【技术实现步骤摘要】
本专利技术涉及光伏组件，具体为基于机器视觉和深度学习的光伏组件el缺陷检测系统。
技术介绍
1、随着太阳能行业的快速发展，光伏组件的产量和销售量逐年增加。然而，在光伏组件的生产和应用过程中，el(电荷耦合器件)缺陷问题日益突出；el缺陷会影响光伏组件的光电转换效率和寿命，会导致光伏组件性能下降，甚至影响整个系统的安全性和可靠性，因此，需要及时检测和排除。
2、公开号为cn215987376u的中国专利公开了一种基于双光技术的光伏组件热斑无人机自动检测系统，包括飞行器及控制器，飞行器搭载有机器视觉模块；控制器集成有智能诊断模块、热斑定位模块以及控制模块；可以利用飞行器对光伏电站光伏组件热斑进行识别定位，完成光伏电站组件自动巡检及热斑自动定位，为光伏电站运维人员提供可靠、高效的巡检手段；但是该专利存在以下缺陷：
3、现有的光伏组件el缺陷检测不能对光伏组件el缺陷进行较好地定位和分类，不能有效识别各种类型的光伏组件el缺陷，使得检测准确性低，且不能快速处理大量的光伏组件el缺陷图像，使得检测时间长，缺陷检测效率低。
技术实现思路
1、本专利技术的目的在于提供基于机器视觉和深度学习的光伏组件el缺陷检测系统，可对光伏组件el缺陷进行较好地定位和分类，能有效识别各种类型的光伏组件el缺陷，使得检测准确性高，且能快速处理大量的光伏组件el缺陷图像，使得检测时间短，可提升缺陷检测效率，解决了上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技
3、基于机器视觉和深度学习的光伏组件el缺陷检测系统，包括：
4、图像采集模块，用于采集基于机器视觉的光伏组件el实时图像；
5、图像处理模块，用于对光伏组件el实时图像进行处理，确定光伏组件el特征图像；
6、模型训练模块，用于构建基于深度学习的光伏组件el缺陷检测模型；
7、测试优化模块，用于对光伏组件el缺陷检测模型进行测试优化，确定最佳的光伏组件el缺陷检测模型；
8、缺陷检测模块，用于对光伏组件el缺陷进行识别检测，确定光伏组件el缺陷检测结果；
9、数据管理模块，用于对光伏组件el特征图像及光伏组件el缺陷进行显示，且对分类后的有缺陷的光伏组件和无缺陷的光伏组件的信息进行存储，存储所有经过检测的光伏组件信息。
10、优选的，所述图像采集模块包括：
11、光源照明单元，用于提供合适的光源，对待拍摄的光伏组件进行照明；
12、图像获取单元，用于采用高分辨率的工业相机对光伏组件进行拍摄，获取清晰、准确的基于机器视觉的光伏组件el实时图像。
13、优选的，所述图像处理模块包括：
14、图像滤波单元，用于对光伏组件el实时图像进行滤波处理；
15、获取基于机器视觉的光伏组件el实时图像；
16、基于中值滤波器，对光伏组件el实时图像进行滤波处理；
17、将光伏组件el实时图像分为多个块，并对每个块内的像素取中值；
18、如果某个像素值落在均值附近，则认为它是图像中的真实值，否则，将该像素视为噪声并予以忽略；
19、图像增强单元，用于对光伏组件el实时图像进行增强处理；
20、获取滤波处理后的光伏组件el实时图像；
21、对滤波处理后的光伏组件el实时图像进行增强处理；
22、基于自适应直方图均衡化的方法，提高光伏组件el实时图像中相邻像素之间的差异，增加光伏组件el实时图像的可读性和对比度；
23、特征提取单元，用于对光伏组件el实时图像进行特征提取；
24、获取增强处理后的光伏组件el实时图像；
25、对增强处理后的光伏组件el实时图像进行特征提取；
26、确定出基于机器视觉的光伏组件el特征图像。
27、优选的，图像增强单元，包括：
28、图像块提取模块，用于提取所述光伏组件el实时图像对应的多个图像块；
29、灰度参数值获取模块，用于根据每个图像块中所包含的像素块的灰度值，获取每个图像块对应的灰度参数值；其中，所述灰度参数值通过如下公式获取：
30、
