【技术实现步骤摘要】
本专利技术属于金刚线跳线检测，具体涉及基于小样本的多晶硅切割机金刚线跳线检测方法。
技术介绍
1、随着光伏产业的快速发展，硅电池片作为光伏发电的核心材料，日益成为能源转型中的重要一环，多晶硅切割机是硅电池片生产的关键设备，其工作原理为，通过收放线轮将金刚线均匀布置在线辊的凹槽中，形成金刚线网，电机带动线辊高速转动，实现金刚线对硅棒的切割，金刚线在高速切割过程中，可能因磨损或张力不均脱离线辊凹槽，产生跳线，在金刚线网上留下空槽，且金刚线跳线严重影响硅棒的切割效率，甚至引发断线停机。
2、目前，虽然已经存在一些金刚线跳线检测方法，但仍然面临如下困难：
3、（1）样本数量有限，由于跳线产生的随机性与生产周期的限制，采集到的跳线样本数量非常有限；
4、（2）目标尺寸小，跳线2500w分辨率的图像中，仅占据150至300个像素点；
5、（3）背景复杂，切割过程中机腔内存在大量飞溅的冷却液，导致采集的图像中存在大量噪声。
技术实现思路
1、本专利技术的目的是提供基于小样本的多晶硅切割机金刚线跳线检测方法，能够有效克服现有技术中样本数量有限、目标尺寸小以及背景复杂等困难，实现对多晶硅切割机金刚线跳线的准确检测。
2、本专利技术采取的技术方案具体如下：
3、基于小样本的多晶硅切割机金刚线跳线检测方法，包括：
4、获取多晶硅切割机的金刚线网图像，通过统计金刚线网图像中金刚线网亮度的梯度变化，剔除梯度和亮度异常的部分，
5、对基础样本进行扩充，并输出为缺陷样本数据集；
6、构建深度学习模型，通过缺陷样本数据集训练深度学习模型以识别并定位金刚线跳线缺陷；
7、其中，对基础样本进行扩充，并输出为缺陷样本数据集包括：
8、将跳线周围的区域分为不同的子区域，计算各个子区域的平均亮度与面积，并分别记录为第一条件参数和第二条件参数；
9、依据第一条件参数和第二条件参数从金刚线网图像中筛选出跳线子图；
10、对跳线子图执行几何变换操作，并将几何变换后的跳线子图与金刚线网背景进行基于透明度的图像融合，生成跳线缺陷样本。
11、在一种优选方案中，所述金刚线网图像中，金刚线网亮度的梯度变化为：
12、；
13、其中，和分别为金刚线网在方向、方向的梯度变化，为金刚线网与方向的夹角，以梯度变化显著的区域作为边缘，将金刚线网划分为多个连通域，并计算每个连通域的平均亮度值：
14、；
15、其中，为图像中的连通域，为该连通域内的像素数量，为该连通域的平均亮度，针对低于预设阈值下限的连通域，采用左右邻域的平均亮度与梯度变化进行融合填充，获得完整的金刚线网背景图；
16、；
17、其中，为亮度异常的连通域，和分别为该连通域左、右邻域的梯度值，和分别是该连通域左、右邻域的平均亮度，为该连通域填充的亮度。
18、在一种优选方案中，所述将跳线周围的区域分为不同的子区域，计算各个子区域的平均亮度与面积的步骤，包括：
19、获取跳线周围的图像区域，依据跳线的形状和位置，将跳线周围的区域分割为多个大小不等的子区域；
20、统计每个所述子区域内的像素值，并依据各个所述子区域内的像素值计算其内部像素的平均亮度值，且记录为第一条件参数；
21、提取各个子区域的边缘曲线，并依据所述边缘曲线构建虚拟坐标系，且在所述虚拟坐标系中标定边缘曲线的边缘拐点坐标；
22、依据所述边缘拐点坐标计算各个子区域的面积，再对各个所述子区域的面积进行平均值计算，得到各个所述子区域的平均面积，且记录为第二条件参数。
23、在一种优选方案中，所述依据所述第一条件参数和第二条件参数从所述金刚线网图像中分割出跳线子图的步骤，包括：
24、获取第一条件参数和第二条件参数；
25、获取与所述第一条件参数对应的第一筛选阈值，以及与第二条件参数对应的第二筛选阈值；
26、将所述第一筛选阈值与第一条件参数进行比较，将所述第二筛选阈值与第二条件参数进行比较；
27、当所述第一条件参数大于或等于第一筛选阈值，且第二条件参数大于或等于第二筛选阈值时，将对应子区域记录为包含跳线缺陷的区域，并从金刚线网图像中分割出该区域作为跳线子图；
28、当所述第一条件参数小于第一筛选阈值，或第二条件参数小于第二筛选阈值时，将对应子区域记录为不包含跳线缺陷的区域，且予以剔除。
29、在一种优选方案中，所述对所述跳线子图执行几何变换操作时，包括图像旋转、图像放缩，以及图像仿射。
30、在一种优选方案中，所述跳线子图与金刚线网背景进行基于透明度的图像融合公式为：
31、；
32、其中，，为金刚线网背景图的坐标，，为跳线子图的坐标；为金刚线网背景图的亮度，为变换后跳线子图的亮度，为跳线子图的透明度，，分别为跳线子图的宽度和高度，，分别为跳线子图相对于背景图在，方向的偏移量。
33、在一种优选方案中，所述深度学习模型为改进型的yolov8n模型，且在对所述深度学习模型进行训练时，引入两个深度可分离卷积层串联组成的extra dw模块，所述extradw模块执行时，使用3×3的卷积核对输入特征图进行一次深度卷积操作，再通过swish激活函数，促进高层特征的传递，其中，swish激活函数的表达式为：
34、；
