本發(fā)明涉及電池片焊接效果識別的，尤其涉及一種深度學(xué)習(xí)的光伏電池片焊接效果識別方法和系統(tǒng)。

背景技術(shù)：

1、隨著對可再生能源需求的日益增長，光伏產(chǎn)業(yè)迅速發(fā)展，光伏組件的質(zhì)量控制成為行業(yè)發(fā)展的關(guān)鍵。在光伏組件的生產(chǎn)過程中，對光伏工件的質(zhì)量檢測尤為重要，以確保其性能和可靠性。光伏組件系統(tǒng)復(fù)雜，涉及電池片、鋼化玻璃、背板、鋁合金邊框、密封組件等，在組裝完成前，還需要對電池片焊接作相應(yīng)檢測，由于焊接質(zhì)量的高低很大程度上決定了光伏組件的質(zhì)量優(yōu)劣，確保電池片與其他組件之間的連接穩(wěn)定可靠，降低接觸電阻，提高光伏電池的轉(zhuǎn)換效率和發(fā)電性能，因此，需要檢查焊接后的電池片表面是否光滑明亮、無錫珠、無毛刺、無虛焊、脫焊和過焊情況，傳統(tǒng)的光伏工件檢測方法主要依賴于人工視覺檢查，該方法存在效率低下、主觀性強(qiáng)、判斷標(biāo)準(zhǔn)難以統(tǒng)一、易疲勞等缺點(diǎn)。此外，隨著生產(chǎn)規(guī)模的擴(kuò)大和市場需求的提升，對檢測精度和速度的要求也越來越高。

2、近年來，機(jī)器視覺技術(shù)逐漸應(yīng)用于自動化檢測領(lǐng)域，以提高檢測的準(zhǔn)確性和效率。然而，現(xiàn)有技術(shù)的自動化檢測系統(tǒng)多采用傳統(tǒng)的圖像處理算法，如邊緣檢測、閾值分割等，這些方法在復(fù)雜環(huán)境下的魯棒性不足，難以應(yīng)對電池片焊接缺陷的多樣性和復(fù)雜性。同時，這些算法在特征提取和缺陷識別方面的能力有限，且難以泛化到新的缺陷類型。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供一種深度學(xué)習(xí)的光伏電池片焊接效果識別方法，目的在于提高電池片焊接缺陷檢測的自動化水平，通過深度學(xué)習(xí)技術(shù)提升識別精度和魯棒性，滿足現(xiàn)代光伏產(chǎn)業(yè)對高效、精準(zhǔn)質(zhì)量控制的需求。

2、實(shí)現(xiàn)上述目的，本發(fā)明提供的一種深度學(xué)習(xí)的光伏電池片焊接效果識別方法，包括以下步驟：

3、s1：采集焊接后的電池片表面圖像并對其進(jìn)行去噪，獲得去噪后的圖像；

4、s2：基于去噪后的圖像訓(xùn)練自編碼器網(wǎng)絡(luò)，提取去噪后的圖像的深度特征；

5、s3：構(gòu)建焊接效果識別網(wǎng)絡(luò)，將去噪后的圖像和對應(yīng)的深度特征作為焊接效果識別網(wǎng)絡(luò)的輸入，獲得焊接效果的類別概率；

6、s4：構(gòu)建加權(quán)交叉熵?fù)p失函數(shù)并使用基于動量的梯度下降方法優(yōu)化焊接效果識別網(wǎng)絡(luò)的參數(shù)，獲得訓(xùn)練完成的焊接效果識別網(wǎng)絡(luò)；

7、s5：使用訓(xùn)練完成的焊接效果識別網(wǎng)絡(luò)對待識別的焊接后的電池片表面圖像進(jìn)行檢測，獲得焊接效果識別結(jié)果。

8、作為本發(fā)明的進(jìn)一步改進(jìn)方法：

9、可選地，所述s1步驟中采集焊接后的電池片表面圖像并對其進(jìn)行去噪，獲得去噪后的圖像，包括：

10、s11：進(jìn)行灰度化：

11、將采集到的焊接后的電池片表面圖像i灰度化處理，獲得灰度化后的圖像igray，具體為：

12、lgray(m,n)＝0.299·ired(m,n)+0.587·igreen(m,n)+0.114·iblue(m,n)

13、其中，(m,n)為像素位置；igray(m,n)為灰度化后的圖像igray在(m,n)處的像素值；ired(m,n)、igreen(m,n)和iblue(m,n)分別為焊接后的電池片表面圖像i的紅通道圖像、綠通道圖像和藍(lán)通道圖像在(m,n)處的像素值；

14、s12：進(jìn)行圖像去噪：

15、使用高斯濾波去除灰度化后的圖像igray中的噪聲，具體為：

16、

17、其中，ismooth(m,n)為去噪后的圖像ismooth在(m,n)處的像素值；g(i,j)為高斯核函數(shù)，其中，(i,j)為高斯核索引，i為高斯核橫向索引，j為高斯核縱向索引，σ為高斯核的標(biāo)準(zhǔn)差；k為高斯核的半徑。

