本发明专利涉及太阳能电池板表面的缺陷检测领域，具体涉及一种基于深度学习的太阳能电池板缺陷检测方法。
背景技术：
太阳能作为一种清洁能源，是将太阳的光能转换成为其他形式的热能、电能，能源转换过程中不产生其他有害的气体或固体废料，是一种环保、安全、无污染的新型能源。目前，以煤，石油，天然气为代表的传统能源已日渐枯竭，所以大力发展新型能源产业是当今世界发展的必然趋势。随着全球光伏电池产业的迅猛发展，国内的太阳能电池产业规模也在不断扩大，有效的检测太阳能电池板的缺陷对光电转换效率起到了至关重要的作用，对于如何能够及时有效的在工业生产中检测出太阳能电池表面的缺陷，提升组件的使用效率和产品质量，以成为太阳能电池产业发展的一个关键所在。太阳能电池板表面断栅的缺陷会对产品质量造成一定影响，如果未能及时检出，会导致太阳能电池板的使用安全问题。
目前太阳能电池板表面的缺陷检测主要通过给电池片通正向偏置电压，使其发光，然后触发相机捕获图像，通过人工目检方式进行缺陷检测。由于检测人员主观判断标准不一，容易发生误检、漏检等问题，同时人工检测效率较低，不能满足生产线的快速检测要求。
技术实现要素：
针对现有技术中的缺陷，本申请实施例提供了一种基于深度学习的太阳能电池板缺陷检测方法。所述技术方案如下：
s101，采用图像采集设备获取被测样品的彩色图像；
s102，对所述彩色图像进行rgb颜色空间分离，获取一通道图像；
s103，采用高斯滤波对所述分离的所述彩色图像的通道图像其进行预处理：
s104，对步骤s103中处理后的图像进行roi区域划分，分离前景区域图像，以减少对图像处理所产生的影响；
s105，对图像进行分割，分离背景中的缺陷特征区域；
s106，根据太阳能电池板的缺陷的特征提取太阳能电池板有缺陷的区域；
s107，使用训练好的缺陷数据集进行预测，来对提取的缺陷进行分类。
可选地，所述步骤s105之后，还包括：增强图像的对比度，凸显图像的表面特征，增加图像缺陷特征的锐化程度。
可选地，前期准备有缺陷的训练样本，对卷积神经网络进行训练。
可选地，所述通道图像为r通道、g通道以及b通道中任一通道图像。
可选地，所述通道图像为r通道、g通道以及b通道中任意几种通道图像的叠加。
可选地，所检测的太阳能电池板的类型为单晶硅和多晶硅，栅线的类型为二至五。
可选地，所述被测样品的尺寸为：156mm*156mm，6.75mm*156.75mm.160mm*160mm。
可选地，太阳能电池板中细栅线方向有条状的黑线、色线条或区域大小不均、灰色不计入断栅。
可选地，检测操作在暗室中进行。
可选地，所述图像采集设备为分辨率不低于120w的彩色相机。
本申请实施例提供的技术方案带来的有益效果至少包括：
本发明提供的基于深度学习的太阳能电池板缺陷检测分类装置，通过机器视觉，根据捕获太阳能电池板表面有缺陷的图像，提取太阳能电池板表面的缺陷特征，使用预先训练好的缺陷样本来对提取的表面缺陷进行分类。实现自动化设备检测和缺陷分类，提高检测质量的同时，也有效提高了检测效率。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为本发明提供的基于深度学习的太阳能电池板缺陷检测方法的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
图1给出了一种基于深度学习的太阳能电池板缺陷检测分类装置的软件流程处理示意图。本发明提供的检测方法包括以下步骤：
首先获取近红外相机采集的彩色图像。
对获取的图像进行rgb颜色空间分离，并对提取的r通道图像进行处理。
对处理后的图像，进行roi区域划分，把前景区域从背景中分离出来，减少干扰部分对图像处理所产生的影响。
对roi区域划分后的图像，需要增强图像的对比度，来凸显图像的表面特征，使其比原始图像的缺陷特征更加锐化。
对增强后的图像，需要对图像进行图像分割，把缺陷的特征区域从背景中分离出来。
对分割后的图像，根据太阳能电池板的缺陷的特征，来提取太阳能电池板有缺陷的区域。
对提取的有缺陷区域样本图片，使用训练好的缺陷数据集进行预测，来对提取的缺陷进行分类。
在一个可能的实现方式中，前期需要准备大量有缺陷的样本，例如断栅，隐裂等缺陷需要准备足够的样本，使用卷积神经网络进行训练。
在一个可能的实现方式中，所涉及的颜色空间分离，提取的r通道图像对太阳能电池板表面缺陷效果最好，对如隐裂，断栅等缺陷的特征明显。
