基于深度学习的太阳能电池表面缺陷检测

作     者：郝雅雯 

作者单位：太原科技大学 

学位级别：硕士

导师姓名：张雄

授予年度：2020年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080502[工学-材料学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：太阳能电池 缺陷检测 深度学习 Faster R-CNN 

摘      要：晶硅太阳能电池可以把光能转化成电能,在新能源发展中扮演着重要的角色。生产工艺缺陷或人为操作失误等都会导致太阳能电池表面出现裂片、裂纹、虚焊等细微缺陷,这些缺陷会降低电池组件的工作效率,减少太阳能电池的使用寿命。表面缺陷细微且不易观察的特性,使太阳能电池表面缺陷检测存在众多难点。随着人工智能和机器视觉的快速发展,基于卷积神经网络模型的深度学习算法用于太阳能电池表面缺陷检测,并取得了更好的检测性能,是该领域新的研究热点。本文围绕太阳能电池表面缺陷中的深度学习网络模型改进展开研究,旨在进一步提高检测的准确度,并降低缺陷位置回归的误差。论文的主要工作包括以下两个方面:首先,针对太阳能电池表面缺陷检测过程中面临的错检和漏检率较高、位置精度差等问题,本文提出一种融合多路卷积神经网络的太阳能电池表面缺陷检测算法。设计了新的检测候选框融合方案,将基于VGG-19的Faster R-CNN网络与基于Resnet-101的全卷积R-FCN网络模型进行互补融合,有效提高了缺陷位置回归精度,同时降低了漏检率和误检率。其次,针对Faster R-CNN用于太阳能电池表面缺陷检测时特征提取能力不足的问题,本文引入了跨层连接结构,并采用多尺度特征抽取机制进行目标候选框的提取,使网络在学习深层语义信息的同时不忽略浅层纹理信息的学习,增加候选框预测的准确度。改进的网络结构更能适应太阳能电池表面狭长、细小缺陷的尺度变化,有效降低了检测的错误率。