31、其中，j表示灰度参数值；n表示图像块所包含的像素块的个数；hi表示第i个像素块对应的灰度值；hp表示图像块对应的灰度平均值；hz表示图像块所包含的所有像素块对应的灰度中值；
32、相邻灰度参数值获取模块，用于提取每个图像块对应的相邻图像块的灰度参数值；
33、目标灰度值获取模块，用于根据所述每个图像块对应的相邻图像块的灰度参数值获取每个图像块中所包含的像素块的目标灰度值；
34、灰度值调整模块，用于按照每个图像块中所包含的像素块对应的目标灰度值对每个像素块进行灰度值调整，获取所有像素块完成灰度值调整的图像块；其中，所述所有像素块完成灰度值调整的图像块即为完成图像增强处理的图像块。
35、优选的，目标灰度值获取模块，包括：
36、灰度参数值信息提取模块，用于提取每个图像块所对应的相邻图像块的灰度参数值；
37、灰度值调节系数获取模块，用于根据所述每个图像块所对应的相邻图像块的灰度参数值获取每个图像块对应的灰度值调节系数；其中，所述灰度值调节系数通过如下公式获取：
38、
39、其中，f表示每个图像块对应的灰度值调节系数；m表示每个图像块所相邻的图像块的个数；ji表示第i个相邻的图像块对应的灰度参数值；jd表示当前图像块的灰度参数值；jp表示m个相邻像素块对应的灰度参数值的平均值；
40、灰度值参数信息提取模块，用于提取每个图像块中所包含的像素块的灰度值；
41、目标灰度值获取执行模块，用于根据所述每个图像块对应的灰度值调节系数结合每个图像块中所包含的像素块的灰度值获取每个像素块对应的目标灰度值；其中，所述目标灰度值通过如下公式获取：
42、
43、其中，hm表示像素块对应的目标灰度值；h0表示像素块的灰度值；f表示每个图像块对应的灰度值调节系数；hz表示图像块所包含的所有像素块对应的灰度中值。
44、优选的，所述模型训练模块包括：
45、图像收集单元，用于收集光伏组件el缺陷历史图像；
46、根据光伏组件el缺陷检测需求，收集大量的基于暗斑、电流不均、断栅、黑斑、绒丝、se偏移、碎片、线状隐裂、虚印、枝状隐裂、黑片、无效片、清晰痕迹、混档明暗片的光伏组件el缺陷历史图像；
47、基于光伏组件el缺陷历史图像作为模型训练样本；
48、样本划分单元，用于对光伏组件el缺陷历史图像进行划分；
49、获取光伏组件el缺陷历史图像；
50、对光伏组件el缺陷历史图像进行划分；
51、确定出训练集及测试集；...
【技术保护点】
1.基于机器视觉和深度学习的光伏组件EL缺陷检测系统，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉和深度学习的光伏组件EL缺陷检测系统，其特征在于，所述图像采集模块包括：
3.根据权利要求2所述的基于机器视觉和深度学习的光伏组件EL缺陷检测系统，其特征在于，所述模型训练模块包括：
4.根据权利要求3所述的基于机器视觉和深度学习的光伏组件EL缺陷检测系统，其特征在于，所述测试优化模块包括：
5.根据权利要求4所述的基于机器视觉和深度学习的光伏组件EL缺陷检测系统，其特征在于，所述缺陷检测模块包括：
6.根据权利要求5所述的基于机器视觉和深度学习的光伏组件EL缺陷检测系统，其特征在于，所述数据管理模块包括：
7.根据权利要求6所述的基于机器视觉和深度学习的光伏组件EL缺陷检测系统，其特征在于，所述数据管理模块还包括：
【技术特征摘要】
1.基于机器视觉和深度学习的光伏组件el缺陷检测系统，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉和深度学习的光伏组件el缺陷检测系统，其特征在于，所述图像采集模块包括：
3.根据权利要求2所述的基于机器视觉和深度学习的光伏组件el缺陷检测系统，其特征在于，所述模型训练模块包括：
4.根据权利要求3所述的基于机器视觉和深度学习的光伏组件el缺陷检测系统，...
【专利技术属性】
技术研发人员：丁盛，陈从颜，
申请(专利权)人：夏尔特拉上海新能源科技有限公司，
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。