基于RPCA的太阳能电池片表面缺陷检测_姚明海

太阳能电池的缺陷检测技术专利分析摘要：太阳能电池片具有环保、可持续等优点，已经被广泛运用在各个领域，而电池片的缺陷直接影响着太阳能电池的工作性能，本文对涉及太阳能电池的缺陷检测技术进行了全面检索，并主要得到了基于机器视觉、光致发光原理和激光扫描的三种方法的检测技术，并对三种检测技术进行了介绍，并得到了相关的重要专利。

关键词：太阳能电池；缺陷检测；专利分析引言太阳能电池的主要材料一直以来都是以硅为主，硅的质量优劣直接决定了太阳能电池板的工作性能，进而影响了光伏发电的效率，太阳能电池板的主要材料一直以来都是以硅为主，硅的质量优劣直接决定了太阳能电池板的工作性能，进而影响了光伏发电的效率，在投入市场前，对电池板的缺陷检查成了一项必不可少的环节。

太阳能电池的常见缺陷如下，包括断栅、划痕和破损[1]。

目前太阳能电池的缺陷检测技术主要包括基于机器视觉、激光扫描和光致发光原理。

1基于机器视觉的太阳能电池的缺陷检测技术随着现代化水平的不断提升，自动化技术飞速发展，目前出现了一系列的基于机器视觉的太阳能电池板缺陷检测技术，利用相机代替人眼，与上位机有效结合，具有准确、高效、可靠等优势，相机采集太阳能电池板的图像信息，传输到上位机，对采集到的图像进行分析，判断电池板是否存在缺陷[2]。

该种方法可有效应用于大规模生产电池板的企业，智能化程度高、产品检测具有一致性，可实现太阳能电池板缺陷的自动检测。

基于机器视觉的太阳能电池检测技术的申请人分布如下图所示：公司申请占了一半以上，另外，校企合作的申请也在增多，说明在这方面，高校的研究成果转为应用的较多。

具体参见附图1-1。

图1-1基于机器视觉的太阳能检测技术申请人分布高校和研究所的申请主要在于图像处理算法方面，如河海大学常州校区的专利申请（CN103258206 A 20130821）提出了一种硅太阳能电池表面缺陷检测和识别方法，其获取独立变量分析（ICA）重构分离矩阵和独立分量；获取待检太阳能组件图像重构图像；检测重构图像是否存在缺陷，定位并分割缺陷太阳能片；获取待检太阳能电池片表面图像多元小波纹理特征并检测统计单元内是否含有缺陷；提取待分类缺陷太阳能电池片图像独立分量基元（ICA）纹理特征；训练支持向量机模型；分类识别待分类缺陷太阳能电池片图像组合纹理特征，算法较为复杂。

太阳能电池板表面缺陷检测关键技术目前，“表面缺陷检测”还没有一个科学的标准定义。

从字面本意上理解，表面缺陷检测是针对物体表面局部物理、化学性质不均匀区域或产品完整性的检查与测量技术。

因此，可认为表面缺陷检测技术就是针对产品表面的样貌、形态、性能相关的检测与对比。

表面缺陷检测作为一门实用的技术，己经在很多领域得到了应用，比如：农产品表面缺陷检测、钢板表面缺陷检测、铝板外观缺陷检测、PVC管瑕疵缺陷检测、轴承凸面缺陷检测等。