具体的，基于深度学习的太阳能电池板缺陷检测分类装置。所检测的太阳能电池板的类型为单晶和多晶硅，栅线的类型为二至五，也可以根据客户的要求来实际定制。
在一个可能的实现方式中，样品的尺寸可以为156mm*156mm，156.75mm*156.75mm，160mm*160mm三种类型。
在一个可能的实现方式中，太阳能电池板细栅线方向有条状的黑线，色线条或区域大小不均，并且灰色不计入断栅。
待检测的太阳能电池板是在暗室中，通正向偏置电压，使其发光，然后使用低噪声高速高效近红外相机进行捕获图像，相机的分辨率为140w彩色相机。在密闭的环境中进行检测可以减少外界不必要的因素对太阳能电池板的检测。
本发明提供的基于深度学习的太阳能电池板缺陷检测分类装置，通过机器视觉，根据捕获太阳能电池板表面有缺陷的图像，提取太阳能电池板表面的缺陷特征，使用预先训练好的缺陷样本来对提取的表面缺陷进行分类。实现自动化设备检测和缺陷分类，提高检测质量的同时，也有效提高了检测效率。
本文中应用了具体个例对发明构思进行了详细阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离该发明构思的前提下，所做的任何显而易见的修改、等同替换或其他改进，均应包含在本发明的保护范围之内。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性地，本申请的真正范围和精神由上述的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
1.一种基于深度学习的太阳能电池板缺陷检测方法，其特征在于，所述方法至少包括以下步骤：
s101，采用图像采集设备获取被测样品的彩色图像；
s102，对所述彩色图像进行rgb颜色空间分离，获取一通道图像；
s103，采用高斯滤波对所述分离的所述彩色图像的通道图像其进行预处理；
s104，对步骤s103中处理后的图像进行roi区域划分，分离前景区域图像，以减少对图像处理所产生的影响；
s105，对图像进行分割，分离背景中的缺陷特征区域；
s106，根据太阳能电池板的缺陷的特征提取太阳能电池板有缺陷的区域；
s107，使用训练好的缺陷数据集进行预测，来对提取的缺陷进行分类。
2.根据权利要求1所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，所述步骤s105之后，还包括：增强图像的对比度，凸显图像的表面特征，增加图像缺陷特征的锐化程度。
3.根据权利要求1所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，前期准备有缺陷的训练样本，对卷积神经网络进行训练。
4.根据权利要求1所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，所述通道图像为r通道、g通道以及b通道中任一通道图像。
5.根据权利要求1所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，所述通道图像为r通道、g通道以及b通道中任意几种通道图像的叠加。
6.根据权利要求1所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，所检测的太阳能电池板的类型为单晶硅和多晶硅，栅线的类型为二至五。
7.根据权利要求1所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，所述被测样品的尺寸为：
156mm*156mm，6.75mm*156.75mm，160mm*160mm。
8.根据权利要求1所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，太阳能电池板中细栅线方向有条状的黑线、色线条或区域大小不均、灰色不计入断栅。
9.根据权利要求1至7中任一所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，检测操作在暗室中进行。
10.根据权利要求9所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，所述图像采集设备为分辨率不低于120w的彩色相机。
技术总结