) * 2018-03-06 2018-08-24 大连海事大学 一种太阳能电池板裂纹检测方法
CN108631727A (zh) * 2018-03-26 2018-10-09 河北工业大学 一种基于卷积神经网络的太阳能电池板缺陷识别方法
CN109145973A (zh) * 2018-08-10 2019-01-04 北京百度网讯科技有限公司 用于检测单晶硅太阳能电池缺陷的方法和装置
CN109256341A (zh) * 2018-08-10 2019-01-22 北京百度网讯科技有限公司 用于检测单晶硅太阳能电池的方法和装置
CN109598721A (zh) * 2018-12-10 2019-04-09 广州市易鸿智能装备有限公司 电池极片的缺陷检测方法、装置、检测设备和存储介质
CN109829900A (zh) * 2019-01-18 2019-05-31 创新奇智(北京)科技有限公司 一种基于深度学习的钢卷端面缺陷检测方法
CN109978867A (zh) * 2019-03-29 2019-07-05 北京百度网讯科技有限公司 玩具外表质量检测方法及其相关设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4650524A (en) * 1984-06-20 1987-03-17 Sanyo Electric Co., Ltd Method for dividing semiconductor film formed on a substrate into plural regions by backside energy beam irradiation
US20130174102A1 (en) * 2011-12-28 2013-07-04 Elitetech Technology Co.,Ltd. Intelligent defect diagnosis method
CN107742286A (zh) * 2017-09-28 2018-02-27 河北工业大学 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法
CN108445009A (zh) * 2018-03-06 2018-08-24 大连海事大学 一种太阳能电池板裂纹检测方法
CN108631727A (zh) * 2018-03-26 2018-10-09 河北工业大学 一种基于卷积神经网络的太阳能电池板缺陷识别方法
CN109145973A (zh) * 2018-08-10 2019-01-04 北京百度网讯科技有限公司 用于检测单晶硅太阳能电池缺陷的方法和装置
CN109256341A (zh) * 2018-08-10 2019-01-22 北京百度网讯科技有限公司 用于检测单晶硅太阳能电池的方法和装置
CN109598721A (zh) * 2018-12-10 2019-04-09 广州市易鸿智能装备有限公司 电池极片的缺陷检测方法、装置、检测设备和存储介质
CN109829900A (zh) * 2019-01-18 2019-05-31 创新奇智(北京)科技有限公司 一种基于深度学习的钢卷端面缺陷检测方法
CN109978867A (zh) * 2019-03-29 2019-07-05 北京百度网讯科技有限公司 玩具外表质量检测方法及其相关设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HENGSHUANG ZHAO 等: "Pyramid Scene Parsing Network", 《ARXIV:1612.01105V2》 *
XIAOLIANG QIAN 等: "Solar Cell Surface Defects Detection based on Computer Vision", 《INTERNATIONAL JOURNAL OF PERFORMABILITY ENGINEERING》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833328A (zh) * 2020-07-14 2020-10-27 汪俊 基于深度学习的飞机发动机叶片表面缺陷检测方法
CN111833328B (zh) * 2020-07-14 2023-07-25 汪俊 基于深度学习的飞机发动机叶片表面缺陷检测方法

Similar Documents

Publication Publication Date Title
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN107742093B (zh) 一种红外图像电力设备部件实时检测方法、服务器及***
CN112967243A (zh) 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN113837994B (zh) 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法
CN112164048B (zh) 一种基于深度学习的磁瓦表面缺陷自动检测方法和装置
CN111210417B (zh) 基于卷积神经网络的布匹缺陷检测方法
CN110827263B (zh) 基于视觉识别技术的磁瓦表面缺陷检测***及检测方法
CN114863098A (zh) 用于工业场景的细小微弱缺陷分割方法
CN113780423A (zh) 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型
CN115063725B (zh) 基于多尺度自适应ssd算法的飞机蒙皮缺陷识别***
Wang et al. Railway insulator detection based on adaptive cascaded convolutional neural network
CN113706496B (zh) 一种基于深度学习模型的飞行器结构裂纹检测方法
WO2022222036A1 (zh) 车位确定方法及装置
CN110910352A (zh) 基于深度学习的太阳能电池缺陷检测***及检测方法
CN112750113A (zh) 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置
CN117197571A (zh) 一种光伏组件故障检测方法、装置、电子设备及存储介质
CN116485802A (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN111105411A (zh) 一种磁瓦表面缺陷检测方法
CN117197517A (zh) 一种绝缘子污染分类方法、装置、电子设备以及介质
CN114612468B (zh) 一种基于正样本的设备外部缺陷检测方法
CN113962931B (zh) 一种用于磁簧开关的异物缺陷检测方法
CN115953387A (zh) 一种基于深度学习的射线图像焊缝缺陷检测方法
CN116188361A (zh) 一种基于深度学习的铝型材表面缺陷分类方法及装置
CN114037840A (zh) 一种基于多特征融合的输电线路视物提取方法及***

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200324

RJ01 Rejection of invention patent application after publication