文献类型：期刊文章

作　　者：刘怀广[1,2] 刘安逸[1] 周诗洋[1,2] 刘恒玉[1] 杨金堂[1]

LIU Huaiguang;LIU Anyi;ZHOU Shiyang;LIU Hengyu;YANG Jintang(Key Laboratory of Metallurgical Equipment and Control Technology,Wuhan University of Science and Technology,Wuhan 430081,China;Institute of Robotics and Intelligent Systems,Wuhan University of Science and Technology,Wuhan 430081,China)

机构地区：[1]武汉科技大学机械传动与制造工程湖北省重点实验室,湖北武汉430081 [2]武汉科技大学机器人与智能系统研究院,湖北武汉430081

出　　处：《应用光学》

基　　金：国家重点专项资助项目(2018YFC1902400);国家自然科学基金(51874217,51805386);湖北省技术创新专项重大项目(2017ACA180)。

年　　份：2020

卷　　号：41

期　　号：2

起止页码：327-336

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对太阳能电池组件中电池片出现隐裂导致整片电池破碎,最终影响整个组件发电量的问题,在对电池组件光致发光(PL)图像待检测区域筛选定位的基础上,提出了一种利用卷积神经网络(CNN)进行电池组件隐裂缺陷检测的方法。首先利用PL成像方法获取电池组件图像,然后对图像进行预处理,基于聚类的方法对待检测目标区域进行筛选定位,最后利用3种不同结构的卷积神经网络模型对电池片进行缺陷检测,并进行准确率对比,使最优识别准确率达到99.25%。实验结果验证了该方法能准确地检测出太阳能电池组件的隐裂缺陷。

关 键 词：光致发光 卷积神经网络 图像识别 缺陷检测  

分 类 号：TN911.73] TP183]