CN115908409A - 光伏片缺陷的检测方法、检测装置、计算机设备和介质 - Google Patents

Abstract

本发明公开了一种光伏片缺陷的检测方法、检测装置、计算机设备和介质，其中一实施例的检测方法包括：使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果；对所述光伏片灰度图进行降噪处理并进行机器视觉检测以输出第二检测结果；将所述第二检测结果与所述第一检测结果进行比对并根据比对结果输出所述待检测光伏片的缺陷等级。本发明提供的检测方法先通过光伏缺陷检测深度学习模型实现较大区域的检测，再利用机器视觉检测实现能够精确到像素级别的较小区域的检测，最后根据两次检测结果的占比判断缺陷等级，从而实现对光伏片缺陷的精确检测，具有实际应用价值。

Description

光伏片缺陷的检测方法、检测装置、计算机设备和介质

技术领域

本发明涉及计算机技术领域，特别是涉及一种光伏片缺陷的检测方法、检测装置、计算机设备和介质。

背景技术

在工业光伏片检测中，光伏片缺陷检测对于减少生产损耗有重大意义。相关技术中，通常采用传统视觉方法基于RGB彩色图像进行缺陷检测，存在因不同光照条件导致的泛化性较差的问题。

发明内容

为了解决上述问题至少之一，本发明第一方面提供一种光伏片缺陷的检测方法，包括：

使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果；

对所述光伏片灰度图进行降噪处理并进行机器视觉检测以输出第二检测结果；

将所述第二检测结果与所述第一检测结果进行比对并根据比对结果输出所述待检测光伏片的缺陷等级。

进一步的，所述使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果进一步包括：

将所述光伏片灰度图的图像尺寸转换为所述光伏缺陷检测深度学习模型的网络入口尺寸并生成入口中间图；

对所述入口中间图进行降噪处理；

对降噪后的所述入口中间图进行归一化处理并输入至所述光伏缺陷检测深度学习模型进行检测以输出第一检测结果。

进一步的，所述对所述光伏片灰度图进行降噪处理并进行机器视觉检测以输出第二检测结果进一步包括：

对所述光伏片灰度图进行中值滤波并输出第一中间图；

对所述第一中间图进行二分阈值分割并输出第二中间图；

对所述第二中间图进行机器视觉检测并输出所述第二检测结果，所述第二检测结果为连通域信息，包括所述连通域的像素面积、外切矩形、长短边、质心中的至少一项。

进一步的，所述第二中间图为黑白图，所述对所述第二中间图进行机器视觉检测并输出所述第二检测结果进一步包括：

在所述第二中间图中以像素作为搜索基准进行搜索操作，并以搜索到的第一个黑色像素作为起点，根据宽度优先算法进行搜索并获取连通域；

根据所述连通域获取所述连通域的像素面积、外切矩形、长短边、质心中的至少一项。

进一步的，在所述使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果之前，所述检测方法还包括：

训练所述光伏缺陷检测深度学习模型。

进一步的，所述训练所述光伏缺陷检测深度学习模型进一步包括：

对标注的样本进行数据增强获得第一样本；

转换所述第一样本的各图像的图像尺寸并分别进行归一化处理获得第二样本；

使用所述第二样本训练目标检测模型以获得所述光伏缺陷检测深度学习模型。

进一步的，所述对标注的样本进行数据增强获得第一样本进一步包括以下步骤中的至少一个：

对所述标注的样本进行随机randomcrop操作以获取具有不同缩放比例和crop程度的增强样本；

对所述标注的样本进行翻转操作以获取增强样本；

对所述标注的样本进行cutmix操作以获取融合多种缺陷图像的增强样本；

对所述标注的样本进行随机color jetter操作以获取增强样本。

进一步的，使用所述第二样本训练目标检测模型以获得所述光伏缺陷检测深度学习模型进一步包括：

调整所述目标检测模型的损失函数以增强正样本和/或减弱负样本。

本发明第二方面提供一种使用如第一方面所述的检测方法的光伏片缺陷检测装置，包括模型检测单元、机器视觉检测单元和控制器，其中，所述控制器被配置为：

使用预设置的所述模型检测单元的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果；

对所述光伏片灰度图进行降噪处理并通过所述机器视觉检测单元进行机器视觉检测以输出第二检测结果；

将所述第二检测结果与所述第一检测结果进行比对并根据比对结果输出所述待检测光伏片的缺陷等级。

本发明第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的方法。

本发明第四方面提供一种计算机设备，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，所述处理器执行所述程序时实现如第一方面所述的方法。