在太阳能电池片生产领域，表面缺陷检测技术已经广泛应用到各大生产厂家。

旨在生产符合生产质量要求的工业产品，为销售、售后等一系列后续步骤提供了极大程度上的便利。

在表面缺陷检测方面，机器视觉更是有着相当广泛的应用领域，针对于太阳能电池板，机器视觉在此领域发挥着不容小觑的作用。

我们所能观察到的电池板产品都有着本身的表面，因此其表面都有可能存在同大小的缺陷，有时缺陷的存在很有可能影响到产品的质量，因此对其进行检测是势在必行的。

2.太阳能电池板表面缺陷检测技术现状2.1 太阳能电池板表面缺陷太阳能电池板表面缺陷多种多样，产生缺陷的原因也各不相同、且复杂。

而且太阳能在不同的太阳能电池片生产厂家，呈现的缺陷即使相同类型，呈现的效果也不尽相同。

如缺角、裂纹、断栅、破损、斑点、轮印（指纹）、颜色异常（边角区域）、不均匀等。

如下介绍太阳能电池板的三种缺陷类别及形成原因。

① 形状缺陷太阳能电池板形状缺陷包括：缺角、裂纹、断栅、破损等。

与标准的产品图像相比，此类含有缺陷的产品图像具有部分缺损或多余的部分，无法到达太阳能电池板的产品质量需求。

此类产品表面缺陷主要成因是操作人员在生产过程中的切割失误、碰撞产品关键部位等一系列生产流水线上出现的失误；② 纹理缺陷太阳能电池板纹理缺陷包括：斑点、轮印（指纹）等。

与标准的产品图像相比，此类含有缺陷的产品图像部分区域存在过亮或过暗区域，有相对明显的斑点状、指纹或轮印。

116研究与探索Research and Exploration ·监测与诊断中国设备工程 2019.02 (下)光伏行业的发展使其质量标准呈现出规范化及统一化的发展趋势，行业内对太阳能电池片的质量检测越来越严格，特别是太阳能电池片表面缺陷的检测。

就目前的检测技术而言，虽然机器检测的效率相对较高，但是并不适用于电池片检测，从而使得电池片缺陷检测需要采用人工检测方法，但是人工检测成本较高，而且准确率得不到保障。

因此，研究基于深度学习的太阳能电池片表面缺陷检测方法分析吕喜臣1,2，张敏3（1.黄河上游水电开发有限责任公司，青海 西宁 810008；2.西安交通大学微电子学院，陕西 西安 710049；3.青海黄河上游水电开发有限责任公司光伏产业技术分公司，青海 西宁 810008）摘要：随着太阳能、地热能等可再生能源的广泛应用，光伏行业取得了迅猛发展，光伏行业对太阳能组件的要求也越来越高。

基于此，本文以太阳能电池片作为研究对象，对其表现缺陷检测方法进行分析，首先对深度学习技术进行了简单的介绍，然后将深度学习技术作为基础，给出了一种全新的太阳能电池片表面缺陷检测方法，利用电致发光缺陷检测仪的检测原理进行检测系统的设计，实现了太阳能电池片表面缺陷准确且高效的检测。

关键词：深度学习；太阳能电池片；表面缺陷中图分类号：TP391 文献标识码：A 文章编号：1671-0711（2019）02（下）-00116-03具体的用电情况进行环境分析。

根据分布式光伏电源并网的实际应用规律，将应用环境分为以下几个方面，并依据具体环境，设定相应的线损核算策略。

（1）光伏自发自用的线损核算。

光伏电源并网过程中，用户所进行的电能使用，使用总量与发电总量相对等。

在这种情况之下，光伏电源发电并未产生多余电量，因此台区内部的供电环境中，供电总量和售电总量并未发生数据变化，因此分布式电源实际上并未能够产生对于所处台区内的缆线线损问题。

(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202210185506.9(22)申请日 2022.02.28(71)申请人 湖北工业大学地址 430068 湖北省武汉市洪山区南李路28号(72)发明人 王淑青　鲁东林　陈怡菲　鲁濠　汤璐　金浩博　张子言　朱文鑫　柯洋洋　罗平章　(74)专利代理机构 武汉科皓知识产权代理事务所(特殊普通合伙) 42222专利代理师 许莲英(51)Int.Cl.G06T 7/00(2017.01)G06K 9/62(2022.01)G06V 10/764(2022.01)(54)发明名称一种改进Faster R-CNN的太阳能电池片表面缺陷检测方法(57)摘要本发明提出了一种改进Faster R ‑CNN的太阳能电池片表面缺陷检测方法。

本发明通过工业相机对含有缺陷的太阳能电池片进行图像采集，并通过图像预处理得到每幅预处理后太阳能电池片图像，手动标记上述图像的多个缺陷位置框和缺陷类别；构建改进Faster R ‑CNN的太阳能电池片表面缺陷检测模型，将上述图像输入至该模型进行预测，得到每幅图像预测的多个缺陷位置框和缺陷类别，结合该缺陷位置框和缺陷类别构建损失函数模型，通过反向传播算法进行优化训练，得到优化后的网络模型；工业相机实时采集太阳能电池片图像，将该图像通过优化后改进Faster R ‑CNN的太阳能电池片表面缺陷检测网络模型进行预测，实现对太阳能电池片的表面缺陷检测。

