硅光伏电池扫描涡流热成像检测平台及缺陷分类方法
阅读：794发布：2020-05-15
专利汇可以提供硅光伏电池扫描涡流热成像检测平台及缺陷分类方法专利检索，专利查询，专利分析的服务。并且本 发明 提出了一种 硅 光伏 电池 扫描 涡流 热成像检测平台及 缺陷 分拣方法，本发明采取的技术方案为：首先，固定 电磁感应 线圈和热像仪 位置 ，利用主位移传送带搭载硅光伏电池在生产线上向前移动，形成硅光伏电池的扫描涡流加热。然后，利用热像仪非 接触 、快速、高 分辨率 的获得缺陷 温度 信息，热成像获得的热 辐射 信号 是 图像序列 。其次，采用特征提取 算法 提取光伏电池的缺陷特征。最后，采用图像分类算法对得到的硅光伏电池缺陷特征进行分类，并利用分拣传送带实现生产线上含有不同类型缺陷的硅光伏电池自动分拣。本发明大大提高了在线检测的效率和性能，检测过程主客观结合，分类结果准确。，下面是硅光伏电池扫描涡流热成像检测平台及缺陷分类方法专利的具体信息内容。
1.一种硅光伏电池扫描涡流热成像检测平台，其特征在于，包括：
主位移平台，其上设有主位移传送带，硅光伏电池置于该主位移传送带上；
红外摄像机，实时采集光伏电池的热像图序列；
多个分拣位移平台，与主位移平台连接，其上放置分拣传送带，主位移传送带上带有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣；
感应加热模块，通过电磁感应对硅光伏电池进行感应加热；
热像仪，设置在主位移平台的光伏电池上方，实时捕捉多个硅光伏电池的表面热辐射信息；
计算机，与热像仪连接，实时获取热像仪捕捉的原始数据并进行热序列分析，提取可表征的缺陷特征值，并采用卷积神经网络算法对不同类型的硅光伏电池缺陷进行分类标记；
根据标记结果控制分拣位移平台，将含有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣。
2.根据权利要求1所述的硅光伏电池扫描涡流热成像检测平台，其特征在于，所述感应加热模块包括函数信号发生器、感应加热电源、电磁感应线圈和水冷系统，函数信号发生器控制感应加热电源的加热模式、输出功率和激励频率；电磁感应线圈设置在主位移平台的电池上方。
3.根据权利要求2所述的硅光伏电池扫描涡流热成像检测平台，其特征在于，电磁感应线圈设置在主位移平台的电池上方5cm处；电磁感应线圈为内部空心的扁平矩形结构和长条形结构。
4.根据权利要求2所述的硅光伏电池扫描涡流热成像检测平台，其特征在于，水冷系统往电磁感应线圈内部通水以降低电磁感应线圈的温度，冷却水压力为0.2 0.3Mpa。
~
5.根据权利要求1所述的硅光伏电池扫描涡流热成像检测平台，其特征在于，热像仪设置在主位移平台的光伏电池上方60cm处；热像仪的测量精度为±2°，检测温度范围为-20℃
120℃，光谱响应范围为7.5μm 13μm。
~ ~
6.根据权利要求1所述的硅光伏电池扫描涡流热成像检测平台，其特征在于，红外摄像机的温度灵敏度为50mK。
7.根据权利要求1所述的硅光伏电池扫描涡流热成像检测平台，其特征在于，感应加热模块的加热模式包括脉冲式和锁相式。
8.一种硅光伏电池红外视觉缺陷检测方法，该方法基于权利要求1的检测平台，其特征在于，包括以下步骤：
S1、通过主位移传送带移动正常硅光伏电池和带有缺陷的硅光伏电池匀速经过感应加热模块和热像仪视场；
S2、感应加热模块对硅光伏电池进行感应加热，在热像仪扫描涡流热成像过程中，硅光伏电池的表面热辐射信息包含硅光伏电池表面的温度值；
S3、热像仪获取不同位置的硅光伏电池表面瞬态温度响应，得到不同时刻的热像图序列，作为原始数据，每个硅光伏电池均得到多张热像图；
S4、采用频域互相关、主成分分析、独立分量分析和非负矩阵分解特征提取算法从不同时刻的热像图序列中提取可表征的缺陷特征值；
S5、采用卷积神经网络模型对不同类型的硅光伏电池缺陷进行分类标记；分类的缺陷包括边缘破碎、表面杂质、划痕、裂纹、热斑和大面积损伤；
S6、将含有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣。
