基于RPCA的太阳能电池片表面缺陷检测_姚明海

合集下载

太阳能电池的缺陷检测技术专利分析

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。

基于机器视觉的太阳能电池片外观缺陷检测

引言
随着国内外对清洁能源需求的增加以及各国政府对
因此采用几何定位方式。
１太阳能电池片表面缺陷检测系统设计
系统硬件方面由３部分构成：处理芯片
清洁能源补助的提高，光伏组件的需求也在快速增长。为保证产能及组件品质的可靠性，高精度、高速太阳能电池
片的全自动焊机成为光伏企业的首选。目前这些设备大多依赖进口，然而进口设备高昂的价格很大程度上增加了太阳能发电的成本，急需研制出高水平的太阳能电池片焊接设备来满足市场的需求。电池片焊接设备的精度、速度与电池片的完整性相关。传统的检测方法精度低、速度慢，而且部分还需依赖人工操作，不能满足市场要求，而基于机器视觉的检测方法能有效地解决这些问题。机器视觉技术与人类通过眼睛获取信息的方式是一
ＳｏｎｇＹｕｑｉｎ，ＬｉｕＫａｉｋａｉ
（ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎ，ＸｉａｎＰｏｌｙｔｅｃｈｎｉｃＵｎｉｖｅｒｓｉｔｙ，Ｘｉａｎ７１００４８，Ｃｈｉｎａ）

基于深度主动学习的磁片表面缺陷检测

收稿日期：２０１８０１１７；修回日期：２０１８０３１２。基金项目：浙江省自然科学基金项目（ＬＺ１４Ｆ０３０００１）。作者简介：姚明海（１９６３），男，浙江嘉善人，教授，博士生导师，主要从事模式识别、图像识别方向的研究。
关键词：卷积神经网络；主动学习；缺陷检测
犇犲犲狆犃犮狋犻狏犲犔犲犪狉狀犻狀犵犻狀犇犲狋犲犮狋犻狅狀狅犳犛狌狉犳犪犮犲犇犲犳犲犮狋狊狅狀犕犪犵狀犲狋犻犮犛犺犲犲狋
ＹａｏＭｉｎｇｈａｉ，ＣｈｅｎＺｈｉｈａｏ
（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｎｇｚｈｏｕ３１００２３，Ｃｈｉｎａ）犃犫狊狋狉犪犮狋：Ｔｈｅｄｅｔｅｃｔｉｏｎｏｆｔｈｅｓｕｒｆａｃｅｄｅｆｅｃｔｓｏｎｍａｇｎｅｔｉｃｓｈｅｅｔｈａｓｐｌａｙｅｄａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｔｈｅｐｒｏｄｕｃｔｉｏｎｅｆｆｉｃｉｅｎｃｙａｎｄｔｈｅｃｏｓｔｏｆｐｒｏｄｕｃｔｉｏｎｉｎｔｈｅｐｒｏｄｕｃｔｉｏｎｌｉｎｅｏｆｔｈｅｍａｇｎｅｔｉｃｓｈｅｅｔｆａｃｔｏｒｙ．Ａｖａｒｉｅｔｙｏｆｍａｃｈｉｎｅｖｉｓｉｏｎｍｅｔｈｏｄｓｈａｓｂｅｅｎａｐｐｌｉｅｄ，ｔｈｅｙａｒｅｔａｋｅｎｔｏｅｘｔｒａｃｔｆｅａｔｕｒｅｓｏｆａｒｔｉｆｉｃｉａｌｄｅｆｅｃｔｓ，ｂｕｔｂｅｃａｕｓｅｔｈｅｄｉｓｋｓｕｒｆａｃｅｈａｓｌｏｗｃｏｎｔｒａｓｔ，ｗｅａｒｔｅｘｔｕｒｅｉｎｔｅｒｆｅｒｅｎｃｅａｎｄｓｍａｌｌｃｈａｎｇｅｓｉｎｔｈｅｂｒｉｇｈｔｎｅｓｓａｎｄｏｔｈｅｒｄｉｆｆｉｃｕｌｔｉｅｓ，ｔｈｅｙｌｅａｄｔｏｌｅｓｓａｃｃｕｒａｃｙａｎｄｖｅｒｓａｔｉｌｉｔｙ；ｉｎａｄｄｉｔｉｏｎ，ｉｔ’ｓｅａｓｙｔｏｏｂｔａｉｎｔｈｅｈｕｇｅｄａｔａｉｎｔｈｅａｃｔｕａｌｐｒｏｄｕｃｔｉｏｎ，ｂｕｔｍａｎｕａｌａｎｎｏｔａｔｉｏｎｈａｓｔｈｅｈｉｇｈｃｏｓｔ；ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅａｄｅｅｐａｃｔｉｖｅｌｅａｒｎｉｎｇｍｅｔｈｏｄｏｆｄｉｓｋｓｕｒｆａｃｅｄｅｆｅｃｔｔｏｓｏｌｖｅｔｈｅａｂｏｖｅｔｗｏｐｒｏｂｌｅｍｓ；ｆｉｒｓｔｌｙ，ｔｈｅｔｅｍｐｌａｔｅｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｗｉｔｈｅｄｇｅｄｅｔｅｃｔｉｏｎｗｉｌｌｓｅｇｍｅｎｔｔｈｅｄｉｓｋｆｏｒｅｇｒｏｕｎｄａｎｄｂａｃｋｇｒｏｕｎｄ；ｓｅｃｏｎｄｌｙ，ｔｈｅｓａｍｐｌｅｓａｒｅｔｒａｉｎｅｄｕｓｉｎｇＩｎｃｅｐｔｉｏｎ－Ｒｅｓｎｅｔ－ｖ２ｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋ，ｃｏｍｐｌｅｔｉｎｇｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｄｅｆｅｃｔｉｍａｇｅ；ｆｉｎａｌｌｙ，ｉｎｔｈｅｄｅｅｐｌｅａｒｎｉｎｇｐｒｏｃｅｓｓ，ｐｒｏｐｏｓｅｓａｎａｃｔｉｖｅｌｅａｒｎｉｎｇｍｅｔｈｏｄｔｏｏｖｅｒｃｏｍｅｔｈｅｌａｒｇｅｄａｔａｓｅｔｂｕｔｔｈｅａｎｎｏｔａｔｉｏｎｃｏｓｔｈｉｇｈ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｄｅｔｅｃｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｏｆｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｒｅａｃｈｅｓ９６．７％ａｎｄｃａｎｓａｖｅｕｐｔｏ２５％ｏｆｔｈｅｃｏｓｔｏｆｈｕｍａｎａｎｎｏｔａｔｉｏｎ．犓犲狔狑狅狉犱狊：ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ；ａｃｔｉｖｅｌｅａｒｎｉｎｇ；ｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎ

太阳能电池板表面缺陷检测关键技术

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。

基于深度学习的太阳能电池片表面缺陷检测方法分析

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。

一种改进Faster R-CNN的太阳能电池片表面缺陷检测方法[发明专利]

(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

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

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。

一种太阳能电池片表面缺陷检测系统[实用新型专利]

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

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。

太阳能电池片表面缺陷检测方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910471773.0(22)申请日 2019.05.31(71)申请人湖北工业大学地址 430068 湖北省武汉市洪山区李纸路(72)发明人王娟　蔡霖康　张鹏飞　宋薇薇　周聪　石豪　刘敏　王晓光　曾春艳　朱莉　孔祥斌　(74)专利代理机构北京科家知识产权代理事务所(普通合伙) 11427代理人陈娟(51)Int.Cl.G06T 7/00(2017.01)G01N 21/88(2006.01)H02S 50/10(2014.01)(54)发明名称太阳能电池片表面缺陷检测方法(57)摘要本发明公开了一种太阳能电池片表面缺陷检测方法，图片进行归一化处理，得到太阳能电池表面图像的二值图；基于卷积神经网络结构建立深度学习模型；构成深度置信网络；通过深度学习模型训练深度置信网络；通过误差反向传播算法调整深度置信网络；选取深度置信网络的学习速率、迭代次数和权重；将训练好的深度置信网络对测试集的二值图进行太阳能电池片表面缺陷检测，深度置信网络输出检测结果。

本发明通过将特征提取和图像处理合二为一，缩短缺陷检测时间，并且能够快速适应训练的环境和位置的变化，满足生产需求，节约经济成本，同时深度置信网络与误差反向传播算法相结合完成特征提取与图像处理为之后的图像缺陷检测提供事实依据。

权利要求书1页说明书5页附图4页CN 110349120 A 2019.10.18C N 110349120A1.一种太阳能电池片表面缺陷检测方法，应用于太阳能电池片表面检测，其特征在于,所述太阳能电池片表面缺陷检测方法步骤如下：S1：对训练集图片进行归一化处理，将训练集中为太阳能电池表面的图像进行压缩处理，压缩处理后的图像再次进行归一化处理，得到太阳能电池表面图像的二值图；S2：基于卷积神经网络结构建立深度学习模型；S3：应用步骤S1中得到的二值图，将检测二值图需要的多个受限波尔兹曼机依次相连，以构成深度置信网络；S4：应用步骤S3中得到的深度置信网络，通过误差反向传播算法调整深度置信网络；S5：应用步骤S4中得到的深度置信网络，通过深度学习模型训练深度置信网络；S6：应用步骤S5中得到的深度置信网络，选取深度置信网络的学习速率、迭代次数和权重；S7：应用步骤S6中得到的深度置信网络，将训练好的深度置信网络对测试集的二值图进行太阳能电池片表面缺陷检测，深度置信网络输出检测结果。

基于深度学习的太阳能电池片表面缺陷检测方法

基于深度学习的太阳能电池片表面缺陷检测方法王宪保;李洁;姚明海;何文秀;钱沄涛【期刊名称】《模式识别与人工智能》【年(卷),期】2014(000)006【摘要】目前对太阳能电池片的缺陷检测仍依赖人工完成，很难通过传统的 CCD 成像系统自动识别。

作为一种多层神经网络学习算法，深度学习因对输入样本数据强大的特征提取能力而受到广泛关注。

文中提出一种基于深度学习的太阳能电池片表面缺陷检测方法，该方法首先根据样本特征建立深度置信网络(DBN)，并训练获取网络的初始权值；然后通过 BP 算法微调网络参数，取得训练样本到无缺陷模板之间的映射关系；最后利用重构图像与缺陷图像之间的对比关系，实现测试样本的缺陷检测。

实验表明 DBN 能较好地建立上述映射关系，且准确、快速地进行缺陷检测。

%Defects of solar cells are detected mainly by manual operation, and they are difficult to be detected automatically by traditional charge-coupled device ( CCD) imaging system. As a training multi-layer neural network, deep learning draws great attention due to its strong ability to extract features from input sample data. A method for solar cells surface defects detection based on deep learning is proposed. Firstly, deep belief networks(DBN) are established and trained according to the sample features to obtain the initial weights of the networks. Then, the traditional BP algorithm is conducted to fine-tune the network parameters to get the mapping relationship between the training samples and the defect-free template. Finally, the defects of testing samples are detected by thecontrast between the reconstruction image and the defect image. Experimental results show that DBN perfectly establishes themapping relationship, and it can quickly detect defects with a high accuracy.【总页数】7页(P517-523)【作者】王宪保;李洁;姚明海;何文秀;钱沄涛【作者单位】浙江工业大学信息工程学院杭州 310023; 浙江大学计算机科学与技术学院杭州 310027;浙江工业大学信息工程学院杭州 310023;浙江工业大学信息工程学院杭州 310023;浙江工业大学信息工程学院杭州 310023;浙江大学计算机科学与技术学院杭州 310027【正文语种】中文【中图分类】TP391【相关文献】1.基于机器视觉的太阳能电池片表面缺陷检测研究现状及展望 [J], 钱晓亮;张鹤庆;陈永信;曾黎;刁智华;刘玉翠;杨存祥2.基于深度学习的太阳能电池片表面缺陷检测方法分析 [J], 吕喜臣;张敏3.基于太阳能电池片表面缺陷与产线优化研究 [J], 陆小春;张从飞4.基于太阳能电池片表面缺陷与产线优化研究 [J], 陆小春;张从飞5.基于视觉显著性的太阳能电池片表面缺陷检测 [J], 钱晓亮;张鹤庆;张焕龙;贺振东;杨存祥因版权原因，仅展示原文概要，查看原文内容请购买。