本发明有检测速度快，检测精度高的优点。

权利要求书2页 说明书8页 附图2页CN 114627062 A 2022.06.14C N 114627062A1.一种改进Faster R‑CNN的太阳能电池片表面缺陷检测方法，其特征在于，包括以下步骤：步骤1：通过工业相机对含有缺陷的太阳能电池片进行图像采集得到多幅太阳能电池片图像，将每幅太阳能电池片图像依次通过图像裁剪、图像旋转、色彩增强、图像锐化得到每幅预处理后太阳能电池片图像，人工标记每幅预处理后太阳能电池片图像的多个缺陷位置框，人工标记每幅预处理后太阳能电池片图像的每个缺陷位置框的缺陷类别；步骤2：构建改进Faster R‑CNN的太阳能电池片表面缺陷检测网络模型，将每幅预处理后太阳能电池片图像输入至改进Faster R‑CNN的太阳能电池片表面缺陷检测网络模型进行预测，得到每幅预处理后太阳能电池片图像预测的多个缺陷位置框、每幅预处理后太阳能电池片图像预测每个缺陷位置框预测的缺陷类别，结合每幅预处理后太阳能电池片图像的多个缺陷位置框、每幅预处理后太阳能电池片图像的每个缺陷位置框的缺陷类别构建损失函数模型，通过反向传播算法进行优化训练，得到优化后改进Faster R‑CNN的太阳能电池片表面缺陷检测网络模型；步骤3：工业相机实时采集太阳能电池片图像，将实时采集的太阳能电池片图像通过优化后改进Faster R‑CNN的太阳能电池片表面缺陷检测网络模型进行预测，得到实时采集的太阳能电池片图像的缺陷类别；步骤2所述改进Faster R‑CNN的太阳能电池片表面缺陷检测网络模型包括：特征提取网络、特征金字塔、引导锚点框区域生成网络、感兴趣区域池化层、分类回归层；所述的特征提取网络、特征金字塔、引导锚点框区域生成网络、感兴趣区域池化层、分类回归层依次级联；所述特征提取网络，用于将训练集中每幅预处理后太阳能电池片图像经过特征提取得到训练集中每幅预处理后太阳能电池片图像的特征向量，并输出至所述特征金字塔；所述特征金字塔，将训练集中每幅预处理后太阳能电池片图像的特征向量通过特征融合处理得到训练集中每幅预处理后太阳能电池片图像的特征图，将训练集中每幅预处理后太阳能电池片图像的特征图输出至所述引导锚点框区域生成网络；所述引导锚点框区域生成网络，将训练集中每幅预处理后太阳能电池片图像的特征图根据不同的尺寸和长宽比通过网络生成每幅预处理后太阳能电池片图像的的多个候选框，并将每幅预处理后太阳能电池片图像的的多个候选框投影到每幅预处理后太阳能电池片图像的的多个候选框的特征图上，得到每幅预处理后太阳能电池片图像的的多个特征矩阵，通过二分类方法判断候选框内为前景或后景，通过坐标回归方法得到边界框中心点的坐标、宽和高，每幅预处理后太阳能电池片图像的的特征图、每幅预处理后太阳能电池片图像的的多个候选框输入到感兴趣区域池化层；所述感兴趣区域池化层，将前述每幅预处理后太阳能电池片图像的特征图通过统一缩放得到每幅预处理后太阳能电池片图像的尺寸缩放后特征图，并将每幅预处理后太阳能电池片图像的尺寸缩放后特征图输入到分类回归层；所述分类回归层，将每幅预处理后太阳能电池片图像的尺寸缩放后特征图进行展平处理，得到能够拟合全连接层的一维向量，将该向量通过多个级联的全连接层，最后由两个并联的输出分别得到每幅预处理后太阳能电池片图像的缺陷类别和每幅预处理后太阳能电池片图像的缺陷坐标，前述所得结果分别通过一个由softmax函数计算目标预测概率，另一个由bbox regressor函数计算边界框回归参数，通过目标预测概率的大小得到目标缺陷类别，通过回归参数得到缺陷边界框的位置；步骤2所述损失函数模型由分类损失函数模型、边界框回归损失函数模型构成；所述分类损失函数模型，定义为：其中，代表正负的标志位，其中为正样本时值为1，为负样本时值为0；pi为第i个锚点预测为真实标签的概率；所述边界框回归损失函数模型，定义为：其中，x、y、w、h分别为窗口中心点坐标、宽和高，ti为第i个候选框边界修正值，为一组与正样本锚点相关的真实目标框坐标；步骤2所述损失函数模型为：式中，Lcis为分类损失函数模型，Lreg为回归损失函数模型，λ为分类损失函数和边界框回归损失之间的平衡权重，pi为第i个锚点预测为真实标签的概率，代表正负样本，其中为正样本时值为1，为负样本时值为0，ti为第i个候选框的边界修正值，为一组与正样本锚点相关的真实目标框坐标，Ncls 为图片中的所有样本数量，Nreg为锚点位置的个数。