9.根据权利要求8所述的方法，其特征在于，步骤S1还包括根据硅光伏电池的缺陷属性优化设置，包括设置传送带移动速度、热像仪视场大小、感应加热模块参数、热像仪参数、数据采集频率。
10.一种基于权利要求1的硅光伏电池红外视觉缺陷检测软件系统，其特征在于软件系统集成缺陷检测分类和分拣模块，包括：
参考信号设定模块，用于设置参考信号，采用有限元模型产生无缺陷区域的响应信号作为参考信号，或者采用硅光伏电池无缺陷区域的检测信号作为参考信号，或者把检测数据中无缺陷区域某几个点的平均检测信号作为参考信号；
检测信号提取模块，用于将热像仪实时捕捉的硅光伏电池离热源不同位置的瞬态温度变化序列，作为检测信号，采用特征提取算法提取从检测信号中提取可表征的缺陷特征值；
缺陷分类模块，用于根据可表征的缺陷特征值采用卷积神经网络对不同类型的硅光伏电池缺陷进行分类标记；
缺陷分拣模块，控制分拣传送带将的带有不同缺陷类型的光伏电池分类回收。
硅光伏电池扫描涡流热成像检测平台及缺陷分类方法
技术领域
[0001] 本发明涉及硅光伏电池缺陷检测技术领域，尤其涉及一种硅光伏电池扫描涡流热成像缺陷检测平台及缺陷分类方法。
背景技术
[0002] 硅光伏电池的质量直接影响到整个光伏系统的效率。在硅光伏电池的工业生产制造和光伏电池或组件的使用过程，缺陷和损坏是不可避免的。例如，硅光伏电池的裂纹和划痕缺陷会逐渐降低模块的输出功率，甚至会导致热斑现象，直到光伏组件被破坏。因此，建立一种无损、快速、准确的硅光伏电池缺陷检测和损伤分拣方法是很有意义的。随着红外热像、机器视觉检测和卷积神经网络算法的迅速发展，满足了硅光伏电池高分辨率、非接触式、定量分析和缺陷分类的要求。
[0003] 现有的静态涡流热成像缺陷检测方法存在以下不足：1)静态检测速度慢；2)加热不均匀、缺陷检测效果差；3)硅光伏电池检测数量小。并且现有工业生产线上人工检测存在缺陷检测效率低和检测误差率高的缺点。
发明内容
[0004] 针对现有工业生产线上人工检测硅光伏电池缺陷效率低和检测数据量较小、检测误差率高等缺点，本发明建立动态扫描涡流热成像缺陷检测方法，提出一种高效、创新的硅光伏电池缺陷检测智能分类方法，目的是提高硅光伏电池检测的准确性，保障硅光伏电池生产过程中的安全可靠，实现高精度、大量的硅光伏电池缺陷检测与分类。
[0005] 本发明解决其技术问题所采用的技术方案是：
[0006] 提供一种硅光伏电池扫描涡流热成像检测平台，包括：
[0007] 主位移平台，其上设有主位移传送带，硅光伏电池置于该主位移传送带上；
[0008] 红外摄像机，实时采集光伏电池的热像图序列；
[0009] 多个分拣位移平台，与主位移平台连接，其上放置分拣传送带，主位移传送带上带有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣；
[0012] 计算机，与热像仪连接，实时获取热像仪捕捉的原始数据并进行热序列分析，提取可表征的缺陷特征值，并采用卷积神经网络算法对不同类型的硅光伏电池缺陷进行分类标记；根据标记结果控制分拣位移平台，将含有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣。
[0013] 接上述技术方案，所述感应加热模块包括函数信号发生器、感应加热电源、电磁感应线圈和水冷系统，函数信号发生器控制感应加热电源的加热模式、输出功率和激励频率；电磁感应线圈设置在主位移平台的电池上方。
[0014] 接上述技术方案，电磁感应线圈设置在主位移平台的电池上方5cm处；电磁感应线圈为内部空心的扁平矩形结构和长条形结构；
[0016] 接上述技术方案，热像仪设置在主位移平台的光伏电池上方60cm处；热像仪的测量精度为±2°，检测温度范围为-20℃～120℃，光谱响应范围为7.5μm～13μm。
[0017] 接上述技术方案，红外摄像机的温度灵敏度为50mK。
[0018] 接上述技术方案，感应加热模块的加热模式包括脉冲式和锁相式。
[0019] 本发明还提供了一种硅光伏电池红外视觉缺陷检测方法，该方法上述检测平台，包括以下步骤：