基于RPCA的太阳能电池片表面缺陷检测

基于RPCA的太阳能电池片表面缺陷检测姚明海;李洁;王宪保【期刊名称】《计算机学报》【年(卷),期】2013(036)009【摘要】目前太阳能电池片生产过程中的缺陷检测主要由人工完成,费时费力,容易受主观因素的影响.文中提出了一种基于RPCA(Robust Principal Component Analysis,RPCA)的太阳能电池片表面缺陷检测方法.该方法对图像矩阵进行变换,使之分解成无缺陷的低秩矩阵图像和有缺陷的稀疏矩阵图像.通过凸优化的方法,分别最小化上述两个矩阵的核范数和1范数,从而使矩阵得以有效快速地分解.同时,文中分别对优化的两种算法:加速逼近梯度(Accelerated Proximal Gradient,APG)法和非精确增广拉格朗日乘子(Inexact Augmented Lagrange Multiplier,IALM)法,在太阳能电池片缺陷检测的计算时间和迭代次数方面进行了比较.最后通过大量实验,证明了上述方法在检测太阳能电池片表面缺陷的可行性和有效性.【总页数】10页(P1943-1952)【作者】姚明海;李洁;王宪保【作者单位】浙江工业大学信息工程学院杭州 310023;浙江工业大学信息工程学院杭州 310023;浙江工业大学信息工程学院杭州 310023【正文语种】中文【中图分类】TP391【相关文献】1.基于机器视觉的太阳能电池片表面缺陷检测研究现状及展望 [J], 钱晓亮;张鹤庆;陈永信;曾黎;刁智华;刘玉翠;杨存祥2.基于深度学习的太阳能电池片表面缺陷检测方法 [J], 王宪保;李洁;姚明海;何文秀;钱沄涛3.基于深度学习的太阳能电池片表面缺陷检测方法分析 [J], 吕喜臣;张敏4.基于RPCA的铝管表面缺陷检测 [J], 樊浩然5.基于视觉显著性的太阳能电池片表面缺陷检测 [J], 钱晓亮;张鹤庆;张焕龙;贺振东;杨存祥因版权原因，仅展示原文概要，查看原文内容请购买。

局部和全局特征融合的太阳能电池片表面缺陷检测

局部和全局特征融合的太阳能电池片表面缺陷检测陶志勇;何燕;林森;易廷军;张尧晟【期刊名称】《光电工程》【年(卷),期】2024(51)1【摘要】太阳能电池片表面缺陷具有类内差异大、类间差异小和背景特征复杂等特点,因此,要实现高精度的太阳能电池片表面缺陷自动检测是一项富有挑战性的任务。

针对此问题,该文提出融合局部和全局特征的卷积视觉Transformer网络(CViT-Net),首先采用Ghost聚焦(G-C2F)模块提取电池片缺陷局部特征;然后引进坐标注意力强调缺陷特征并抑制背景特征;最后构建Ghost视觉(G-ViT)模块融合电池片缺陷局部特征和全局特征。

同时,针对不同检测精度和模型参数量,分别提供了CViT-Net-S和CViT-Net-L两种网络结构。

实验结果表明,与经典MobileVit、MobileNetV3和GhostNet轻量级网络相比,CViT-Net-S对电池片分类准确率分别提升了1.4%、2.3%和1.3%,对电池片检测mAP50分别提升了2.7%、0.3%和0.8%;与ResNet50、RegNet网络相比,CViT-Net-L分类准确率分别提升了0.72%和0.7%,检测mAP50分别提升了3.9%、1.3%;与先进YOLOv6、YOLOv7和YOLOv8检测网络相比,作为骨干网络的CViT-Net-S、CViT-Net-L结构在mAP和mAP50指标上仍保持良好检测效果。

结果证明本文算法在太阳能电池片表面缺陷检测领域具有应用价值。

【总页数】14页(P86-99)【作者】陶志勇;何燕;林森;易廷军;张尧晟【作者单位】辽宁工程技术大学电子与信息工程学院;沈阳理工大学自动化与电气工程学院【正文语种】中文【中图分类】TP391.4;TP274【相关文献】1.融合全局时序和局部空间特征的伪造人脸视频检测方法2.基于局部和全局特征融合的显著性检测3.局部与全局双重特征融合的自然场景文本检测4.融合全局—局部特征的多粒度关系检测模型因版权原因，仅展示原文概要，查看原文内容请购买。