18、可選地，所述s2步驟中基于去噪后的圖像訓(xùn)練自編碼器網(wǎng)絡(luò)，提取去噪后的圖像的深度特征，包括：

19、s21：構(gòu)建自編碼器網(wǎng)絡(luò)：

20、自編碼器由一個編碼器和一個解碼器構(gòu)成，具體為：

21、z＝fencoder(ismooth)

22、

23、其中，fencoder和fdecoder分別為編碼器函數(shù)和解碼器函數(shù)；z為去噪后的圖像ismooth的低維編碼；為重構(gòu)的圖像；

24、s22：訓(xùn)練自編碼網(wǎng)絡(luò)：

25、自編碼網(wǎng)絡(luò)的訓(xùn)練以最小化重構(gòu)損失為目標(biāo)，所述重構(gòu)損失為：

26、

27、其中，lossrec為重構(gòu)損失的損失值；‖·‖2計(jì)算l2范數(shù)；

28、基于隨機(jī)梯度下降方法最小化重構(gòu)損失lossrec獲得訓(xùn)練完成的自編碼網(wǎng)絡(luò)，所述隨機(jī)梯度下降具體為：

29、

30、其中，wrec為自編碼網(wǎng)絡(luò)的權(quán)重；η為自編碼網(wǎng)絡(luò)的學(xué)習(xí)率；為重構(gòu)損失的損失值lossrec關(guān)于自編碼網(wǎng)絡(luò)的權(quán)重wrec的梯度；

31、s23：提取深度特征：

32、將去噪后的圖像輸入至訓(xùn)練完成的自編碼網(wǎng)絡(luò)，自編碼網(wǎng)絡(luò)中編碼器函數(shù)的的輸出即為去噪后的圖像的深度特征，具體為：

33、

34、其中，為訓(xùn)練完成的自編碼網(wǎng)絡(luò)中的編碼器函數(shù)；為使用獲取的去噪后的圖像ismooth的低維編碼。

35、可選地，所述s3步驟中構(gòu)建焊接效果識別網(wǎng)絡(luò)，將去噪后的圖像和對應(yīng)的深度特征作為焊接效果識別網(wǎng)絡(luò)的輸入，獲得焊接效果的類別概率，包括：

36、焊接效果識別網(wǎng)絡(luò)由稀疏掩碼生成子網(wǎng)絡(luò)、特征融合子網(wǎng)絡(luò)和識別子網(wǎng)絡(luò)構(gòu)成，具體為：

37、s31：構(gòu)建稀疏掩碼生成子網(wǎng)絡(luò)：

38、稀疏掩碼子網(wǎng)絡(luò)以去噪后的圖像的深度特征作為輸入，輸出稀疏掩碼s，具體為：

39、

40、其中，fmask為稀疏掩碼生成函數(shù)，輸出的稀疏掩碼與去噪后的圖像ismooth具有相同尺寸并且稀疏掩碼中的每一個像素值為0或1；

41、s32：構(gòu)建特征融合子網(wǎng)絡(luò)：

42、使用生成的稀疏掩碼s引導(dǎo)去噪后的圖像ismooth進(jìn)行稀疏卷積，具體為：

43、osparse＝fsparse_conv(ismooth|s)

44、其中，osparse為稀疏卷積的結(jié)果；fsparse_conv為稀疏卷積函數(shù)；fsparse_conv(ismooth|s)表示基于稀疏掩碼s對去噪后的圖像ismooth進(jìn)行卷積，即僅在稀疏掩碼s的像素值為1的像素位置進(jìn)行卷積運(yùn)算；

45、密集卷積具體為：

46、odense＝fdense_conv(ismooth)

47、其中，odense為密集卷積的結(jié)果；fdense_conv為密集卷積函數(shù)；fdense_conv(ismooth)表示對去噪后的圖像ismooth進(jìn)行密集卷積，即在去噪后的圖像ismooth所有像素位置上進(jìn)行卷積；

48、將稀疏卷積和密集卷積的結(jié)果通過加權(quán)融合操作進(jìn)行融合，具體為：

49、ofusion＝α·osparse+(1-α)·odense

50、其中，ofusion為加權(quán)融合結(jié)果；α為加權(quán)參數(shù)；

51、s33：構(gòu)建識別子網(wǎng)絡(luò)：

52、將加權(quán)融合結(jié)果ofusion輸入至識別子網(wǎng)絡(luò)獲得類別概率，具體為：

53、y＝fdetection(ofusion)

54、其中，y為焊接效果類別概率，包含焊接后的電池片表面屬于正常焊接以及屬于不同類別焊接問題的概率；fdetection為識別函數(shù)，使用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建。