本发明的有益效果如下：

本发明针对目前现有的问题，制定一种光伏片缺陷的检测方法、检测装置，先通过光伏缺陷检测深度学习模型对光伏片灰度图进行检测以实现较大区域的检测，再利用机器视觉检测降噪处理后的光伏片灰度图以实现精确到像素级别的较小区域的检测，最后根据两次检测结果的占比判断缺陷等级，实现对光伏片缺陷的精确检测，有效提高检测精度；同时，通过光伏缺陷检测深度学习模型对光伏片灰度图进行目标检测，再利用机器视觉检测进行高精度检测，结合二者特点，一方面能够快速定位缺陷位置，另一方面减少数据的计算算力需求，降低对运算单元的硬件配置，弥补了现有技术中存在的问题，具有实际应用价值。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中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示出本发明的一个实施例所述检测方法的流程图；

图2示出本发明的一个实施例所述检测装置的结构框图；

图3示出本发明的一个实施例所述光伏片灰度图的示意图；

图4示出本发明的一个实施例所述光伏片灰度图的模型检测的示意图；

图5示出本发明的一个实施例所述光伏片灰度图的机器视觉检测的示意图；

图6示出本发明的另一个实施例所述的一种计算机设备的结构示意图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

针对相关技术中存在的问题，如图1所示，本发明的一个实施例提供了一种光伏片缺陷的检测方法，包括：

使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果；

对所述光伏片灰度图进行降噪处理并进行机器视觉检测以输出第二检测结果；

将所述第二检测结果与所述第一检测结果进行比对并根据比对结果输出所述待检测光伏片的缺陷等级。

在本实施例中，首先通过光伏缺陷检测深度学习模型对光伏片灰度图进行检测以实现较大区域的检测，再利用机器视觉检测降噪处理后的光伏片灰度图以实现精确到像素级别的较小区域的检测，最后根据两次检测结果的占比判断缺陷等级，实现对光伏片缺陷的精确检测，有效提高检测精度

在一个具体的示例中，如图1所示，分步骤详细说明如何检测光伏片的缺陷，包括：

第一步，使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果。

在本实施例中，光伏缺陷检测深度学习模型为通过已标注的光伏片样本训练的人工智能目标检测模型，用于检测光伏片缺陷。具体的，本实施例光伏缺陷检测深度学习模型基于目标检测模型，本实施例的目标检测模型为Yolov5s模型，Yolov5模型是Ultralytics公司于2020年6月9日公开发布的目标检测模型，Yolov5模型是基于Yolov3模型基础上改进而来的，有Yolov5s、Yolov5m、Yolov5l和Yolov5x四个模型，其中，Yolov5s网络模型是Yolov5系列中深度最小，特征图的宽度最小的网络模型，因此，具有速度快、计算量小的特点，适用于大目标检测，有效减少算力需求，例如，降低对计算硬件的计算单元的硬件配置需求。根据光伏缺陷检测深度学习模型的输入需求，本实施例使用光伏片灰度图进行检测，无需使用彩色图，从而进一步减少运算数据。具体包括：

首先，将所述光伏片灰度图的图像尺寸转换为所述光伏缺陷检测深度学习模型的网络入口尺寸并生成入口中间图。

在本实施例中，根据所述光伏缺陷检测深度学习模型的网络入口尺寸调整光伏片灰度图的图像尺寸，其中，网络入口尺寸为320×320到1080×1080，具体的，本实施例的网络入口尺寸为640×640，将光伏片灰度图的图像尺寸转换为640×640以便于输入光伏缺陷检测深度学习模型。