基于机器视觉的太阳能电池片表面缺陷检测研究现状及展望

基于机器视觉的太阳能电池片表面缺陷检测研究现状及展望钱晓亮;张鹤庆;陈永信;曾黎;刁智华;刘玉翠;杨存祥【期刊名称】《北京工业大学学报》【年(卷),期】2017(043)001【摘要】鉴于基于机器视觉的太阳能电池片表面缺陷检测方法具有操作简便、检测精度高的优势，对此类方法所涉及的各个环节进行了综述。

首先，对太阳能电池片表面的各种成像方式和常见缺陷类型进行了归纳总结；其次，对现有的检测方法按照数学建模思路的不同进行了分类介绍和对比分析；最后，对内容进行了小结并对太阳能电池片表面缺陷检测方法的后续研究进行了展望。

可以看出：基于机器视觉的太阳能电池片表面缺陷检测方法已经取得了较大的发展，但在特征提取算法设计方面仍有改进空间，如基于深度神经网络的特征提取算法。

【总页数】10页(P76-85)【作者】钱晓亮;张鹤庆;陈永信;曾黎;刁智华;刘玉翠;杨存祥【作者单位】郑州轻工业学院电气信息工程学院，郑州 450002;郑州轻工业学院电气信息工程学院，郑州 450002;许继集团有限公司，河南许昌 461000;郑州轻工业学院电气信息工程学院，郑州 450002;郑州轻工业学院电气信息工程学院，郑州 450002;郑州轻工业学院电气信息工程学院，郑州 450002;郑州轻工业学院电气信息工程学院，郑州 450002【正文语种】中文【中图分类】TP391.4【相关文献】1.基于机器视觉的微小零件表面缺陷检测研究 [J], 王东;黎万义;孙佳;郝高明;王鹏2.基于机器视觉的半导体表面缺陷检测研究 [J], 董先飞;韩震宇;廖声洋;仪向向3.基于机器视觉的裸片表面缺陷r在线检测研究 [J], 林佳;王海明;郭强生;刘晓斌;周丹4.基于机器视觉的塑料制品表面缺陷检测研究 [J], 孙琴;肖书浩;刘誉涵;陈齐山5.基于机器视觉的表面缺陷检测研究综述 [J], 张涛;刘玉婷;杨亚宁;王鑫;金映谷因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

