本发明专利技术公开了一种光伏片缺陷的检测方法、检测装置、计算机设备和介质，其中一实施例的检测方法包括：使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果；对所述光伏片灰度图进行降噪处理并进行机器视觉检测以输出第二检测结果；将所述第二检测结果与所述第一检测结果进行比对并根据比对结果输出所述待检测光伏片的缺陷等级。本发明专利技术提供的检测方法先通过光伏缺陷检测深度学习模型实现较大区域的检测，再利用机器视觉检测实现能够精确到像素级别的较小区域的检测，最后根据两次检测结果的占比判断缺陷等级，从而实现对光伏片缺陷的精确检测，具有实际应用价值。具有实际应用价值。具有实际应用价值。
【技术实现步骤摘要】
光伏片缺陷的检测方法、检测装置、计算机设备和介质
[0001]本专利技术涉及计算机
，特别是涉及一种光伏片缺陷的检测方法、检测装置、计算机设备和介质。
技术介绍
[0002]在工业光伏片检测中，光伏片缺陷检测对于减少生产损耗有重大意义。相关技术中，通常采用传统视觉方法基于RGB彩色图像进行缺陷检测，存在因不同光照条件导致的泛化性较差的问题。
技术实现思路
[0003]为了解决上述问题至少之一，本专利技术第一方面提供一种光伏片缺陷的检测方法，包括：
[0004]使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果；
[0005]对所述光伏片灰度图进行降噪处理并进行机器视觉检测以输出第二检测结果；
[0006]将所述第二检测结果与所述第一检测结果进行比对并根据比对结果输出所述待检测光伏片的缺陷等级。
[0007]进一步的，所述使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果进一步包括：
[0008]将所述光伏片灰度图的图像尺寸转换为所述光伏缺陷检测深度学习模型的网络入口尺寸并生成入口中间图；
[0009]对所述入口中间图进行降噪处理；
[0010]对降噪后的所述入口中间图进行归一化处理并输入至所述光伏缺陷检测深度学习模型进行检测以输出第一检测结果。
[0011]进一步的，所述对所述光伏片灰度图进行降噪处理并进行机器视觉检测以输出第二检测结果进一步包括：
[0012]对所述光伏片灰度图进行中值滤波并输出第一中间图；
[0013]对所述第一中间图进行二分阈值分割并输出第二中间图；
[0014]对所述第二中间图进行机器视觉检测并输出所述第二检测结果，所述第二检测结果为连通域信息，包括所述连通域的像素面积、外切矩形、长短边、质心中的至少一项。
[0015]进一步的，所述第二中间图为黑白图，所述对所述第二中间图进行机器视觉检测并输出所述第二检测结果进一步包括：
[0016]在所述第二中间图中以像素作为搜索基准进行搜索操作，并以搜索到的第一个黑色像素作为起点，根据宽度优先算法进行搜索并获取连通域；
[0017]根据所述连通域获取所述连通域的像素面积、外切矩形、长短边、质心中的至少一项。
[0018]进一步的，在所述使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果之前，所述检测方法还包括：
[0019]训练所述光伏缺陷检测深度学习模型。
[0020]进一步的，所述训练所述光伏缺陷检测深度学习模型进一步包括：
[0021]对标注的样本进行数据增强获得第一样本；
[0022]转换所述第一样本的各图像的图像尺寸并分别进行归一化处理获得第二样本；
[0023]使用所述第二样本训练目标检测模型以获得所述光伏缺陷检测深度学习模型。
[0024]进一步的，所述对标注的样本进行数据增强获得第一样本进一步包括以下步骤中的至少一个：
[0025]对所述标注的样本进行随机randomcrop操作以获取具有不同缩放比例和crop程度的增强样本；
[0026]对所述标注的样本进行翻转操作以获取增强样本；
[0027]对所述标注的样本进行cutmix操作以获取融合多种缺陷图像的增强样本；
[0028]对所述标注的样本进行随机color jetter操作以获取增强样本。
[0029]进一步的，使用所述第二样本训练目标检测模型以获得所述光伏缺陷检测深度学习模型进一步包括：
[0030]调整所述目标检测模型的损失函数以增强正样本和/或减弱负样本。
[0031]本专利技术第二方面提供一种使用如第一方面所述的检测方法的光伏片缺陷检测装置，包括模型检测单元、机器视觉检测单元和控制器，其中，所述控制器被配置为：
[0032]使用预设置的所述模型检测单元的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果；
[0033]对所述光伏片灰度图进行降噪处理并通过所述机器视觉检测单元进行机器视觉检测以输出第二检测结果；