55、可選地，所述s4步驟中構(gòu)建加權(quán)交叉熵?fù)p失函數(shù)并使用基于動量的梯度下降方法優(yōu)化焊接效果識別網(wǎng)絡(luò)的參數(shù)，獲得訓(xùn)練完成的焊接效果識別網(wǎng)絡(luò)，包括：

56、s41：構(gòu)建損失函數(shù)：

57、使用加權(quán)交叉熵作為焊接效果識別網(wǎng)絡(luò)的損失函數(shù)，所述加權(quán)交叉熵具體為：

58、

59、其中，lossdet為加權(quán)交叉熵?fù)p失的損失值；c為類別序號，c＝1,2,…，c，c為焊接效果包含的的類別數(shù)目；ytrue.c當(dāng)真實(shí)類別為第c類時為1，否則為0，真實(shí)類別由人工標(biāo)注；yc為焊接效果類別概率y中類別為第c類的概率；wc為第c類類別的權(quán)重；

60、s42：構(gòu)建基于動量的梯度下降：

61、初始化動量項(xiàng)v為0并在每次迭代中更新動量項(xiàng)，具體為：

62、

63、其中，β為動量系數(shù)；為加權(quán)交叉熵?fù)p失的損失值lossdet關(guān)于焊接效果識別網(wǎng)絡(luò)的的權(quán)重wdet的梯度；

64、使用更新后的動量項(xiàng)v來更新焊接效果識別網(wǎng)絡(luò)的的權(quán)重，具體為：

65、wdet←wdet-δ·v

66、其中，δ為焊接效果識別網(wǎng)絡(luò)的學(xué)習(xí)率；

67、迭代執(zhí)行步驟s42直到達(dá)到預(yù)定的迭代次數(shù)，獲得訓(xùn)練完成的焊接效果識別網(wǎng)絡(luò)。

68、可選地，所述s5步驟中使用訓(xùn)練完成的焊接效果識別網(wǎng)絡(luò)對待識別的焊接后的電池片表面圖像進(jìn)行檢測，獲得焊接效果識別結(jié)果，包括：

69、將待識別的焊接后的電池片表面圖像輸入訓(xùn)練完成的焊接效果識別網(wǎng)絡(luò)，所述待識別的焊接后的電池片表面圖像沒有人工標(biāo)注焊接效果類別，根據(jù)焊接效果識別網(wǎng)絡(luò)輸出得到的焊接效果類別概率確定焊接效果的類別，具體為：

70、

71、其中，argmax函數(shù)獲得中值最大的維度序號，根據(jù)序號判斷焊接后的電池片表面是否存在焊接問題，以及存在焊接問題時焊接問題的具體類別。

72、本發(fā)明還公開了一種基于深度學(xué)習(xí)的不良工件識別系統(tǒng)，包括：

73、去噪模塊：采集焊接后的電池片表面圖像并對其進(jìn)行去噪；

74、編碼模塊：基于去噪后的圖像訓(xùn)練自編碼器網(wǎng)絡(luò)；

75、網(wǎng)絡(luò)構(gòu)建模塊：構(gòu)建焊接效果識別網(wǎng)絡(luò)；

76、網(wǎng)絡(luò)訓(xùn)練模塊：構(gòu)建加權(quán)交叉熵?fù)p失函數(shù)并使用基于動量的梯度下降方法優(yōu)化焊接效果識別網(wǎng)絡(luò)的參數(shù)；

77、網(wǎng)絡(luò)應(yīng)用模塊：使用訓(xùn)練完成的焊接效果識別網(wǎng)絡(luò)對待識別的焊接后的電池片表面圖像進(jìn)行檢測；

78、有益效果：

79、本發(fā)明的焊接效果識別方法通過深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)了自動化圖像預(yù)處理、特征提取和缺陷識別，顯著提高了檢測的精度和效率。采用自編碼器網(wǎng)絡(luò)和優(yōu)化的卷積結(jié)構(gòu)，能夠準(zhǔn)確捕捉電池片表面的微觀特征，并通過加權(quán)交叉熵?fù)p失函數(shù)和基于動量的梯度下降方法，優(yōu)化網(wǎng)絡(luò)參數(shù)，從而在復(fù)雜生產(chǎn)環(huán)境中快速、準(zhǔn)確地識別電池片表面的焊接效果。

80、通過引入稀疏掩碼生成和特征融合機(jī)制，本發(fā)明的焊接效果識別網(wǎng)絡(luò)能夠在保持計(jì)算效率的同時，增強(qiáng)對電池片表面焊接效果識別魯棒性。高斯濾波和稀疏卷積的結(jié)合，使得系統(tǒng)在面對電池片表面多樣的焊接問題時，依然能夠穩(wěn)定地輸出準(zhǔn)確的識別結(jié)果，有效降低了誤判和漏判的情況，提升了電池片的整體質(zhì)量。