35、其中，是sigmoid函数相较于yolov8中的relu函数，swish函数在训练过程中能够自适应地调整激活值，提供非线性变换，使高层特征平滑地在网络中传递；
36、通过逐点卷积层融合通道信息，并扩展特征图的维度，增强网络对跳线高层和上下文信息的感知能力，且扩展后的特征图将分别通过3×3、5×5、7×7大小卷积核的额外深度卷积；
37、再次经过swish激活函数，与逐点卷积层进行通道融合与压缩，去除冗余信息，输出压缩后的特征图，参与后续的特征提取与融合。
38、在一种优选方案中，所述深度学习模型还引入了由两个相互独立的通道注意力模块和空间注意力机制模块串联组成的cbam模块；
39、其中，所述通道注意力模块用于自适应增强深度学习模型对关键特征通道的关注，所述空间注意力模块用于捕捉图像中每个空间位置的权重，辅助网络聚焦金刚线网面所在的区域。
40、在一种优选方案中，所述深度学习模型训练完成后，采用准确率、召回率、平均准确率、参数量、检测速度以及每秒浮点运算次数作为性能指标对训练完成后的深度学习模型进行评估，并在所述深度学习模型满足预设要求时，确定深度学习模型训练完成。
41、以及，一种电子设备，所述电子设备包括：
42、至少一个处理器；
43、以及与所述至少一个处理器通信连接本文档来自技高网...
【技术保护点】
1.基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：包括：
2.根据权利要求1所述的基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：所述金刚线网图像中，金刚线网亮度的梯度变化为：
3.根据权利要求1所述的基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：所述将跳线周围的区域分为不同的子区域，计算各个子区域的平均亮度与面积的步骤，包括：
4.根据权利要求3所述的基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：所述依据第一条件参数和第二条件参数从金刚线网图像中筛选出跳线子图的步骤，包括：
5.根据权利要求1-4中任一项所述的基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：所述对跳线子图执行几何变换操作时，包括图像旋转、图像放缩，以及图像仿射。
6.根据权利要求5所述的基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：所述跳线子图与金刚线网背景进行基于透明度的图像融合公式为：
7.根据权利要求1所述的基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：所述深度学习模型
8.根据权利要求1所述的基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：所述深度学习模型还引入了由两个相互独立的通道注意力模块和空间注意力机制模块串联组成的CBAM模块；
9.根据权利要求1所述的基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：所述深度学习模型训练完成后，采用准确率、召回率、平均准确率、参数量、检测速度以及每秒浮点运算次数作为性能指标对训练完成后的深度学习模型进行评估，并在深度学习模型满足预设要求时，确定深度学习模型训练完成。
10.一种电子设备，其特征在于：所述电子设备包括：
...【技术特征摘要】
1.基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：包括：
2.根据权利要求1所述的基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：所述金刚线网图像中，金刚线网亮度的梯度变化为：
3.根据权利要求1所述的基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：所述将跳线周围的区域分为不同的子区域，计算各个子区域的平均亮度与面积的步骤，包括：
4.根据权利要求3所述的基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：所述依据第一条件参数和第二条件参数从金刚线网图像中筛选出跳线子图的步骤，包括：
5.根据权利要求1-4中任一项所述的基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：所述对跳线子图执行几何变换操作时，包括图像旋转、图像放缩，以及图像仿射。
6.根据权利要求5所述的基于小样本的多晶硅切割机金刚线跳线检测方法，其特征在于：所述跳线子图与金刚线网背景进行基于透明度的图像融合公式为：
7.根据权利要...
【专利技术属性】
技术研发人员：朱旭，倪冰，王宏伟，薛润松，朱艳辉，温嵩焘，蔡祥龙，
申请(专利权)人：长安大学，
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。