研究目的
基于卷积神经网络,协助操作员通过电致发光(EL)图像检查多晶硅太阳能电池表面,将电池分类为有缺陷和无缺陷,并建议对有缺陷的电池进行复检。
研究成果
该方法在将太阳能电池分类为有缺陷或无缺陷时,实现了92%的召回率和85%的精确率。该方法还提供了缺陷的分割图,帮助操作人员识别有缺陷的电池以进行复检。未来的工作包括从更丰富的数据集中进行迁移学习,以及与其他神经网络类型进行分割比较。
研究不足
该方法需要大量数据进行训练,而所使用的数据集相对较小。缺陷分割的准确性可能受到滑动窗口大小和神经网络配置的影响。
1:实验设计与方法选择:
该方法采用滑动窗口技术扩充数据集,使用扩充后的数据集训练神经网络,并将训练好的网络应用于测试图像以分类和分割缺陷。
2:样本选择与数据来源:
数据集包含542张太阳能电池高分辨率电致发光图像,其中145张为缺陷图像,397张为无缺陷图像。
3:实验设备与材料清单:
配备24GB内存和TitanXp显卡的计算机,在Ubuntu 16.04平台上使用基于Tensorflow后端的Keras API。
4:04平台上使用基于Tensorflow后端的Keras API。
实验流程与操作步骤:
4. 实验流程与操作步骤:通过滑动窗口对图像进行区域处理,神经网络对每个区域进行分类,并根据分类结果重建热力图以可视化缺陷。
5:数据分析方法:
分别在整图层面和缺陷层面上采用召回率和精确率指标评估性能。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容