基于多光谱卷积神经网络的太阳能电池表面缺陷检测
计算机视觉与模式识别
2018-12-18 v1 图像与视频处理
摘要
具有异质纹理和复杂背景的太阳能电池表面相似且不确定的缺陷检测是太阳能电池制造中的一项挑战。传统制造工艺依赖人眼检测，需要大量工人且检测效果不稳定、不佳。为解决该问题，本文设计了一种基于多光谱深度卷积神经网络(CNN)的视觉缺陷检测方法。首先，建立选定的CNN模型。通过调整模型的深度和宽度，评估模型深度与核尺寸对识别结果的影响，选出最优CNN模型结构。其次，分析太阳能电池彩色图像的光谱特征。发现多种缺陷在不同光谱波段表现出不同的可区分特征。因此，构建多光谱CNN模型以增强模型区分复杂纹理背景特征与缺陷特征的能力。最后，若干实验结果及K折交叉验证表明，多光谱深度CNN模型能有效检测太阳能电池表面缺陷，具有更高准确率和更强适应性。缺陷识别准确率达94.30%。应用该算法可提高太阳能电池制造效率，使制造过程更智能化。
引用
@article{arxiv.1812.06220,
title = {Solar Cell Surface Defect Inspection Based on Multispectral Convolutional Neural Network},
author = {Haiyong Chen and Yue Pang and Qidi Hu and Kun Liu},
journal= {arXiv preprint arXiv:1812.06220},
year = {2018}
}
备注
14 pages, 7 figures,14 tables