（）ＣｏｌｌｅｅｏＩｎｏｒｍａｔｉｏｎＥｎｉｎｅｅｒｉｎＺｈｅｉａｎＵｎｉｖｅｒｓｉｔｏＴｅｃｈｎｏｌｏａｎｚｈｏｕ３１００２３ｇｆｆｇｇ，ｊｇｙｆｇｙ，Ｈｇ
第３６卷第９期２０１３年９月
计算机学报ＣＨＩＮＥＳＥＪＯＵＲＮＡＬＯＦＣＯＭＰＵＴＥＲＳ
Ｖｏｌ．３６Ｎｏ．９Ｓｅｔ．２０１３ｐ
基于ＲＰＣＡ的太阳能电池片表面缺陷检测
１９４４
计算机学报
２０１３年
１］而受到多数生产厂商的青睐［然而太阳能电池片．
诊断太阳能电池片的电致发光图像的温度差来检测这主要利用了内在缺陷对温度更敏感缺陷的方法，的特性．在文献［中，蔡笃铭等人提出了基于傅立１］叶重构技术的一种自我参照法来实现太阳能电池片图像重构过程通过设置线型或条状缺缺陷的检测．陷附近的频率成分为零，然后反变换，把光谱图像转，化为空间图像（也就是重构出的图像）来去除可能存在的缺陷．缺陷区域可以很容易地通过评估原始图像和其重构图像的灰度值差异来识别．本文提出了基于ＲＰＣＡ检测太阳能电池片缺陷的技术，它使得待检测的原图像矩阵有效地分解分别表现为无缺成低秩矩阵图像和稀疏矩阵图像，陷的背景图像和缺陷图像．这样，背景图像和缺陷图从而仅仅通过检测像就可以很容易地被分离出来，缺陷图像就可以识别出有无缺陷的存在．本文第１节是对当今太阳能电池片的缺陷的几第２节是对Ｒ种技术方法的简介；ＰＣＡ的原理叙；述第３节是具体介绍Ａ第４节ＰＧ法和ＩＡＬＭ法；利用Ｒ给ＰＣＡ对太阳能电池片表面缺陷进行检测，出了实验结果，并对ＡＰＧ法和ＩＡＬＭ法做出了比较，还将其与常用缺陷检测方法进行比较；第５节是总结与展望．
．
然而，由于太阳能电池片表面有密集的平行栅而缺陷又具有细微性和隐秘性的特点，这使线分布，得自动视觉检测技术较难检测到缺陷的存在．常见的缺陷检测方法包括染色检测、涡流探伤检测、超声辐射热成像检测、扫描式声波检测、光致波检测、发光图像和电致发光图像检测、共振超声振动检测等
，，ｏｗｅｒｒｅｓｅｎｔＡｂｓｔｒａｃｔｏｌａｒｓｓｔｅｍｍａｉｎｌｃｏｎｓｉｓｔｓｏｆｓｏｌａｒｃｅｌｌｓｈｏｗｅｖｅｒａｔｄｅｆｅｃｔｓｏｆｓｏｌａｒＳｐｐｙｙ，ｃｅｌｌｓａｒｅｄｅｔｅｃｔｅｄｍａｉｎｌｂｍａｎｕａｌｏｅｒａｔｉｏｎｗｈｉｃｈｉｓｔｉｍｅｃｏｎｓｕｍｉｎａｎｄｎｅｅｄｓｈｉｈｌａｂｏｒ－ｙｙｐｇｇ，，ｂｅｓｉｄｅｓｉｔｉｓｅａｓｔｏｂｅｍｉｓｌｅｄｂｓｕｂｅｃｔｉｖｅｆａｃｔｏｒｓ．ＴｈｉｓａｍｅｔｈｏｄｏｆｃｏｓｔｓａｅｒｒｏｏｓｅｓｙｙｊｐｐｐｐｄｅｔｅｃｔｉｏｎｏｆｓｏｌａｒｃｅｌｌｓｓｕｒｆａｃｅｄｅｆｅｃｔｓｂａｓｅｄｏｎＲｏｂｕｓｔＰＣＡ．Ｏｕｒｍｅｔｈｏｄｔｒｉｅｓｔｏｔｒａｎｓｆｏｒｍｔｈｅ，ｉｍａｅｍａｔｒｉｘｓｏｔｈａｔｉｔｃａｎｂｅｄｅｃｏｍｏｓｅｄａｓｔｈｅｓｕｍｏｆａｌｏｗｒａｎｋｍａｔｒｉｘｏｆｄｅｆｅｃｔｆｒｅｅｉｍａｅ－－ｇｐｇａｎｄａｓａｒｓｅｍａｔｒｉｘｏｆｄｅｆｅｃｔｉｖｅｉｍａｅ．Ｗｅｍｉｎｉｍｉｚｅｔｈｅｎｕｃｌｅａｒｎｏｒｍａｎｄ１ｎｏｒｍｏｆｔｈｅｔｗｏ－ｐｇ，ｍａｔｒｉｃｅｓｔｈｒｏｕｈｃｏｎｖｅｘｏｔｉｍｉｚａｔｉｏｎｓｏｔｈａｔｔｈｅｄｅｃｏｍｏｓｉｔｉｏｎｏｆｔｈｅｍａｔｒｉｘｃａｎｃｏｍｏｎｅｎｔｇｐｐｐ，ｗｉｍｌｅｍｅｎｔｅｆｆｉ ቤተ መጻሕፍቲ ባይዱ ｉｅｎｔｌａｎｄｆａｓｔ．ＭｅａｎｔｉｍｅｅｄｉｓｃｕｓｓｔｗｏａｌｏｒｉｔｈｍｓｏｆＡｃｃｅｌｅｒａｔｅｄＰｒｏｘｉｍａｌｐｙｇＧｒａｄｉｅｎｔ（ＡＰＧ）ａｎｄＩｎｅｘａｃｔＡｕｍｅｎｔｅｄＬａｒａｎｅＭｕｌｔｉｌｉｅｒ（ＩＡＬＭ）ｆｏｒｓｏｌｖｉｎｔｈｉｓｏｔｉｍｉｚａ－ｇｇｇｐｇｐｒｏｂｌｅｍ，ｔｉｏｎａｎｄｃｏｍａｒｅｔｈｅｉｒｃｏｍｕｔｉｎｔｉｍｅａｎｄｃｏｎｖｅｒｅｎｃｅｉｎｔｈｅｄｅｔｅｃｔｉｏｎｏｆｓｏｌａｒｃｅｌｌｓｐｐｐｇｇｒｏｏｓｅｄｓｕｒｆａｃｅｄｅｆｅｃｔｓ．Ｗｅｖｅｒｉｆｔｈｅｆｅａｓｉｂｉｌｉｔａｎｄｖａｌｉｄｉｔｏｆｔｈｅｍｅｔｈｏｄｏｎｄｅｔｅｃｔｉｏｎｏｆｓｏｌａｒｙｙｙｐｐｓｕｒｆａｃｅｄｅｆｅｃｔｓｗｉｔｈｅｘｔｅｎｓｉｖｅｅｘｅｒｉｍｅｎｔｓ．ｃｅｌｌｓｐ；；；ｒｉｎｃｉａｌｒｏｘｉｍａｌｒａｄｉｅｎｔＫｅｗｏｒｄｓｏｂｕｓｔｃｏｍｏｎｅｎｔａｎａｌｓｉｓｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎａｃｃｅｌｅｒａｔｅｄｒｐｐｐｇｐｙｙｉｎｅｘａｃｔａｕｍｅｎｔｅｄＬａｒａｎｅｍｕｌｔｉｌｉｅｒｇｇｇｐ短缺问题，太阳能电池片的需求增加显著．日本福岛
姚明海李洁王宪保
（）浙江工业大学信息工程学院杭州３１００２３
摘要目前太阳能电池片生产过程中的缺陷检测主要由人工完成，费时费力，容易受主观因素的影响．文中提出，了一种基于Ｒ的太阳能电池片表面缺陷检测方法．该方法对图ＰＣＡ（ＲｏｂｕｓｔＰｒｉｎｃｉａｌＣｏｍｏｎｅｎｔＡｎａｌｓｉｓＲＰＣＡ）ｐｐｙ像矩阵进行变换，使之分解成无缺陷的低秩矩阵图像和有缺陷的稀疏矩阵图像．通过凸优化的方法，分别最小化上述两个矩阵的核范数和１范数，从而使矩阵得以有效快速地分解．同时，文中分别对优化的两种算法：加速逼近梯，，度（法和非精确增广拉格朗日乘子（ＡｃｃｅｌｅｒａｔｅｄＰｒｏｘｉｍａｌＧｒａｄｉｅｎｔＡＰＧ）ＩｎｅｘａｃｔＡｕｍｅｎｔｅｄＬａｒａｎｅＭｕｌｔｉｌｉｅｒｇｇｇｐ法，在太阳能电池片缺陷检测的计算时间和迭代次数方面进行了比较．最后通过大量实验，证明了上述方法ＩＡＬＭ）在检测太阳能电池片表面缺陷的可行性和有效性．关键词Ｒ缺陷检测；ＰＣＡ；ＡＰＧ法；ＩＡＬＭ法／中图法分类号ＴＰ３９１ＤＯＩ号１０．３７２４ＳＰ．Ｊ．１０１６．２０１３．０１９４３
在制造的缺陷将严重降低其转换效率和可用寿命，过程中，这些缺陷的检测就显得尤为重要．太阳能电缺角等，将造成池片在生产工艺中的缺陷包括裂缝、生产量的减少和高昂的回收成本；除此，这些缺陷还会造成太阳能电池片和太阳能模块在后续使用中的电气故障
［２］
１引言
近年来，由于日益严重的环境问题和全球石油
核危机之后，这种需求甚至可能被继续推动．太阳能电池片将太阳光子转换成电能，由于其具有较低的制造成本和很好的转换效率、可用寿命，材料成本、
；收稿日期：最终修改稿收到日期：本课题得到国家自然科学基金（资助．姚明海，男，博士，２０１２１２１８２０１３０５０７．６１０７０１１３）１９６３年生，－－－－：教授，博士生导师，主要研究领域为模式识别、智能控制、嵌入式系统和无线传感器网络．李洁，女，Ｅ－ｍａｉｌｍｈ＠ｚｕｔ．ｅｄｕ．ｃｎ．１９８８年ｙｊ生，硕士研究生，主要研究方向为模式识别、图像处理和图像理解、识别．王宪保，男，博士，讲师，主要研究方向为模式识别、神１９７７年生，经网络、图像处理及其在智能监控中的应用．