太陽電池組件是新能源系統(tǒng)中用于光伏發(fā)電的核心部件,而太陽能電池片是構成電池組件的關鍵部分。但是在其生產過程中,由于工藝的限制及生產環(huán)境的影響,電池片表面易出現(xiàn)斷柵、缺角、劃痕、臟污等缺陷。這些缺陷不僅會降低產品的良率,還會影響電池片原本就不高的轉換效率,在其構成組件之前進行檢測并剔除缺陷產品尤為重要。目前常用的人工檢測手段受經驗和主觀因素影響較大,機器視覺檢測則受制于缺陷檢測的算法。本文從工業(yè)生產對電池片缺陷檢測實時性、準確性、快速性要求出發(fā),圍繞太陽能電池片缺陷高效檢測展開研究。首先提出了基于欠定方程模型的電池片缺陷檢測算法,實現(xiàn)了線型、斑點型等微弱缺陷的快速、準確檢測;其次,針對欠定方程對邊緣型、環(huán)型缺陷的檢測識別率較低現(xiàn)象提出了基于深度學習的Dp-Unet模型,并達到了精確率、識別準確率的要求;最后,將二者統(tǒng)一實現(xiàn)了系統(tǒng)級檢測平臺。本文的具體內容和創(chuàng)新點如下:（1）針對廣泛采用的頻域分析法,提出了基于欠定方程的缺陷檢測算法。該算法借助壓縮感知原理,考察電池片表面數(shù)字圖像,基于一維傅里葉變換,構建關于缺陷列在小波域中的投影系數(shù)的欠定方程,而后通過內積比較確定各高頻系數(shù)中的大值所在位... 

【文章來源】：安徽大學安徽省 211工程院校

【文章頁數(shù)】：109 頁

【學位級別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內外太陽能電池片檢測現(xiàn)狀
        1.2.1 國外太陽能電池片檢測現(xiàn)狀
        1.2.2 國內太陽能電池片檢測現(xiàn)狀
    1.3 當前電池片缺陷檢測面臨問題
    1.4 本文結構
    參考文獻
第二章 太陽能電池片表面缺陷檢測方法
    2.1 引言
    2.2 基于機器視覺的太陽能電池檢測方法
        2.2.1 聚類與梯度特征方法在太陽能電池片缺陷檢測中的應用
        2.2.2 矩陣分解法在太陽能電池片缺陷檢測中的應用
        2.2.3 頻域分析法在太陽能電池片缺陷檢測中的應用
        2.2.4 深度學習在太陽能電池片缺陷檢測中的應用
    2.3 本章小結
    參考文獻
第三章 基于欠定方程的太陽能電池片缺陷檢測算法
    3.1 欠定方程和壓縮感知
    3.2 基于欠定方程的太陽能電池片表面缺陷檢測模型
    3.3 實驗驗證
    3.4 本章小結
    參考文獻
第四章 基于深度學習模型Dp-Unet的電池片缺陷檢測
    4.1 深度神經網絡
        4.1.1 神經網絡
        4.1.2 卷積神經網絡
        4.1.3 全卷積神經網絡
    4.2 基于動態(tài)池化的Dp-Unet網絡
        4.2.1 U-net網絡
        4.2.2 Dp-Unet網絡
    4.3 實驗驗證
        4.3.1 激活函數(shù)
        4.3.2 數(shù)據(jù)增強
        4.3.3 模型訓練
        4.3.4 模型評價
    4.4 本章小結
    參考文獻
第五章 太陽能電池片缺陷檢測系統(tǒng)設計
    5.1 圖像采集系統(tǒng)
    5.2 交互控制界面
    5.3 數(shù)據(jù)處理系統(tǒng)
    5.4 本章小節(jié)
    參考文獻
第六章 總結與展望
    6.1 本文工作總結
    6.2 展望
致謝
攻讀學位期間發(fā)表的論文


【參考文獻】：
期刊論文
[1]太陽能光伏發(fā)電投資策略研究[J]. 姚豐橋,馮蘭剛,董旭.  河北地質大學學報. 2018(05)
[2]基于經驗小波的太陽能電池缺陷圖像融合[J]. 陳海永,余力,劉輝,楊佳博,胡啟迪.  山東大學學報(工學版). 2018(05)
[3]淺析太陽能利用應用發(fā)展趨勢[J]. 陳懷臻.  科技經濟導刊. 2018(13)
[4]歐洲太陽能熱發(fā)電和熱化學研究現(xiàn)狀和發(fā)展前景[J]. 叢敏.  熱能動力工程. 2018(04)
[5]基于觀測矩陣優(yōu)化的自適應壓縮感知算法[J]. 胡強,林云.  計算機應用. 2017(12)
[6]基于聚類分析法的空氣源熱泵輔助太陽能熱水系統(tǒng)氣象分類研究[J]. 曾乃暉,袁艷平,孫亮亮,姚盼,鄧志輝.  太陽能學報. 2017(11)
[7]基于層次聚類與峰值檢測的FCM圖像分割算法[J]. 劉仲民,李博皓,胡文瑾,李戰(zhàn)明.  蘭州理工大學學報. 2017(04)
[8]一種改進的醫(yī)學圖像分割聚類算法[J]. 康毓秀,趙錫英,李彭博,徐艷.  蘭州工業(yè)學院學報. 2017(04)
[9]基于小波變換的重疊光纖布拉格光柵信號峰值定位[J]. 李志斌,黃啟韜,劉暢,熊杰.  激光與光電子學進展. 2017(10)
[10]基于深度學習的圖像超分辨率復原研究進展[J]. 孫旭,李曉光,李嘉鋒,卓力.  自動化學報. 2017(05)

博士論文
[1]基于自適應稀疏表示的壓縮感知及相位恢復算法研究[D]. 石保順.燕山大學 2017
[2]基于矩陣分解的圖像表示理論及其應用研究[D]. 肖延輝.北京交通大學 2014
[3]基于視覺的硅太陽能電池檢測方法的研究[D]. 王楠.河北農業(yè)大學 2014
[4]壓縮感知中觀測矩陣的研究[D]. 孫晶明.華中科技大學 2013
[5]光伏陣列故障狀態(tài)的識別研究[D]. 王培珍.合肥工業(yè)大學 2005

碩士論文
[1]基于深度學習的表面缺陷檢測方法研究[D]. 張浩.蘇州大學 2018
[2]基于機器視覺的晶硅光伏太陽能電池測量系統(tǒng)研究[D]. 黃熾豪.華南理工大學 2018
[3]基于機器視覺的太陽能電池外觀檢測技術研究[D]. 李橋.蘇州大學 2016
[4]基于卷積神經網絡的深度學習算法與應用研究[D]. 張效榮.西安電子科技大學 2015
[5]基于傅里葉變換和Gabor變換的機織物紋理分析方法研究[D]. 薛樂.東華大學 2015
[6]基于低秩矩陣分解的非局部稀疏模型圖像去噪方法研究[D]. 姚波旭.西安電子科技大學 2014
[7]多晶硅表面缺陷識別及軟件檢測系統(tǒng)設計與開發(fā)[D]. 王晗.上海交通大學 2014
[8]基于機器視覺的太陽能電池片表面缺陷檢測的研究[D]. 趙慧陽.燕山大學 2011



本文編號：2895860