基于PSORBFNN的太阳能电池片表面质量检测随着现代人对环保和可再生能源的重视，太阳能电池的应用越来越广泛。

然而，在太阳能电池生产过程中，表面质量的控制非常重要，因为它直接影响电池的光电转换效率。

因此，太阳能电池片表面质量的检测对于保证生产质量至关重要，而基于PSORBFNN的太阳能电池片表面质量检测成为一种有效的方法。

PSORBFNN是一种基于粒子群优化的径向基函数神经网络，它具有良好的非线性拟合能力和全局优化能力。

在太阳能电池片表面质量检测中，PSORBFNN可以通过建立表面缺陷与光电转换效率之间的关系模型，快速准确地检测出电池片表面的缺陷问题。

1.采集太阳能电池片表面的图像信息。

利用CCD相机或其他成像设备，对电池片表面进行拍摄，获得高清晰度的图像信息。

2.对图像信息进行预处理。

预处理是对图像信息进行优化和去噪的重要步骤。

常用的预处理方法包括灰度处理、二值化处理、滤波处理等。

3.基于PSORBFNN建立缺陷检测模型。

将预处理后的图像信息输入PSORBFNN神经网络中进行训练，建立缺陷检测模型。

在训练过程中，需要采用粒子群优化算法对网络权值进行优化和训练。

4.进行表面缺陷检测。

基于PSORBFNN建立的缺陷检测模型，可以对电池片表面的缺陷情况进行快速准确地检测，并输出检测结果。

1.准确性高。

利用PSORBFNN建立的模型能够对电池片表面缺陷进行非常准确的检测，使得生产质量得到保证。

2.实时性强。

PSORBFNN的缺陷检测模型可以进行快速准确的识别，增加了检测效率，提高了生产效率。

3.适用性广。

PSORBFNN的方法适用于各种不同型号和规格的太阳能电池片表面缺陷检测，具有很好的通用性。

总之，基于PSORBFNN的太阳能电池片表面质量检测具有良好的检测效果和实用性，能够大大提高太阳能电池生产质量和生产效率。

基于PSORBFNN的太阳能电池片表面质量检测太阳能电池片是将太阳能光子转化为电能的装置，是当今世界上最为环保和可持续的能源之一。

太阳能电池片的表面质量对其性能有着重要的影响。

对太阳能电池片表面的质量进行检测和评估具有重要意义。

本文将介绍一种基于PSORBFNN的太阳能电池片表面质量检测方法，并探讨其在工业生产中的应用。

太阳能电池片的表面质量检测太阳能电池片的表面质量主要包括表面缺陷、污染和光学反射率等指标。

这些指标直接影响着太阳能电池片的光电转换效率和寿命。

准确快速地对太阳能电池片表面质量进行检测和评估是非常重要的。

传统的太阳能电池片表面质量检测方法主要依靠人工目视或显微镜观察，存在着检测速度慢、准确性低、成本高等缺点。

近年来，人们开始探索基于人工智能和数字图像处理技术的太阳能电池片表面质量检测方法，以提高检测效率和准确性。

PSORBFNN，全称是Particle Swarm Optimization with RBF Neural Network，是一种基于粒子群优化算法（PSO）和径向基函数神经网络（RBFNN）的智能优化算法。

