【技术实现步骤摘要】
本专利技术涉及电池片焊接效果识别的，尤其涉及一种深度学习的光伏电池片焊接效果识别方法和系统。
技术介绍
1、随着对可再生能源需求的日益增长，光伏产业迅速发展，光伏组件的质量控制成为行业发展的关键。在光伏组件的生产过程中，对光伏工件的质量检测尤为重要，以确保其性能和可靠性。光伏组件系统复杂，涉及电池片、钢化玻璃、背板、铝合金边框、密封组件等，在组装完成前，还需要对电池片焊接作相应检测，由于焊接质量的高低很大程度上决定了光伏组件的质量优劣，确保电池片与其他组件之间的连接稳定可靠，降低接触电阻，提高光伏电池的转换效率和发电性能，因此，需要检查焊接后的电池片表面是否光滑明亮、无锡珠、无毛刺、无虚焊、脱焊和过焊情况，传统的光伏工件检测方法主要依赖于人工视觉检查，该方法存在效率低下、主观性强、判断标准难以统一、易疲劳等缺点。此外，随着生产规模的扩大和市场需求的提升，对检测精度和速度的要求也越来越高。
2、近年来，机器视觉技术逐渐应用于自动化检测领域，以提高检测的准确性和效率。然而，现有技术的自动化检测系统多采用传统的图像处理算法，如边缘检测、阈值分割等，这些方法在复杂环境下的鲁棒性不足，难以应对电池片焊接缺陷的多样性和复杂性。同时，这些算法在特征提取和缺陷识别方面的能力有限，且难以泛化到新的缺陷类型。
技术实现思路
1、有鉴于此，本专利技术提供一种深度学习的光伏电池片焊接效果识别方法，目的在于提高电池片焊接缺陷检测的自动化水平，通过深度学习技术提升识别精度和鲁棒性，满足现代光伏产业
2、实现上述目的，本专利技术提供的一种深度学习的光伏电池片焊接效果识别方法，包括以下步骤：
3、s1：采集焊接后的电池片表面图像并对其进行去噪，获得去噪后的图像；
4、s2：基于去噪后的图像训练自编码器网络，提取去噪后的图像的深度特征；
5、s3：构建焊接效果识别网络，将去噪后的图像和对应的深度特征作为焊接效果识别网络的输入，获得焊接效果的类别概率；
6、s4：构建加权交叉熵损失函数并使用基于动量的梯度下降方法优化焊接效果识别网络的参数，获得训练完成的焊接效果识别网络；
7、s5：使用训练完成的焊接效果识别网络对待识别的焊接后的电池片表面图像进行检测，获得焊接效果识别结果。
8、作为本专利技术的进一步改进方法：
9、可选地，所述s1步骤中采集焊接后的电池片表面图像并对其进行去噪，获得去噪后的图像，包括：
10、s11：进行灰度化：
11、将采集到的焊接后的电池片表面图像i灰度化处理，获得灰度化后的图像igray，具体为：
12、lgray(m,n)＝0.299·ired(m,n)+0.587·igreen(m,n)+0.114·iblue(m,n)
13、其中，(m,n)为像素位置；igray(m,n)为灰度化后的图像igray在(m,n)处的像素值；ired(m,n)、igreen(m,n)和iblue(m,n)分别为焊接后的电池片表面图像i的红通道图像、绿通道图像和蓝通道图像在(m,n)处的像素值；
14、s12：进行图像去噪：
15、使用高斯滤波去除灰度化后的图像igray中的噪声，具体为：
16、
17、其中，ismooth(m,n)为去噪后的图像ismooth在(m,n)处的像素值；g(i,j)为高斯核函数，其中，(i,j)为高斯核索引，i为高斯核横向索引，j为高斯核纵向索引，σ为高斯核的标准差；k为高斯核的半径。
18、可选地，所述s2步骤中基于去噪后的图像训练自编码器网络，提取去噪后的图像的深度特征，包括：
19、s21：构建自编码器网络：
20、自编码器由一个编码器和一个解码器构成，具体为：
21、z＝fencoder(ismooth)
22、
23、其中，fencoder和fdecoder分别为编码器函数和解码器函数；z为去噪后的图像ismooth的低维编码；为重构的图像；
24、s22：训练自编码网络：
25、自编码网络的训练以最小化重构损失为目标，所述重构损失为：
26、