[0020] S1、通过主位移传送带移动正常硅光伏电池和带有缺陷的硅光伏电池匀速经过感应加热模块和热像仪视场；
[0021] S2、感应加热模块对硅光伏电池进行感应加热，在热像仪扫描涡流热成像过程中，硅光伏电池的表面热辐射信息包含硅光伏电池表面的温度值；
[0022] S3、热像仪获取不同位置的硅光伏电池表面瞬态温度响应，得到不同时刻的热像图序列，作为原始数据，每个硅光伏电池均得到多张热像图；
[0023] S4、采用频域互相关、主成分分析、独立分量分析和非负矩阵分解特征提取算法从不同时刻的热像图序列中提取可表征的缺陷特征值；
[0024] S5、采用卷积神经网络模型对不同类型的硅光伏电池缺陷进行分类标记；分类的缺陷包括边缘破碎、表面杂质、划痕、裂纹、热斑和大面积损伤。
[0025] S6、将含有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣。
[0026] 接上述技术方案，步骤S1还包括根据硅光伏电池的缺陷属性优化设置，包括设置传送带移动速度、热像仪视场大小、感应加热模块参数、热像仪参数、数据采集频率。
[0028] 参考信号设定模块，用于设置参考信号，采用有限元模型产生无缺陷区域的响应信号作为参考信号，或者采用硅光伏电池无缺陷区域的检测信号作为参考信号，或者把检测数据中无缺陷区域某几个点的平均检测信号作为参考信号；
[0029] 检测信号提取模块，用于将热像仪实时捕捉的硅光伏电池离热源不同位置的瞬态温度变化序列，作为检测信号，采用特征提取算法提取从检测信号中提取可表征的缺陷特征值；
[0030] 缺陷分类模块，用于根据可表征的缺陷特征值采用卷积神经网络对不同类型的硅光伏电池缺陷进行分类标记。
[0031] 缺陷分拣模块，控制分拣传送带将的带有不同缺陷类型的光伏电池分类回收。
[0032] 本发明产生的有益效果是：本发明利用涡流感应线圈扫描加热硅光伏电池，利用热像仪非接触、快速、高分辨率的获得缺陷温度信息，采用特征提取算法从不同时刻的热像图序列中提取可表征的缺陷特征值。并采用卷积神经网络模型对大量不同类型的硅光伏电池缺陷进行分类标记。实现生产线上含有不同缺陷光伏电池的自动分拣。本发明将人工检测硅光伏电池缺陷转化为生产线上红外机器视觉检测，提升检测速度，减少人力物力的损耗。同时扫描式涡流热成像检测解决了静态检测速度慢的问题，改进缺陷检测效果；解决了硅光伏电池检测数量小的问题，降低了分拣错误率。附图说明
[0033] 下面将结合附图及实施例对本发明作进一步说明，附图中：
[0034] 图1是本发明的结构示意图；
[0035] 图2a、2b是本发明的流程图；
[0036] 图3(a)-图3(d)是本发明方法的频域互相关、PCA、ICA和NMF缺陷特征提取算法原理图；
[0037] 图4是本发明方法得到的硅光伏电池热成像和缺陷特征提取实测数据；
[0038] 图5是本发明方法LeNet-5、VGG-16、GoogLeNet等卷积神经网络得到缺陷分类训练结果；
[0039] 图6是本发明边缘破碎、表面杂质、划痕、裂纹、热斑和大面积损伤等六种缺陷的分类准确率和错误率；
[0040] 图1中：1、感应加热电源，2、热像仪，3、电磁感应线圈，4、热辐射信息，5、正常的硅光伏电池，6、有缺陷的硅光伏电池，7、分拣传送带，8、主位移传送带，9、计算机，10、频域互相关，11、主成分分析，11、独立成分分析，12、非负矩阵分解，13、GoogLeNet，14、VGG-16，15、LeNet-5，16、不同缺陷的硅光伏电池分拣。
具体实施方式
[0041] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0042] 本发明的主要原理为：将涡流热源和热像仪固定，主传送带移动硅光伏电池匀速经过涡流热源和热像仪视场。在扫描过程中，涡流源对被检对象进行均匀的有限长电磁感应加热，热像仪在动态条件下连续采集同一个硅光伏电池不同位置的表面温度值(热像图序列)，作为原始数据。扫描加热技术可以同时记录不同传导时间的温度值，一次检测可以反映不同光伏电池的温度信息。采用特征提取算法对原始数据进行处理，提取可表征缺陷深度和特定深度属性的特征值。采用图像分类算法对大量不同类型的硅光伏电池缺陷进行分类，带有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣回收。最终，为硅光伏电池生产过程中的在役检测和缺陷分拣提供一种可靠的手段。
