CN115496992A - 一种过热熔接熔点视觉识别检测方法 - Google Patents
一种过热熔接熔点视觉识别检测方法 Download PDFInfo
- Publication number
- CN115496992A CN115496992A CN202110673749.2A CN202110673749A CN115496992A CN 115496992 A CN115496992 A CN 115496992A CN 202110673749 A CN202110673749 A CN 202110673749A CN 115496992 A CN115496992 A CN 115496992A
- Authority
- CN
- China
- Prior art keywords
- melting point
- deep learning
- learning model
- welding
- image
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种过热熔接熔点视觉识别检测方法,步骤为:S1:建立深度学习模型;S2:通过视觉***定角度捕捉熔接过程图像;S3:将所述熔接过程图像传输至所述深度学习模型;S4:通过所述深度学习模型对所述熔接过程图像进行引晶特征检测与逻辑判断,输出识别结果。本发明的有益效果是通过开发视觉***识别熔点大小,识别熔点像素值直接进行引晶信号输出,处理器通过视觉信号来执行引晶工艺达到引晶的一致性,提高了工作人员的工作效率,进一步提高了生产效率,提高了企业竞争力;不需要人工判定籽晶过热熔接过程中熔接熔点的状态,实现了自动化工业化生产,避免了由于人工经验不足导致的工时浪费以及异常事故的发生,使得操作过程中安全性更高。
Description
技术领域
本发明属于光伏单晶拉制生产技术领域,尤其是涉及一种过热熔接熔点视觉识别检测方法。
背景技术
当前进入引晶工序前需要检测是否有引晶特征的出现,在过热熔接过程中,当硅溶液的液面温度达到熔接温度时,自动降籽晶,将籽晶降至硅溶液的液面处,并将籽晶定位至原生籽晶处,籽晶与硅溶液的液面接触。
当前稳温工艺中引晶前期没有熔接熔点,温度偏高,容易造成引晶引断,且无法统一引晶一致性,操作人员无法直观的观测在进入引晶工序前期是否出现引晶特征,且无法直观识别熔接熔点的大小,不能直接发出引晶信号进行操作提示,导致工作效率低下;况且由于人工误差的影响,不能保证进入引晶工序的一致性,可能造成资源的浪费。
发明内容
本发明要解决的问题是提供一种过热熔接熔点视觉识别检测方法,适用于进入引晶工序前引晶特征的视觉判断。
为解决上述技术问题,本发明采用的技术方案是:一种过热熔接熔点视觉识别检测方法,步骤为:
S1:建立深度学习模型;
S2:通过视觉***定角度捕捉熔接过程图像;
S3:将所述熔接过程图像传输至所述深度学习模型;
S4:通过所述深度学习模型对所述熔接过程图像进行引晶特征检测与逻辑判断,输出识别结果。
进一步的,所述S1中:获取从过热熔接过程开始到引晶结束过程中每一单晶炉中每个籽晶上熔接熔点数量的基础源数据;
对获取的所述源数据进行处理,将所述源数据作为素材构建所述深度学习模型,并进行所述深度学习模型的训练实现迭代优化。
进一步的,所述S2前,还需要通过所述视觉***四点追踪捕捉熔点图像;
将所述熔点图像传输至所述深度学习模型;
通过所述深度学习模型对所述熔点图像进行所述熔接熔点检测与逻辑判断,输出识别结果。
进一步的,所述视觉***正对所述籽晶设置,所述籽晶每逆时针旋转90度所述视觉***捕捉一张所述熔点图像;所述视觉***捕捉所述籽晶旋转一周的所述熔点图像。
进一步的,所述熔点图像通过CCD程序发送至所述深度学习模型。
进一步的,所述深度学习模型根据检测到每张所述熔点图像中是否存在清晰可见的所述熔接熔点,进行结果输出;
当所述熔接熔点存在且为一个时,进入引晶特征判断工序;
当所述熔接熔点不存在或者所述熔点的个数大于一个时,触发变晶报警提示,进行籽晶的处理。
进一步的,所述S2中:捕捉所述熔接过程图像从过热完成后开始到进入引晶状态结束;
所述视觉***正对所述籽晶设置,所述视觉***每秒捕捉一张所述熔接过程图像,所述视觉***捕捉扇形视野中正对所述视觉***的区域面积内的熔接小白点的数量。
进一步的,所述S3中:所述熔接过程图像通过CCD程序发送至所述深度学习模型。
进一步的,所述S4中:
所述深度学习模型将所述熔接小白点的数量转换为所述熔接过程图像中的所述区域面积内所述熔接小白点的像素点的数量;
所述深度学习模型根据检测到的所述熔接过程图像中所述区域面积内所述熔接小白点的数量是否满足所述深度学习模型中的阈值,进行结果输出。