PSORBFNN 结合了PSO的全局寻优能力和RBFNN的强逼近能力，在模式识别和图像处理领域取得了一定的应用成果。

PSORBFNN算法在太阳能电池片表面质量检测中的应用主要包括以下几个步骤：1. 图像获取：通过相机或显微镜等设备获取太阳能电池片表面的图像。

2. 图像预处理：对获取的图像进行去噪、增强、分割等预处理操作，以提高后续图像分析的准确性。

3. 特征提取：利用PSORBFNN算法对图像中的表面缺陷、污染和光学反射率等特征进行提取和分析，得到太阳能电池片表面质量的定量指标。

相比传统的人工目视或显微镜观察方法，基于PSORBFNN的太阳能电池片表面质量检测方法具有以下优势：1. 自动化高效：PSORBFNN算法能够自动化地对太阳能电池片表面进行快速、准确的质量检测，极大地提高了检测效率。

专利名称：一种太阳能电池片表面缺陷检测系统专利类型：实用新型专利
发明人：刘晓勇,黄天宇,刘博明
申请号：CN201621467285.0
申请日：20161229
公开号：CN206490044U
公开日：
20170912
专利内容由知识产权出版社提供
摘要：本实用新型针对现有技术中采用人工对太阳能电池片正面进行颜色分选，识别准确率低，分选速度慢的不足，提供一种太阳能电池片表面缺陷检测系统，该系统包括电池片正面缺陷检测装置，电池片正面缺陷检测装置设置在工作台上方，包括彩色相机和图像获取装置，分别用以获取电池片正面颜色图像和电池片正面缺陷图像，并传输给控制装置进行处理，实现对电池片正面的缺陷检测和颜色分选，避免由人工对电池片进行颜色分选而造成的电池片损坏，同时提高分选速度。

申请人：秦皇岛可视自动化设备有限公司
地址：066000 河北省秦皇岛市海港区和月大街2号
国籍：CN
代理机构：北京一格知识产权代理事务所(普通合伙)
代理人：赵俊宏
更多信息请下载全文后查看。

基于PSORBFNN的太阳能电池片表面质量检测
太阳能电池片是将太阳光转化为电能的设备，其中表面的质量对电池片的发电效率有着重要的影响。

对太阳能电池片表面质量的检测变得非常重要。

本文介绍了一种基于PSORBFNN算法的太阳能电池片表面质量检测方法。

PSORBFNN是一种基于粒子群优化算法（PSO）和径向基函数神经网络（RBFNN）相结合的方法。

PSO算法模拟了鸟群觅食的行为，通过不断调整参数来寻找最优解。

RBFNN是一种非线性函数逼近方法，它利用径向基函数来近似复杂的非线性映射关系。

在太阳能电池片表面质量检测中，首先需要获取电池片的图像数据。

然后，将图像数据转化为灰度图像，并进行图像增强和边缘检测等预处理操作，以提高后续算法的鲁棒性。

接下来，利用PSO算法对RBFNN网络参数进行训练。

PSO算法通过不断迭代更新粒子的速度和位置，来搜索最优解。

在本文中，PSO算法的目标函数为RBFNN网络的均方误差，即希望通过PSO算法来寻找最优的RBFNN网络参数，从而达到对太阳能电池片表面质量的准确检测。

利用训练好的PSORBFNN网络对新的太阳能电池片图像进行表面质量的检测。

将图像输入到PSORBFNN网络中，通过网络的前向传播过程可以得到对应图像的质量判断结果。

根据该结果，可以判定该太阳能电池片表面的质量好坏，并进行相应的处理和维护。

本文基于PSORBFNN算法提出了一种太阳能电池片表面质量检测的方法。

该方法通过PSO算法优化RBFNN网络参数，实现对太阳能电池片表面质量的精准检测。

该方法具有较高的准确性和鲁棒性，在实际应用中具有广泛的推广价值。