考虑到进一步提高光伏缺陷检测深度学习模型的检测精度，在一个可选的实施例中，对所述入口中间图进行降噪处理。

在本实施例中，对转换图像尺寸后的入口中间图进行FFT傅里叶变换，以去除图像的噪声，从而有效提高光伏缺陷检测深度学习模型的检测精度。

其次，对所述入口中间图进行归一化处理并输入至所述光伏缺陷检测深度学习模型进行检测以输出第一检测结果。

在本实施例中，按照入口中间图中每个像素的灰度值进行归一化处理，即将各像素的灰度值转换到0-1之间，从而加快运算速度。具体为：

其中Input表示图中每个像素的图像数据，mean表示平均值，本实施例的平均值为[0.485]，std表示方差，本实施例的方差为[0.229]。

值得说明的是，本实施例对归一化处理不作具体限定，其中的平均值mean和方差std、以及二者的取值仅用于说明本申请的具体实施方式，本领域技术人员应当根据实际应用需求选择适当的参数和数值，例如根据图像数据选择对应的数据，在此不再赘述。

最后，将归一化处理后的各像素的图像数据输入到光伏缺陷检测深度学习模型中并获取目标检测结果作为第一检测结果。

在本实施例中，如图3所示为光伏片灰度图，如图4所示为光伏缺陷检测深度学习模型输出的第一检测结果，即图中圈出的部分，通过光伏缺陷检测深度学习模型对光伏片灰度图进行目标检测，能够获得带有目标框的第一检测结果。

考虑到对光伏缺陷检测深度学习模型的训练对检测结果的影响，在一个可选的实施例中，在使用光伏缺陷检测深度学习模型之前，训练所述光伏缺陷检测深度学习模型。

在本实施例中，通过已标注的光伏片样本训练人工智能目标检测模型Yolov5s，直到模型的损失函数达到稳定，形成用于检测光伏片缺陷的光伏缺陷检测深度学习模型。

具体包括：

首先，对标注的样本进行数据增强获得第一样本。

在本实施例中，考虑到对样本进行标注的成本，在现有已标注样本的基础上，通过对训练样本进行数据增强进而获得大量可用于训练的样本。例如包括随机randomcrop操作、翻转操作、cutmix操作、随机color jetter操作中的至少一项，值得说明的是，本实施例对训练样本的数据增强的具体操作和操作顺序不作具体限定，本领域技术人员应当根据实际应用需求选择适当的操作和顺序，在此不再赘述。

具体的，本实施例按照以下步骤进行训练样本的数据增强：

第一，对所述标注的样本进行随机randomcrop操作以获取具有不同缩放比例和crop程度的第一增强样本。

在本实施例中，对已标注的样本图像进行随机randomcrop，即对样本图像进行随机裁剪和缩放形成第一增强样本，一方面实现样本增强，另一方面防止模型在训练过程中陷入过拟合。

第二，对所述第一增强样本进行翻转操作以获取第二增强样本。

在本实施例中，对裁剪和缩放后的样本图像进行随机的左右翻转操作形成第二增强样本，从而提高网络的泛化程度。

第三，对所述第二增强样本进行cutmix操作以获取融合多种缺陷图像的第三增强样本。

在本实施例中，对第二增强样本进行CutOut和Mixup结合的cutmix操作，有效利用全图信息，对选择的两张已标记图片进行硬融合，并且采用标记软融合策略，从而通过融合不同种的缺陷图片形成第三增强样本，有效提高泛化性。

第四，对所述第三增强样本进行随机color jetter操作以获取所述第一样本。

在本实施例中，通过颜色抖动(color jitter)对图像的曝光度(exposure)、饱和度(saturation)和色调(hue)HSV进行随机变换，从而将第三增强样本拟合在不同光照场景下，进一步进行样本增强并形成第一样本。

其次，转换所述第一样本的各图像的图像尺寸并分别进行归一化处理获得第二样本。

在本实施例中，根据网络入口尺寸将样本图像的尺寸转换为适于输入网络模型的尺寸，本实施例的网络入口尺寸是640×640，将第一样本的各图像的图像尺寸转化为640×640。然后，对图像的每个像素的数据进行归一化处理，从而加快运行速度。归一化处理同前述实施例，在此不再赘述。

最后，使用所述第二样本训练目标检测模型以获得所述光伏缺陷检测深度学习模型。

在本实施例中，使用数据增强并且预处理后的第二样本对人工智能神经网络模型Yolov5s模型进行训练，并根据模型的损失函数调整模型的参数，以实现模型的快速收敛。

考虑到模型的快速收敛，在一个可选的实施例中，调整所述目标检测模型的损失函数以增强正样本、或者减弱负样本、或者增强正样本并且减弱负样本。

在本实施例使用的目标检测模型yolov5s中，损失函数loss在训练中起到了决定性的作用，同时yolov5s的损失函数loss又与大部分传统的方法不同，为基于网格上生成相应的anchor框。同时，yolov5s划定正负样本，并计算3个损失loss函数：(1)box损失函数loss，(2)obj损失函数loss，(3)cls损失函数loss，本领域技术人员能够根据不同应用场景选择不同的损失函数。

在本实施例中，使用Yolov5s模型的obj损失函数loss衡量模型训练程度，进一步对Yolov5s模型的obj损失函数进行调整，具体为：

其中，S²表示S×S个网格；B表示每个网格产生B个候选框anchor box；

表示将obj损失函数的参数从

调整为

从而提升了损失函数的收敛速度，具体的，如果在i,j处的box有目标(正样本)，其值为1.1，否则为0；

表示将obj损失函数的参数从

调整为

以提升损失函数的收敛速度，具体的，如果在i,j处的box没有目标(负样本)，其值从1.0改为0.9，否则为0，从而提升了损失函数的收敛速度；同时，将yolov5s的obj损失函数的计算公式中noobj项和obj项的相加运算修改为相乘运算，从而加快目标检测模型的损失函数loss的收敛速度。

在本实施例中，通过修改损失函数loss，训练得到的光伏缺陷检测深度学习模型相比起未修改的深度学习模型，模型损失函数loss从原来的值(0.3271)下降到了(0.1934)，同时模型的MAP 0.5从0.90212提升到0.9162、即上升了1.56％；即光伏缺陷检测深度学习模型的性能指标得到有效提升。进一步的，通过调整正样本的损失函数的参数值，即从1.0提高到1.1，有效加强了正样本；通过调整负样本的损失函数的参数值，即从0.9提高到1.0，有效减弱了负样本；从而加快网络模型的收敛速度，并根据损失函数反向传播更新网络中每个权重的梯度，直到模型的损失函数的波动达到预定波动范围，则表明网络模型训练完毕。

值得说明的是，本申请对损失函数的具体调整不作限定，本领域技术人员应当根据实际应用需求进行设置，例如仅调整正样本、或调整负样本、或同时调整正样本和负样本，在此不再赘述。

本实施例通过光伏缺陷检测深度学习模型对光伏片灰度图进行目标检测，能够快速定位缺陷位置，同时减少数据的计算算力需求，降低对运算单元的硬件配置。

第二步，对所述光伏片灰度图进行降噪处理并进行机器视觉检测以输出第二检测结果。

在本实施例中，对输入的光伏片灰度图进行预处理，再使用机器视觉进行像素级别精度的检测。具体包括：

首先，对所述光伏片灰度图进行中值滤波并输出第一中间图。

在本实施例中，通过对光伏片灰度图进行中值滤波能够有效去除大部分的阴影效果形成第一中间图。本实施例的光伏片灰度图受到图像采集时阴影影响较大，并且考虑机器视觉检测能够精确到像素级别，因此对光伏片灰度图进行去阴影处理，能够有效提高检测精度。

