公开(公告)号：CN113780434B

公开(公告)日：2024-04-02

申请号：CN202111079638.5

申请日：2021-09-15

Applicant: 辽宁工程技术大学

Inventor： 任晓奎 ,  杜福廷 ,  陶志勇 ,  高艳东 ,  白立春

IPC: G06T7/00 ,  G06V10/776 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/082

Abstract: 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。

公开(公告)号：CN113780434A

公开(公告)日：2021-12-10

申请号：CN202111079638.5

申请日：2021-09-15

Applicant: 辽宁工程技术大学

Inventor： 任晓奎 ,  杜福廷 ,  陶志勇 ,  高艳东 ,  白立春

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 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。