进一步的,所述阈值为所述区域面积中包含40-80个像素点,当所述熔接小白点的像素点的数量满足所述阈值时,进入引晶工序;
当所述熔接小白点的像素点的数量不满足所述阈值时,不进入所述引晶工序。
由于采用上述技术方案,具有以下优点:
1.通过开发视觉***识别熔点大小,识别熔点像素值直接进行引晶信号输出,处理器通过视觉信号来执行引晶工艺达到引晶的一致性,提高了工作人员的工作效率,进一步提高了生产效率,提高了企业竞争力。
2.不需要人工判定籽晶过热熔接过程中熔接熔点的状态,实现了自动化工业化生产,避免了由于人工经验不足导致的工时浪费以及异常事故的发生,使得操作过程中安全性更高。
3.通过机器视角代替人工视角来判断,提高引晶前籽晶一致性,节约人力与工时;
4.可实现实时监测籽晶状态,及时识别异常籽晶,提高单晶制造效率。
附图说明
图1是本发明一种实施例的流程框线图;
图2是本发明一种实施例中视觉***捕捉视野示意图。
图中:
1、籽晶2、矩形区域
具体实施方式
下面结合实施例和附图对本发明作进一步说明:
在本发明的一种实施例中,如图1所示,一种过热熔接熔点视觉识别检测方法,其检测方法为:
S1:建立深度学习模型,通过深度学习对每个籽晶的从过热熔接过程开始到引晶结束过程的熔接熔点数量建立深度学习模型,具体包括以下步骤:
S11:获取从过热熔接过程开始到引晶结束过程中每一单晶炉中每个籽晶上熔接熔点数量的基础源数据;
S12:对获取的熔接熔点的源数据进行处理,将源数据作为素材构建深度学习模型,并进行深度学习模型的训练实现迭代优化;
其中该深度学习模型建立在处理器上,对于该基础源数据的获取同样需要基于处理器上的视觉***,通过视觉***采集和捕捉大量的籽晶1上的熔接熔点的图像,构建熔接熔点的数据库,从而构建深度学习模型,在对过热熔接熔点进行视觉识别检测之前,还需要对该深度学习模型进行模拟训练和试运行,不断对深度学习模型进行迭代优化。
S2:通过视觉***四点追踪捕捉熔点图像:具体为,视觉***正对籽晶设置,籽晶每逆时针旋转90度视觉***捕捉一张熔点图像;视觉***捕捉籽晶旋转一周的熔点图像。
其中,视觉***设置在服务器上,其具体的,视觉***可以但并不限定为工业相机。视觉***正对籽晶并设置在籽晶1的一侧,本实施例中,取视觉***设置在正前方,即视觉***正对图中中间箭头位置设置,先捕捉正对视觉***一点的熔点图像,籽晶每旋转90度,视觉***捕捉一张熔点图像,籽晶逆时针旋转,即视觉***在籽晶1逆时针旋转一周的过程中共捕捉4张共计四个点的熔点图像。
S3:将熔点图像传输至深度学习模型,具体为:熔点图像通过CCD程序发送至深度学习模型,CCD程序每秒向深度学习模型发送一张熔点图像,其中,CCD程序用于实时传输图像。
S4:通过深度学习模型对熔点图像进行熔接熔点检测与逻辑判断,输出识别结果,具体为:深度学习模型根据检测到每张熔点图像中是否存在清晰可见的熔接熔点,进行结果输出;
当熔接熔点存在且为一个时,进入引晶特征判断工序;
当熔接熔点不存在或者所述熔点的个数大于一个时,触发变晶报警提示,进行籽晶的处理。
变晶报警装置同样设置于处理器上,通过四点追踪判断籽晶是否存在变晶情况的发生,其中变晶即晶体结构出现异常,表现出来即为多个熔点或者熔点不存在,其中,四点追踪是判断进入引晶的一个先决条件,当籽晶1在旋转过程中进入视觉***的视野范围即进行定向追踪,直至旋转到正对视觉***开始捕捉;必须保证籽晶在旋转一周的过程中籽晶上有四个清晰可见的熔接熔点,且四个熔接熔点的大小和形态均一致,采用四点追踪事先过滤是否符合引晶条件,存在异常不进行引晶操作,输出报警提示进行籽晶的处理。
当熔接熔点存在且为一个时,继续引晶特征判断,具体为:
S5:通过视觉***定角度捕捉熔接过程图像,具体包括以下步骤:视觉***正对籽晶设置,视觉***每秒捕捉一张熔接过程图像,视觉***捕捉扇形视野中正对视觉***的区域面积内的熔接小白点的数量;该视觉***捕捉熔接过程图像的过程从过热熔接完成后开始,进入引晶状态结束。
同样,视觉***的设定位置不变,视觉***正对籽晶1并设置在籽晶1的一侧,本实施例中,取视觉***设置在正前方,即视觉***正对图2所示中间箭头位置设置,其中定角度即为选定区域捕捉,视觉***的可追踪的视野范围为扇形,如图2所示中,两侧箭头限定的扇形视野范围即视觉***可追踪的视野范围,视觉***在可见的扇形区域内见到熔点就开始追踪,直到正前方区域面积内检测熔接小白点的数量达到设定阈值,其中,熔接小白点为清晰稳定状态的熔接熔点,区域内熔接小白点的个数是判断是否可以进入引晶工艺的条件;在本实施例中,区域面积取正对视觉***的矩形区域,该矩形区域的大小可容纳熔接小白点的数量为40-80个,其中籽晶6s完成一周旋转,视觉***在籽晶旋转过程中不断捕捉熔接过程图像,直到正前方区域面积内检测熔接小白点的数量达到设定阈值。