[0043] 本发明实施例工业现场生产线硅光伏电池扫描涡流热成像检测平台，如图1所示，包括：
[0044] (1)主位移平台模块。由于硅光伏电池比电磁感应线圈大，而且红外相机的视场有限，所以保持电磁感应线圈和热像仪静止。硅光伏电池置于该主位移传送带上利用位移平台携带硅光伏模块移动，以1cm/s的速度前进，红外摄像机实时采集光伏模块的热像图序列，这样可以实现大量的硅光伏电池缺陷检测。
[0045] (2)多个分拣位移平台模块，与主位移平台连接，其上放置分拣传送带，主位移传送带上带有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣；
[0046] (3)感应加热模块，包括函数信号发生器、感应加热电源、电磁感应线圈和水冷系统。函数信号发生器控制感应加热电源的加热模式、输出功率和激励频率，感应加热电源采用GGC-15A大功率感应加热器，最大励磁功率为15kW，输入电压范围为150～240V，最大电流为100Arms，激励频率范围为100～150kHz(本发明实验频率f＝100kHz，加热功率为300W)，为电磁感应线圈提供谐振激励频率涡流电流。电磁感应线圈对硅光伏电池进行感应加热，加热模式分为脉冲式(加热1s后停止加热)和锁相式(加热1s停止1s)两种。线圈设置在主位移平台的电池上方5cm处检测效果最好；本发明采用的两个线圈一个是内部空心，直径为2
6.5cm、检测面积为73cm的扁平矩形结构，一个是内部空心，长2cm，宽12cm的长条形结构，采用水冷系统往线圈内部通水以降低线圈的温度，冷却水压力为0.2～0.3Mpa。
6.5cm、检测面积为73cm的扁平矩形结构，一个是内部空心，长2cm，宽12cm的长条形结构，采用水冷系统往线圈内部通水以降低线圈的温度，冷却水压力为0.2～0.3Mpa。
[0047] (4)热成像模块。实验使用FLIR A310热像仪实时捕捉多个硅光伏电池的表面热辐射信息，设置在主位移平台的光伏电池上方60cm处检测效果最佳；实验中使用的红外摄像机的温度灵敏度为50mK。热像图的测量精度为±2°，检测温度范围为-20℃～120℃，光谱响应范围为7.5μm～13μm。
[0048] (5)计算机，与热像仪连接，实时获取热像仪捕捉的原始数据并进行热序列分析，提取可表征的缺陷特征值，并采用卷积神经网络算法对不同类型的硅光伏电池缺陷进行分类标记；根据标记结果控制分拣位移平台，将含有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣。
[0049] 本发明实施例硅光伏电池红外视觉缺陷检测融合特征提取算法和深度学习以及卷积神经网络图像分类方法，该方法基于上述检测平台，包括以下步骤：
[0050] S1、通过主位移传送带移动正常硅光伏电池和带有缺陷的硅光伏电池匀速经过电磁感应线圈和热像仪视场，感应加热器为电磁感应线圈提供一定谐振激励频率涡流电流；
[0051] S2、电磁感应线圈对硅光伏电池进行感应加热，在扫描涡流热成像过程中，硅光伏电池的表面热辐射信息包含硅光伏电池表面的温度值；
[0052] S3、热像仪捕捉离电磁感应线圈不同位置的硅光伏电池表面瞬态温度响应信号，得到不同时刻的热像图序列，作为原始数据，即每个硅光伏电池都得到多张热像图；
[0053] S4、采用频域互相关、主成分分析(PCA)、独立分量分析(ICA)和非负矩阵分解(NMF)等特征提取算法从不同时刻的热像图序列中提取可表征的缺陷特征值。
[0054] S5、采用LeNet-5、VGG-16、GoogLeNet等卷积神经网络模型对大量不同类型的硅光伏电池缺陷进行分类标记；