[0034]将所述第二检测结果与所述第一检测结果进行比对并根据比对结果输出所述待检测光伏片的缺陷等级。
[0035]本专利技术第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的方法。
[0036]本专利技术第四方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的方法。
[0037]本专利技术的有益效果如下：
[0038]本专利技术针对目前现有的问题，制定一种光伏片缺陷的检测方法、检测装置，先通过光伏缺陷检测深度学习模型对光伏片灰度图进行检测以实现较大区域的检测，再利用机器视觉检测降噪处理后的光伏片灰度图以实现精确到像素级别的较小区域的检测，最后根据两次检测结果的占比判断缺陷等级，实现对光伏片缺陷的精确检测，有效提高检测精度；同时，通过光伏缺陷检测深度学习模型对光伏片灰度图进行目标检测，再利用机器视觉检测进行高精度检测，结合二者特点，一方面能够快速定位缺陷位置，另一方面减少数据的计算算力需求，降低对运算单元的硬件配置，弥补了现有技术中存在的问题，具有实际应用价值。
附图说明
[0039]为了更清楚地说明本专利技术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专利技术的一些实施例，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。
[0040]图1示出本专利技术的一个实施例所述检测方法的流程图；
[0041]图2示出本专利技术的一个实施例所述检测装置的结构框图；
[0042]图3示出本专利技术的一个实施例所述光伏片灰度图的示意图；
[0043]图4示出本专利技术的一个实施例所述光伏片灰度图的模型检测的示意图；
[0044]图5示出本专利技术的一个实施例所述光伏片灰度图的机器视觉检测的示意图；
[0045]图6示出本专利技术的另一个实施例所述的一种计算机设备的结构示意图。
具体实施方式
[0046]为了更清楚地说明本专利技术，下面结合优选实施例和附图对本专利技术做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本专利技术的保护范围。
[0047]针对相关技术中存在的问题，如图1所示，本专利技术的一个实施例提供了一种光伏片缺陷的检测方法，包括：
[0048]使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果；
[0049]对所述光伏片灰度图进行降噪本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种光伏片缺陷的检测方法，其特征在于，包括：使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果；对所述光伏片灰度图进行降噪处理并进行机器视觉检测以输出第二检测结果；将所述第二检测结果与所述第一检测结果进行比对并根据比对结果输出所述待检测光伏片的缺陷等级。2.根据权利要求1所述的检测方法，其特征在于，所述使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果进一步包括：将所述光伏片灰度图的图像尺寸转换为所述光伏缺陷检测深度学习模型的网络入口尺寸并生成入口中间图；对所述入口中间图进行降噪处理；对降噪后的所述入口中间图进行归一化处理并输入至所述光伏缺陷检测深度学习模型进行检测以输出第一检测结果。3.根据权利要求1所述的检测方法，其特征在于，所述对所述光伏片灰度图进行降噪处理并进行机器视觉检测以输出第二检测结果进一步包括：对所述光伏片灰度图进行中值滤波并输出第一中间图；对所述第一中间图进行二分阈值分割并输出第二中间图；对所述第二中间图进行机器视觉检测并输出所述第二检测结果，所述第二检测结果为连通域信息，包括所述连通域的像素面积、外切矩形、长短边、质心中的至少一项。4.根据权利要求3所述的检测方法，其特征在于，所述第二中间图为黑白图，所述对所述第二中间图进行机器视觉检测并输出所述第二检测结果进一步包括：在所述第二中间图中以像素作为搜索基准进行搜索操作，并以搜索到的第一个黑色像素作为起点，根据宽度优先算法进行搜索并获取连通域；根据所述连通域获取所述连通域的像素面积、外切矩形、长短边、质心中的至少一项。5.根据权利要求1
‑
4中任一项所述的检测方法，其特征在于，在所述使用预设置的光伏缺陷检测深度学习模型根据接收的待检测光伏片的光伏片灰度图进行检测并输出第一检测结果之前，所述检测方法还包括：训练所述光伏缺陷检测深度学习模型。6.根据权利要求5所...
【专利技术属性】
技术研发人员：彭昱舟，
申请(专利权)人：成都京东方智慧科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。