S6:将熔接过程图像传输至深度学习模型,具体为:熔接过程图像通过CCD程序发送至深度学习模型,CCD程序每秒向深度学习模型发送一张熔接过程图像,CCD程序用于实时传输图像。
S7:通过深度学习模型对熔接过程图像进行引晶特征检测与逻辑判断,输出识别结果,具体为:
S71:深度学习模型识别将熔接小白点的数量转换为熔接过程图像中的区域面积内熔接小白点的像素点的数量;
S72:深度学习模型根据检测到的熔接过程图像中区域面积内熔接小白点的数量是否满足深度学习模型中的阈值,进行结果输出。
其中阈值设定为区域面积中包含40-80个像素点,当熔接小白点的像素点的数量满足阈值时,进入引晶工序;
当熔接小白点的像素点的数量不满足阈值时,不进入引晶工序。
本实施例中,设定该区域为矩形方框中,设定矩形区域2中熔接小白点的个数为40-80个像素点,在通过视觉***在捕捉过程中不断捕捉图像,每张熔接过程图像中捕捉矩形方框中熔接小白点的像素点的数量,满足设定阈值,直接发出引晶信号,进入到引晶工序,通过开发视觉***识别熔点大小,识别熔点像素值直接进行引晶信号输出,处理器通过视觉信号来执行引晶工艺达到引晶的一致性,提高工作效率和生产效率。
以上对本发明的实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (10)
1.一种过热熔接熔点视觉识别检测方法,其特征在于,步骤为:
S1:建立深度学习模型;
S2:通过视觉***定角度捕捉熔接过程图像;
S3:将所述熔接过程图像传输至所述深度学习模型;
S4:通过所述深度学习模型对所述熔接过程图像进行引晶特征检测与逻辑判断,输出识别结果。
2.根据权利要求1所述的一种过热熔接熔点视觉识别检测方法,其特征在于:所述S1中:获取从过热熔接过程开始到引晶结束过程中每一单晶炉中每个籽晶上熔接熔点数量的基础源数据;
对获取的所述源数据进行处理,将所述源数据作为素材构建所述深度学习模型,并进行所述深度学习模型的训练实现迭代优化。
3.根据权利要求2所述的一种过热熔接熔点视觉识别检测方法,其特征在于:所述S2前,还需要通过所述视觉***四点追踪捕捉熔点图像;
将所述熔点图像传输至所述深度学习模型;
通过所述深度学习模型对所述熔点图像进行所述熔接熔点检测与逻辑判断,输出识别结果。
4.根据权利要求3所述的一种过热熔接熔点视觉识别检测方法,其特征在于:所述视觉***正对所述籽晶设置,所述籽晶每逆时针旋转90度所述视觉***捕捉一张所述熔点图像;所述视觉***捕捉所述籽晶旋转一周的所述熔点图像。
5.根据权利要求3或4所述的一种过热熔接熔点视觉识别检测方法,其特征在于:所述熔点图像通过CCD程序发送至所述深度学习模型。
6.根据权利要求5所述的一种过热熔接熔点视觉识别检测方法,其特征在于:所述深度学习模型根据检测到每张所述熔点图像中是否存在清晰可见的所述熔接熔点,进行结果输出;
当所述熔接熔点存在且为一个时,进入引晶特征判断工序;
当所述熔接熔点不存在或者所述熔点的个数大于一个时,触发变晶报警提示,进行籽晶的处理。
7.根据权利要求2或6所述的一种过热熔接熔点视觉识别检测方法,其特征在于:所述S2中:捕捉所述熔接过程图像从过热完成后开始到进入引晶状态结束;
所述视觉***正对所述籽晶设置,所述视觉***每秒捕捉一张所述熔接过程图像,所述视觉***捕捉扇形视野中正对所述视觉***的区域面积内的熔接小白点的数量。
8.根据权利要求7所述的一种过热熔接熔点视觉识别检测方法,其特征在于:所述S3中:所述熔接过程图像通过CCD程序发送至所述深度学习模型。
9.根据权利要求8所述的一种过热熔接熔点视觉识别检测方法,其特征在于:所述S4中:
所述深度学习模型将所述熔接小白点的数量转换为所述熔接过程图像中的所述区域面积内所述熔接小白点的像素点的数量;
所述深度学习模型根据检测到的所述熔接过程图像中所述区域面积内所述熔接小白点的数量是否满足所述深度学习模型中的阈值,进行结果输出。
10.根据权利要求9所述的一种过热熔接熔点视觉识别检测方法,其特征在于:所述阈值为所述区域面积中包含40-80个像素点,当所述熔接小白点的像素点的数量满足所述阈值时,进入引晶工序;
当所述熔接小白点的像素点的数量不满足所述阈值时,不进入所述引晶工序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110673749.2A CN115496992A (zh) | 2021-06-17 | 2021-06-17 | 一种过热熔接熔点视觉识别检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110673749.2A CN115496992A (zh) | 2021-06-17 | 2021-06-17 | 一种过热熔接熔点视觉识别检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115496992A true CN115496992A (zh) | 2022-12-20 |