[0055] S6、将含有不同缺陷的硅光伏电池通过不同的分拣传送带进行分拣。
[0056] 本发明实施例中，步骤S1中具体根据硅光伏电池的缺陷属性优化设置包括传送带移动速度、热像仪视场大小、感应加热电源参数、热像仪参数、采集频率的关键参数。具体方法如下：
[0057] 第1步：设定电磁感应线圈的激励电流I、主位移传送带的位移速度ν、扫描时间ts、热像仪的像素大小n×m、空间分辨率dx、横向视场Dn×Dm、采样频率f等参数；设置热像仪记录的硅光伏电池相邻图像的空间距离d＝ν×dt和热像仪空间分辨率dx的关系为整数倍i，即d＝i×dx；并设置热像仪横向像素n为i的整数倍。
[0058] 第2步：采用控制模块使感应加热电源、主位移传送带和热像仪同时开始工作。同时，感应加热电源驱动感应线圈加热硅光伏电池，加热宽度为dr，则硅光伏电池每个点的加热时间tr＝dr/ν，加热能量如式(1)所示；然后，位移传送带搭载硅光伏电池固定速度ν向前移动。其中，控制模块可以采用函数信号发生器，设置周期性或者脉冲式的信号开通感应加热器的电源，使感应加热线圈加热光伏电池。
[0059] 本发明实施例中，步骤S2中硅光伏电池的感应加热过程，涉及到三个物理过程：1、电磁感应加热；2、热传导和热辐射；3、热成像；
[0060] 扫描涡流热成像缺陷检测包含三个主要的物理过程：
[0061] 第1步：扫描式感应线圈的电磁感应加热。在扫描配置下，感应加热的时间tr是有限长的，由加热宽度dr和扫描速度ν决定。加热能量可表示为：
[0062]
[0063] 式(1)中，I是激励线圈中的激励电流，f是激励电流频率，σ是硅光伏电池的电导率，μ是硅光伏电池的相对磁导率。涡流的加热宽度dr与提离h效应相关，提离h越大，加热宽度dr越小。实际采用感应线圈进行电磁加热时，加热效率可表示为：
[0064]
[0065] 第2步：三维热传导过程。根据焦耳定律，硅光伏电池中感应出的涡流将转化为热量，深度方向的热传导有利于缺陷检测，其透入深度可表示为：
[0066]
[0067] 式(3)中，f为感应电流频率，本发明实验中其值为100kHz，σ为硅光伏电池的电导4 -7
率，其值为2.52×10(单位：S/m)，μ为硅光伏电池的磁导，其值为4π×10 (H/m)。在100kHz激励下，透入深度δ的计算值为3170μm，远远大于硅光伏电池(约200μm)的厚度。因此，光伏电池的加热方式是体积加热，热量会向材料内部和周边传导。
率，其值为2.52×10(单位：S/m)，μ为硅光伏电池的磁导，其值为4π×10 (H/m)。在100kHz激励下，透入深度δ的计算值为3170μm，远远大于硅光伏电池(约200μm)的厚度。因此，光伏电池的加热方式是体积加热，热量会向材料内部和周边传导。
[0068] 第3步：根据热辐射基本定理，采用红外热像仪记录光伏电池表面热辐射时，遵循斯蒂芬-玻尔兹曼法则，即物体表面每单位时间辐射的能量正比于物体的绝对温度的四次方和发射率：
[0069] j*＝σsbεT4 (4)
[0070] 式中，σsb为Stefan-Boltzmann常数，T是绝对温度(单位：K)，ε为发射率。最后，热像仪记录硅光伏电池表面加热之后随时间变化的温度信息，作为原始数据，并把原始数据传输给计算机。
[0071] 本发明实施例中，步骤S4中通过基于频域互相关、主成分分析(PCA)、独立分量分析(ICA)和非负矩阵分解(NMF)等特征提取算法的缺陷特征提取方法，提取不同类型的缺陷特征值。基于热序列分析的硅光伏电池缺陷特征提取方法具体包括以下步骤：
[0072] (5.1)频域互相关算法进行缺陷特征提取，如图3(a)所示。
[0073] 第1步：采用硅光伏电池无缺陷区域的检测信号作为参考信号ref(t)。为提高信噪比，也可以把检测数据中无缺陷区域某几个点的平均检测信号作为参考信号。
[0074] 第2步：通过频域互相关算法计算检测数据中检测信号s(t)与参考信号ref(t)的同相和正交信号。检测信号s(t)指的是原始信号(热像仪连续采集得到的热像图序列)。