其次，对所述第一中间图进行二分阈值分割并输出第二中间图。

在本实施例中，将第一中间图的图像进行二分阈值分割，得到二分阈值的缺陷轮廓黑色为0，白色为255，其中黑色为缺陷区域，白色为正常区域，如图5所示。

再次，对所述第二中间图进行机器视觉检测并输出所述第二检测结果，所述第二检测结果为连通域信息，包括所述连通域的像素面积、外切矩形、长短边、质心中的至少一项。

在本实施例中，通过对光伏片灰度图进行降噪和二值化，再进行blob检测以获取缺陷区域的质心和形状长短边。具体的，包括：

首先，在所述第二中间图中以像素作为搜索基准进行搜索操作，并以搜索到的第一个黑色像素作为起点，根据宽度优先算法进行搜索并获取连通域。

在本实施例中，通过像素搜索和宽度优先算法BFS进行搜索以获取连通域，具体的，对光伏片灰度图的所有像素进行遍历，以第一个搜索到的黑色像素作为起点，根据宽度优先算法搜索所有的黑色像素并形成连通域，对每个黑色像素进行标记，并记录该黑色像素的坐标。

然后，根据搜索获得的连通域获取像素面积、外切矩形、长短边、质心中的至少一项。

在本实施例中，如图5所示，为采用机器视觉检测获取的缺陷区域，即对光伏片灰度图进行搜索后形成的连通域，根据每个黑色像素的坐标计算获取缺陷区域的像素面积，通过坐标求出缺陷的质心和外切矩形，同时通过坐标获取形状的长短边。值得说明的是，本申请对获取的连通域的具体参数不作限定，本领域技术人员应当根据实际应用需求选择所需的参数，例如连通域的像素面积、外切矩形、长短边、质心中的至少一项，在此不再赘述。

本实施例通过机器视觉检测预处理后的光伏片灰度图，能够获取相对精确的缺陷检测结果，有效加快检测时间。

第三步，将所述第二检测结果与所述第一检测结果进行比对并根据比对结果输出所述待检测光伏片的缺陷等级。

在本实施例中，根据光伏缺陷检测深度学习模型对光伏片灰度图进行目标检测能够快速定位出较大的缺陷区域，再通过机器视觉检测预处理后的光伏片灰度图获取精确到像素级别的较小的缺陷连通域；最后将二者进行比对，例如，判断所述缺陷连通域与较大的缺陷区域的占比。

在本实施例中，如果机器视觉检测出的缺陷连通域的面积占到光伏缺陷检测深度学习模型检测的缺陷区域的框面积的90％以上则为严重缺陷，10％-90％为中度缺陷，低于10％为轻度缺陷。

至此，完成对光伏片缺陷的检测。

本实施例提供的光伏片缺陷的检测方法，先通过光伏缺陷检测深度学习模型对光伏片灰度图进行检测以实现较大区域的检测，再利用机器视觉检测降噪处理后的光伏片灰度图以实现精确到像素级别的较小区域的检测，最后根据两次检测结果的占比判断缺陷等级，实现对光伏片缺陷的精确检测，有效提高检测精度；同时，通过光伏缺陷检测深度学习模型对光伏片灰度图进行目标检测，再利用机器视觉检测进行高精度检测，结合二者特点，一方面能够快速定位缺陷位置，另一方面减少数据的计算算力需求，降低对运算单元的硬件配置，弥补了现有技术中存在的问题，具有实际应用价值。

与上述实施例提供的检测方法相对应，本申请的一个实施例还提供一种实现上述检测方法的检测装置，如图2所示，包括模型检测单元、机器视觉检测单元和控制器，其中，所述控制器被配置为：使用预设置的所述模型检测单元的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果；对所述光伏片灰度图进行降噪处理并通过所述机器视觉检测单元进行机器视觉检测以输出第二检测结果；将所述第二检测结果与所述第一检测结果进行比对并根据比对结果输出所述待检测光伏片的缺陷等级。

本实施例通过模型检测单元的光伏缺陷检测深度学习模型对光伏片灰度图进行目标检测，再利用机器视觉检测单元进行高精度的机器视觉检测，结合二者特点，一方面能够快速定位缺陷位置，另一方面减少数据的计算算力需求，降低对运算单元的硬件配置，弥补了现有技术中存在的问题，具有实际应用价值。