Family
ID=84464806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110673749.2A Pending CN115496992A (zh) | 2021-06-17 | 2021-06-17 | 一种过热熔接熔点视觉识别检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496992A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934727A (zh) * | 2023-07-28 | 2023-10-24 | 保定景欣电气有限公司 | 一种拉晶过程中籽晶熔接控制方法、装置及电子设备 |
-
2021
- 2021-06-17 CN CN202110673749.2A patent/CN115496992A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934727A (zh) * | 2023-07-28 | 2023-10-24 | 保定景欣电气有限公司 | 一种拉晶过程中籽晶熔接控制方法、装置及电子设备 |
CN116934727B (zh) * | 2023-07-28 | 2024-03-08 | 保定景欣电气有限公司 | 一种拉晶过程中籽晶熔接控制方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104441526B (zh) | 基于外形轮廓匹配的模具在线监视保护***及方法 | |
CN109064440B (zh) | 一种基于机器视觉的喇叭音圈焊线识别方法 | |
CN112837302B (zh) | 模具的状态监测方法、装置、工控机、存储介质及*** | |
CN106392304B (zh) | 一种激光辅助焊缝智能寻迹***及方法 | |
CN103051872A (zh) | 基于图像边缘提取的输送带跑偏检测方法 | |
CN205538710U (zh) | 一种基于机器视觉的电感质量自动检测*** | |
CN111368727B (zh) | 配电室巡检人员着装检测方法、存储介质、***、装置 | |
CN115496992A (zh) | 一种过热熔接熔点视觉识别检测方法 | |
CN112577969A (zh) | 一种基于机器视觉的缺陷检测方法以及缺陷检测*** | |
CN105260716A (zh) | 故障指示器状态识别方法及装置 | |
CN105096305A (zh) | 绝缘子状态分析的方法及装置 | |
CN107014818A (zh) | 一种镭雕缺陷视觉检测***及方法 | |
CN102663781A (zh) | 一种基于视觉的亚像素级焊缝中心提取方法 | |
CN114022810A (zh) | 建筑工地爬架防护网工作状态检测方法、***、介质及终端 | |
CN102401800A (zh) | 基于机器视觉的高压陶瓷电容器焊接质量在线检测设备 | |
CN112525163A (zh) | 穿孔机打穿检测***、方法、装置、控制设备和存储介质 | |
CN107356232A (zh) | 一种视觉检测***用图像处理方法 | |
CN107121063A (zh) | 检测工件的方法 | |
CN110020809A (zh) | 一种钢筋骨架检测方法、装置、设备及可读存储介质 | |
CN110977292A (zh) | 一种海洋平台模块结构焊缝自动检测方法 | |
CN102829891B (zh) | 用于物料温度及姿态判断的视觉检测***及检测方法 | |
CN114463661A (zh) | 一种基于YOLO v5网络的输电线路安全风险监测方法 | |
CN116205835A (zh) | 电路板瑕疵检测方法、装置及电子设备 | |
CN117817211B (zh) | 基于机器视觉的焊接自动化控制方法及*** | |
CN116741655B (zh) | 硅片上料检测方法、装置、设备、介质及硅片上料*** |
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 |