[0075] 第3步：如图3(a)所示，把检测信号进行快速傅里叶变换(FFT)得到频域检测信号；把参考信号进行希尔伯特变换(HT)产生正交参考信号；把参考信号和正交参考信号进行快速傅里叶变换(FFT)和复共轭(Z*)运算，得到频域参考信号和频域正交参考信号；把频域检测信号与频域参考信号依次进行乘法运算、逆快速傅里叶变换(IFFT)和实部运算(Real)，得到同相信号。
[0076] 第4步：把频域检测信号与频域正交参考信号依次进行乘法运算、逆快速傅里叶变换(IFFT)和实部运算(Real)，得到正交信号。
[0077] 第5步：对同相和正交信号求幅值后得到互相关幅值(CC Amp)图像，如图3(b)所示。对正交和同相求相位后得到互相关相位(CC Phase)图像，
[0078] (5.2)对于PCA、ICA和NMF算法进行缺陷特征提取，如图3(b)-(d)所示。
[0079] 第1步：利用红外热像仪获得了硅光伏电池的原始热序列导入MATLAB，这是一个三维阵列数据。
[0080] 第2步：在MATLAB中将三维阵列转换为二维阵列，二维阵列的每一行向量表示热图像中每个像素的温度序列，它可以理解为瞬态温度响应。
[0081] 第3步：利用PCA、ICA和NMF对热像序列进行处理，得到相应的主成分分量(PCs)、独立成分分量(ICs)和NMF分量。将每个PCs和ICs都是一维向量。通过数据转换，在MATLAB中将一维矢量转换为二维阵列。
[0082] 第4步：选择合适的PCs、ICs和NMF分量进行图像重构，得到清晰的有缺陷的硅光伏电池的二维图像。
[0083] 本发明实验得到的硅光伏电池热成像和缺陷特征提取实测数据如图4所示，图中列举的数据分为六种缺陷类型，每种缺陷的原始热像120张。共有720幅含有缺陷的原始热像图。热像仪产生的原始热图像像素为320×240像素。同时图4列举了PCA、ICA和NMF算法得到的多张缺陷特征提取图像。对于PCA，六种缺陷的PCA第一分量更清晰。对于ICA，边缘破碎、表面杂质、划痕、裂纹、热斑和大面积损伤分别对应的第29、第54、第8、第45、第6、第9成分更清晰。对于NMF，六种缺陷的第三分量更清晰。
[0084] 本发明实施例中，步骤S5中采用LeNet-5、VGG-16、GoogLeNet等卷积神经网络模型对大量不同类型的硅光伏电池缺陷进行分类标记，具体包括以下步骤：
[0085] 第1步：在实验中，CPU是Inter(R)Core(TM)i7-4790CPU@3.60GHz，GPU是NVIDIA GeForce GTX 750 Ti,，卷积神经网络框架是Caffe中开源的GoogLeNet、VGG-16和LeNet-5框架。由FLIR A310热像仪产生的原始热图像的像素为320×240像素。通过图像配准预处理每个原始热图像，并且将所有热像图尺寸改变为224×224像素，每张图像包含50176像素。
[0086] 第2步：FLIR A310热像仪共得到720个原始热图像含有缺陷，同时分别从PCA、ICA和NMF中提取720幅图像。共有720×4＝2880张热像图。将这些有缺陷的硅光伏电池数据导入LeNet-5、VGG-16和GoogLeNet卷积神经网络中进行缺陷分类识别，在训练过程中，80％的数据作为验证数据集。在测试过程中，以20％的数据作为测试数据集。因此，训练数据集的数目为2304，测试数据集的数目为576。在创建数据之后，我们使用LeNet-5、VGG-16和GoogLeNet模型对获得的数据进行了微调。图5的训练结果表明，这三种分类模型都达到了较高的精度值。其中GoogLeNet模型具有最佳的分类准确度和损失函数。在第30次迭代时，GoogLeNet模型已经显示了90％以上的准确度值。GoogleNet模型在训练77次迭代时达到最大分类准确度100％，对应的损失函数值为0.002。从77次迭代以后，GoogLeNet模型基本上保持了100％的分类准确度。在训练的第21次迭代中，VGG-16模型达到了最大的精度值，最终的分类准确率定格在为94.67％，LeNet-5模型的准确率最高为89.65％。因此可以证明GoogLeNet的缺陷分类效果最好。
[0087] 第3步：在GoogLeNet所有卷积层中应用Relu激活函数。全连接层的神经元数可以修改，因为本实验过程中有六类硅光伏电池缺陷所以将最终全连接层的神经元数修改为6个。为了防止过拟合，减小误差，增强特征，加快收敛速度，在对模型进行卷积运算后，采用改进的线性单元(Relu)作为分类器。本发明不仅提高了计算机资源(特别是处理大量硅光伏电池数据集)的效率，也提高了缺陷分类任务的准确性。选取缺陷特征提取后的720张图像，每种缺陷120张，图6为本发明方法得到的六种硅光伏电池热像图缺陷分类的准确率和错误率。边缘破碎、表面杂质、划痕、裂纹、热斑和大面积损伤的分类精度和错误分别达到100％(120/120，0错误)、99.16％(119/120，1错误)、96.67％(116/120，4错误)、95.83％(115/120，5错误)、95.83％(115/120，5错误)、100％(120/120，0错误)。各种硅光伏电池缺陷的分类精度相比没有做缺陷特征提取之前都有了一定程度的提高。
[0088] 在此基础上，涡流扫描热成像和卷积神经网络技术在硅光伏电池缺陷的检测和自动识别中具有很高的应用潜力，可以实现工业生产线上大量硅光伏电池的检测与缺陷分拣，为硅光伏电池的研制、测试、制造、服务和维护提供了可靠的方法。
[0089] 本发明主要利用主位移传送带搭载硅光伏电池在生产线上向前移动，形成硅光伏电池的扫描涡流加热。利用热像仪非接触、快速、高分辨率的获得缺陷温度信息，热成像获得的热辐射信号是图像序列。采用采用频域互相关、PCA、ICA和NMF等特征提取算法从不同时刻的热像图序列中提取可表征的缺陷特征值。最后采用LeNet-5、VGG-16、GoogLeNet等卷积神经网络模型对大量不同类型的硅光伏电池缺陷进行分类标记，并利用分拣传送带实现生产线上含有不同缺陷光伏电池的自动分拣。本发明大大提高了在线检测的效率和性能，检测过程主客观结合，分类结果准确。
[0091] 本发明实施例的硅光伏电池红外视觉缺陷检测软件系统，软件系统集成缺陷检测分类和分拣模块，包括：
[0092] 参考信号设定模块，用于设置参考信号，采用有限元模型产生无缺陷区域的响应信号作为参考信号，或者采用硅光伏电池无缺陷区域的检测信号作为参考信号，或者把检测数据中无缺陷区域某几个点的平均检测信号作为参考信号；
[0093] 检测信号提取模块，用于将热像仪实时捕捉的硅光伏电池离热源不同位置的瞬态温度变化序列，作为检测信号，采用特征提取算法提取从检测信号中提取可表征的缺陷特征值；
[0094] 缺陷分类模块，用于根据可表征的缺陷特征值采用卷积神经网络对不同类型的硅光伏电池缺陷进行分类标记。
[0095] 缺陷分拣模块，控制分拣传送带将的带有不同缺陷类型的光伏电池分类回收。各个模块的具体实现方式详见上文实施例，再次不赘述。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种光热外差显微成像检测系统与方法 | 2020-05-16 | 782 |
| 基于锁相热波与光学层析相结合的半透明材料光热特性分布测量方法 | 2020-05-20 | 771 |
| 二维磁场探针台测量系统 | 2020-05-23 | 152 |
| 一种可变帧率的激光吸收光谱层析成像系统 | 2020-05-08 | 885 |
| 实现大体积高分辨的时间脉冲光片断层成像方法及系统 | 2020-05-11 | 885 |
| 一种光伏组件长期耐候性能测试方法 | 2020-05-18 | 265 |
| 一种太阳电池局部电压电流性能测试与验证方法 | 2020-05-19 | 865 |
| 太赫兹共焦显微成像系统及其成像方法 | 2020-05-18 | 605 |
| 基于原子力显微镜的纳米尺度热导-电畴原位表征装置 | 2020-05-11 | 828 |
| 레이저 위상잠금 열화상기법을 이용한 열확산 검출장치 | 2020-05-22 | 429 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