27、其中，lossrec为重构损失的损失值；‖·‖2计算l2范数；
28、基于随机梯度下降方法最小化重构损失lossrec获得训练完成的自编码网络，所述随机梯度下降具体为：
29、
30、其中，wrec为自编码网络的权重；η为自编码网络的学习率；为重构损失的损失值lossrec关于自编码网络的权重wrec的梯度；
31、s23：提取深度特征：
32、将去噪后的图像输入至训练完成的自编码网络，自编码网络中编码器函数的的输出即为去噪后的图像的深度特征，具体为：
33、
34、其中，为训练完成的自编码网络中的编码器函数；为使用获取的去噪后的图像ismooth的低维编码。
35、可选地，所述s3步骤中构建焊接效果识别网络，将去噪后的图像和对应的深度特征作为焊接效果识别网络的输入，获得焊接效果的类别概率，包括：
36、焊接效果识别网络由稀疏掩码生成子网络、特征融合子网络和识别子网络构成，具体为：
37、s31：构建稀疏掩码生成子网络：
38、稀疏掩码子网络以去噪后的图像的深度特征作为输入，输出稀疏掩码s，具体为：
39、
40、其中，fmask为稀疏掩码生成函数，输出的稀疏掩码与去噪后的图像ismooth具有相同尺寸并且稀疏掩码中的每一个像素值为0或1；
41、s32：构建特征融合子网络：
42、使用生成的稀疏掩码s引导去噪后的图像ismooth进行稀疏卷积，具体为：
43、osparse＝fsparse_conv(ismooth|s)
44、其中，osparse为稀疏卷积的结果；fsparse_conv为稀疏卷积函数；fsparse_conv(ismooth|s)表示基于稀疏掩码s对去噪后的图像ismooth进行卷积，即仅在稀疏掩码s的像素值为1的像素位置进行卷积运算；
45、密集卷积具体为：
46、odense＝fdense_conv(ismooth)
47、其中，odense为密集卷积的结果；fdense_conv为密集卷积函数；fdense_conv(ismooth)表示对去噪后的图像ismooth进行密集卷积，即在去噪后的图像ismooth所有像素位置上进行卷积；
48、将稀疏卷积和密集卷积的结果通过加权融合操作进行融合，具体为：
49、ofusion＝α·osparse+(1-α)·odense
50、其中，ofusion为加权融合结果；α为加权参本文档来自技高网...
【技术保护点】
1.一种深度学习的光伏电池片焊接效果识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的深度学习的光伏电池片焊接效果识别方法，其特征在于，所述步骤S1中，包括以下步骤：
3.根据权利要求2所述的深度学习的光伏电池片焊接效果识别方法，其特征在于，所述步骤S2中，包括以下步骤：
4.根据权利要求3所述的深度学习的光伏电池片焊接效果识别方法，其特征在于，所述步骤S3中，包括以下步骤：
5.根据权利要求4所述的深度学习的光伏电池片焊接效果识别方法，其特征在于，所述步骤S4中，包括以下步骤：
6.根据权利要求5所述的深度学习的光伏电池片焊接效果识别方法，其特征在于，所述步骤S5中，包括以下步骤：
7.一种深度学习的光伏电池片焊接效果识别系统，其特征在于，包括：
【技术特征摘要】
1.一种深度学习的光伏电池片焊接效果识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的深度学习的光伏电池片焊接效果识别方法，其特征在于，所述步骤s1中，包括以下步骤：
3.根据权利要求2所述的深度学习的光伏电池片焊接效果识别方法，其特征在于，所述步骤s2中，包括以下步骤：
4.根据权利要求3所述的深度学习的光伏电池片焊接...
【专利技术属性】
技术研发人员：郭定友，邵建文，吴立红，冯宁娜，乔跃峰，王柳，赵正飞，赵正生，谈剑豪，
申请(专利权)人：无锡云程电力科技有限公司，
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。