由于本申请实施例提供的检测装置与上述几种实施例提供的检测方法相对应，因此在前实施方式也适用于本实施例提供的检测装置，在本实施例中不再详细描述。

本发明的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现：使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果；对所述光伏片灰度图进行降噪处理并进行机器视觉检测以输出第二检测结果；将所述第二检测结果与所述第一检测结果进行比对并根据比对结果输出所述待检测光伏片的缺陷等级。

在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

如图6所示，本发明的另一个实施例提供的一种计算机设备的结构示意图。图6显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，***存储器28，连接不同***组件(包括***存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。

计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

***存储器28可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图6中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。

处理器单元16通过运行存储在***存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种光伏片缺陷的检测方法。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (11)

1.一种光伏片缺陷的检测方法，其特征在于，包括：

使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果；

对所述光伏片灰度图进行降噪处理并进行机器视觉检测以输出第二检测结果；

将所述第二检测结果与所述第一检测结果进行比对并根据比对结果输出所述待检测光伏片的缺陷等级。

2.根据权利要求1所述的检测方法，其特征在于，所述使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果进一步包括：

将所述光伏片灰度图的图像尺寸转换为所述光伏缺陷检测深度学习模型的网络入口尺寸并生成入口中间图；

对所述入口中间图进行降噪处理；

对降噪后的所述入口中间图进行归一化处理并输入至所述光伏缺陷检测深度学习模型进行检测以输出第一检测结果。

3.根据权利要求1所述的检测方法，其特征在于，所述对所述光伏片灰度图进行降噪处理并进行机器视觉检测以输出第二检测结果进一步包括：

对所述光伏片灰度图进行中值滤波并输出第一中间图；

对所述第一中间图进行二分阈值分割并输出第二中间图；

对所述第二中间图进行机器视觉检测并输出所述第二检测结果，所述第二检测结果为连通域信息，包括所述连通域的像素面积、外切矩形、长短边、质心中的至少一项。

4.根据权利要求3所述的检测方法，其特征在于，所述第二中间图为黑白图，所述对所述第二中间图进行机器视觉检测并输出所述第二检测结果进一步包括：

在所述第二中间图中以像素作为搜索基准进行搜索操作，并以搜索到的第一个黑色像素作为起点，根据宽度优先算法进行搜索并获取连通域；

根据所述连通域获取所述连通域的像素面积、外切矩形、长短边、质心中的至少一项。

5.根据权利要求1-4中任一项所述的检测方法，其特征在于，在所述使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果之前，所述检测方法还包括：

训练所述光伏缺陷检测深度学习模型。

6.根据权利要求5所述的检测方法，其特征在于，所述训练所述光伏缺陷检测深度学习模型进一步包括：

对标注的样本进行数据增强获得第一样本；

转换所述第一样本的各图像的图像尺寸并分别进行归一化处理获得第二样本；

使用所述第二样本训练目标检测模型以获得所述光伏缺陷检测深度学习模型。

7.根据权利要求6述的检测方法，其特征在于，所述对标注的样本进行数据增强获得第一样本进一步包括以下步骤中的至少一个：

对所述标注的样本进行随机randomcrop操作以获取具有不同缩放比例和crop程度的增强样本；

对所述标注的样本进行翻转操作以获取增强样本；

对所述标注的样本进行cutmix操作以获取融合多种缺陷图像的增强样本；

对所述标注的样本进行随机color jetter操作以获取增强样本。

8.根据权利要求6述的检测方法，其特征在于，使用所述第二样本训练目标检测模型以获得所述光伏缺陷检测深度学习模型进一步包括：

调整所述目标检测模型的损失函数以增强正样本和/或减弱负样本。

9.一种使用如权利要求1-8中任一项所述的检测方法的光伏片缺陷检测装置，其特征在于，包括模型检测单元、机器视觉检测单元和控制器，其中，所述控制器被配置为：

使用预设置的所述模型检测单元的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果；

对所述光伏片灰度图进行降噪处理并通过所述机器视觉检测单元进行机器视觉检测以输出第二检测结果；

将所述第二检测结果与所述第一检测结果进行比对并根据比对结果输出所述待检测光伏片的缺陷等级。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一项所述的方法。

11.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一项所述的方法。

Images