申请/专利权人：辽宁工程技术大学

申请日：2021-09-15

公开（公告）日：2024-04-02

公开（公告）号：CN113780434B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/776;G06V10/774;G06V10/82;G06N3/0464;G06N3/0455;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.12.28#实质审查的生效;2021.12.10#公开

摘要：本发明公开了一种基于深度学习的太阳能电池组件缺陷EL检测方法，该方法包括以下步骤：通过实际工业现场对OCD相机所获取的太阳能电池片EL图进行收集、汇编及整理后构建太阳能电池片图像数据库，分为训练集、验证集及测试集；设计网络结构及相应参数，将多特征图在通道上拼接并融合注意力机制，并引入Ghost卷积层取代常规卷积层，同时采用常规卷积替代池化层完成下采样；将对训练集训练好的模型权重引入到测试集中测试；通过Grad‑CAM加载训练好的权重以实现太阳能电池片的缺陷检测与定位。本发明使用微型卷积神经网络与Grad‑CAM相结合的太阳能电池缺陷检测技术，与现有方法相比无需图像预处理等便可实现端到端的检测，准确而高效的对太阳能电池缺陷检测。

主权项：1.一种基于深度学习的太阳能电池组件缺陷EL检测方法，其特征在于，包括以下步骤：S1、通过实际工业现场对OCD相机所获取的太阳能电池片EL图进行收集、汇编及整理后构建太阳能电池片图像数据库，分为训练集、验证集及测试集；S2、设计网络结构及相应参数，将多特征图在通道上拼接并融合注意力机制，并引入Ghost卷积层取代常规卷积层，同时采用常规卷积替代池化层完成下采样；S3、将对训练集训练好的模型权重引入到测试集中测试；S4、通过Grad-CAM加载训练好的权重以实现太阳能电池片的缺陷检测与定位；所述步骤S2中的设计网络结构包括通道注意力机制设计、Ghost卷积层设计和网络模型整体设计；所述Ghost卷积层设计包括：输入图像定义为其中c是通道数，h和w分别是高和宽，则生成的特征图定义为Y，如下式所示： 表示卷积运算，b是偏置，n通道的输出为是卷积核，其中h'和w'是输出图像的高和宽，卷积核f尺寸为k，则m个本征映射图由常规卷积生成是如下式： 其中为卷积核，偏置项可忽略，由公式对本征特征图进行简单线性运算后生成s个重影特征： 上式中Y'第p个本征特征图是y'p，第p个本征特征图经过简单线性运算后生成的第q个重影特征图表示为ypq；M-CNN网络模型整体设计；网络结构模型含有多特征拼接层，Convolution1、Convolution2、Convolution3、Convolution4四个集成卷积层及2个全连接层Lp1和Lp2，多特征拼接层包含三个并联支路，第一支路首先采用1×1卷积核通道升维为32，然后对其进行3×3卷积运算，卷积方式为“SAME”，经过通道注意力机制，输出特征图尺寸为160×160；第二支路对输入采用1×1卷积核通道升维到32，输出特征图尺寸为160×160；第三支路首先对原图3×3区域取均值并保证输出特征图尺寸不变，然后使用1×1卷积核通道升维为32后送入；将多特征拼接层中三个支路所得特征图进行通道融合，送入下一层；Ghost1首先使用48个卷积核得到48个本征特征图，然后将得到的特征图简单变换后与本征特征图通道融合，经过通道注意力机制后使用步长为2的3×3卷积核下采样后经过Convolution2、Convolution3、Convolution4，最后输入到全连接层Lp1，Lp2；

全文数据：

权利要求：

百度查询： 辽宁工程技术大学 一种基于深度学习的太阳能电池组件缺陷EL检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD