太阳能电池片表面缺陷高效检测系统研究
发布时间：2020-12-03 02:45
太阳电池组件是新能源系统中用于光伏发电的核心部件,而太阳能电池片是构成电池组件的关键部分。但是在其生产过程中,由于工艺的限制及生产环境的影响,电池片表面易出现断栅、缺角、划痕、脏污等缺陷。这些缺陷不仅会降低产品的良率,还会影响电池片原本就不高的转换效率,在其构成组件之前进行检测并剔除缺陷产品尤为重要。目前常用的人工检测手段受经验和主观因素影响较大,机器视觉检测则受制于缺陷检测的算法。本文从工业生产对电池片缺陷检测实时性、准确性、快速性要求出发,围绕太阳能电池片缺陷高效检测展开研究。首先提出了基于欠定方程模型的电池片缺陷检测算法,实现了线型、斑点型等微弱缺陷的快速、准确检测;其次,针对欠定方程对边缘型、环型缺陷的检测识别率较低现象提出了基于深度学习的Dp-Unet模型,并达到了精确率、识别准确率的要求;最后,将二者统一实现了系统级检测平台。本文的具体内容和创新点如下:（1）针对广泛采用的频域分析法,提出了基于欠定方程的缺陷检测算法。该算法借助压缩感知原理,考察电池片表面数字图像,基于一维傅里叶变换,构建关于缺陷列在小波域中的投影系数的欠定方程,而后通过内积比较确定各高频系数中的大值所在位...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：109 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外太阳能电池片检测现状
1.2.1 国外太阳能电池片检测现状
1.2.2 国内太阳能电池片检测现状
1.3 当前电池片缺陷检测面临问题
1.4 本文结构
参考文献
第二章 太阳能电池片表面缺陷检测方法
2.1 引言
2.2 基于机器视觉的太阳能电池检测方法
2.2.1 聚类与梯度特征方法在太阳能电池片缺陷检测中的应用
2.2.2 矩阵分解法在太阳能电池片缺陷检测中的应用
2.2.3 频域分析法在太阳能电池片缺陷检测中的应用
2.2.4 深度学习在太阳能电池片缺陷检测中的应用
2.3 本章小结
参考文献
第三章 基于欠定方程的太阳能电池片缺陷检测算法
3.1 欠定方程和压缩感知
3.2 基于欠定方程的太阳能电池片表面缺陷检测模型
3.3 实验验证
3.4 本章小结
参考文献
第四章 基于深度学习模型Dp-Unet的电池片缺陷检测
4.1 深度神经网络
4.1.1 神经网络
4.1.2 卷积神经网络
4.1.3 全卷积神经网络
4.2 基于动态池化的Dp-Unet网络
4.2.1 U-net网络
4.2.2 Dp-Unet网络
4.3 实验验证
4.3.1 激活函数
4.3.2 数据增强
4.3.3 模型训练
4.3.4 模型评价
4.4 本章小结
参考文献
第五章 太阳能电池片缺陷检测系统设计
5.1 图像采集系统
5.2 交互控制界面
5.3 数据处理系统
5.4 本章小节
参考文献
第六章 总结与展望
6.1 本文工作总结
6.2 展望
致谢
攻读学位期间发表的论文
【参考文献】：
期刊论文
[1]太阳能光伏发电投资策略研究[J]. 姚丰桥,冯兰刚,董旭. 河北地质大学学报. 2018(05)
[2]基于经验小波的太阳能电池缺陷图像融合[J]. 陈海永,余力,刘辉,杨佳博,胡启迪. 山东大学学报(工学版). 2018(05)
[3]浅析太阳能利用应用发展趋势[J]. 陈怀臻. 科技经济导刊. 2018(13)
[4]欧洲太阳能热发电和热化学研究现状和发展前景[J]. 丛敏. 热能动力工程. 2018(04)
[5]基于观测矩阵优化的自适应压缩感知算法[J]. 胡强,林云. 计算机应用. 2017(12)
[6]基于聚类分析法的空气源热泵辅助太阳能热水系统气象分类研究[J]. 曾乃晖,袁艳平,孙亮亮,姚盼,邓志辉. 太阳能学报. 2017(11)
[7]基于层次聚类与峰值检测的FCM图像分割算法[J]. 刘仲民,李博皓,胡文瑾,李战明. 兰州理工大学学报. 2017(04)
[8]一种改进的医学图像分割聚类算法[J]. 康毓秀,赵锡英,李彭博,徐艳. 兰州工业学院学报. 2017(04)
[9]基于小波变换的重叠光纤布拉格光栅信号峰值定位[J]. 李志斌,黄启韬,刘畅,熊杰. 激光与光电子学进展. 2017(10)
[10]基于深度学习的图像超分辨率复原研究进展[J]. 孙旭,李晓光,李嘉锋,卓力. 自动化学报. 2017(05)
博士论文
[1]基于自适应稀疏表示的压缩感知及相位恢复算法研究[D]. 石保顺.燕山大学 2017
[2]基于矩阵分解的图像表示理论及其应用研究[D]. 肖延辉.北京交通大学 2014
[3]基于视觉的硅太阳能电池检测方法的研究[D]. 王楠.河北农业大学 2014
[4]压缩感知中观测矩阵的研究[D]. 孙晶明.华中科技大学 2013
[5]光伏阵列故障状态的识别研究[D]. 王培珍.合肥工业大学 2005
硕士论文
[1]基于深度学习的表面缺陷检测方法研究[D]. 张浩.苏州大学 2018
[2]基于机器视觉的晶硅光伏太阳能电池测量系统研究[D]. 黄炽豪.华南理工大学 2018
[3]基于机器视觉的太阳能电池外观检测技术研究[D]. 李桥.苏州大学 2016
[4]基于卷积神经网络的深度学习算法与应用研究[D]. 张效荣.西安电子科技大学 2015
[5]基于傅里叶变换和Gabor变换的机织物纹理分析方法研究[D]. 薛乐.东华大学 2015
[6]基于低秩矩阵分解的非局部稀疏模型图像去噪方法研究[D]. 姚波旭.西安电子科技大学 2014
[7]多晶硅表面缺陷识别及软件检测系统设计与开发[D]. 王晗.上海交通大学 2014
[8]基于机器视觉的太阳能电池片表面缺陷检测的研究[D]. 赵慧阳.燕山大学 2011
本文编号：2895860
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：109 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外太阳能电池片检测现状
1.2.1 国外太阳能电池片检测现状
1.2.2 国内太阳能电池片检测现状
1.3 当前电池片缺陷检测面临问题
1.4 本文结构
参考文献
第二章 太阳能电池片表面缺陷检测方法
2.1 引言
2.2 基于机器视觉的太阳能电池检测方法
2.2.1 聚类与梯度特征方法在太阳能电池片缺陷检测中的应用
2.2.2 矩阵分解法在太阳能电池片缺陷检测中的应用
2.2.3 频域分析法在太阳能电池片缺陷检测中的应用
2.2.4 深度学习在太阳能电池片缺陷检测中的应用
2.3 本章小结
参考文献
第三章 基于欠定方程的太阳能电池片缺陷检测算法
3.1 欠定方程和压缩感知
3.2 基于欠定方程的太阳能电池片表面缺陷检测模型
3.3 实验验证
3.4 本章小结
参考文献
第四章 基于深度学习模型Dp-Unet的电池片缺陷检测
4.1 深度神经网络
4.1.1 神经网络
4.1.2 卷积神经网络
4.1.3 全卷积神经网络
4.2 基于动态池化的Dp-Unet网络
4.2.1 U-net网络
4.2.2 Dp-Unet网络
4.3 实验验证
4.3.1 激活函数
4.3.2 数据增强
4.3.3 模型训练
4.3.4 模型评价
4.4 本章小结
参考文献
第五章 太阳能电池片缺陷检测系统设计
5.1 图像采集系统
5.2 交互控制界面
5.3 数据处理系统
5.4 本章小节
参考文献
第六章 总结与展望
6.1 本文工作总结
6.2 展望
致谢
攻读学位期间发表的论文
【参考文献】：
期刊论文
[1]太阳能光伏发电投资策略研究[J]. 姚丰桥,冯兰刚,董旭. 河北地质大学学报. 2018(05)
[2]基于经验小波的太阳能电池缺陷图像融合[J]. 陈海永,余力,刘辉,杨佳博,胡启迪. 山东大学学报(工学版). 2018(05)
[3]浅析太阳能利用应用发展趋势[J]. 陈怀臻. 科技经济导刊. 2018(13)
[4]欧洲太阳能热发电和热化学研究现状和发展前景[J]. 丛敏. 热能动力工程. 2018(04)
[5]基于观测矩阵优化的自适应压缩感知算法[J]. 胡强,林云. 计算机应用. 2017(12)
[6]基于聚类分析法的空气源热泵辅助太阳能热水系统气象分类研究[J]. 曾乃晖,袁艳平,孙亮亮,姚盼,邓志辉. 太阳能学报. 2017(11)
[7]基于层次聚类与峰值检测的FCM图像分割算法[J]. 刘仲民,李博皓,胡文瑾,李战明. 兰州理工大学学报. 2017(04)
[8]一种改进的医学图像分割聚类算法[J]. 康毓秀,赵锡英,李彭博,徐艳. 兰州工业学院学报. 2017(04)
[9]基于小波变换的重叠光纤布拉格光栅信号峰值定位[J]. 李志斌,黄启韬,刘畅,熊杰. 激光与光电子学进展. 2017(10)
[10]基于深度学习的图像超分辨率复原研究进展[J]. 孙旭,李晓光,李嘉锋,卓力. 自动化学报. 2017(05)
博士论文
[1]基于自适应稀疏表示的压缩感知及相位恢复算法研究[D]. 石保顺.燕山大学 2017
[2]基于矩阵分解的图像表示理论及其应用研究[D]. 肖延辉.北京交通大学 2014
[3]基于视觉的硅太阳能电池检测方法的研究[D]. 王楠.河北农业大学 2014
[4]压缩感知中观测矩阵的研究[D]. 孙晶明.华中科技大学 2013
[5]光伏阵列故障状态的识别研究[D]. 王培珍.合肥工业大学 2005
硕士论文
[1]基于深度学习的表面缺陷检测方法研究[D]. 张浩.苏州大学 2018
[2]基于机器视觉的晶硅光伏太阳能电池测量系统研究[D]. 黄炽豪.华南理工大学 2018
[3]基于机器视觉的太阳能电池外观检测技术研究[D]. 李桥.苏州大学 2016
[4]基于卷积神经网络的深度学习算法与应用研究[D]. 张效荣.西安电子科技大学 2015
[5]基于傅里叶变换和Gabor变换的机织物纹理分析方法研究[D]. 薛乐.东华大学 2015
[6]基于低秩矩阵分解的非局部稀疏模型图像去噪方法研究[D]. 姚波旭.西安电子科技大学 2014
[7]多晶硅表面缺陷识别及软件检测系统设计与开发[D]. 王晗.上海交通大学 2014
[8]基于机器视觉的太阳能电池片表面缺陷检测的研究[D]. 赵慧阳.燕山大学 2011
本文编号：2895860
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2895860.html
