【嘉德點評】天準科技發明的基於機器視覺以及深度學習的太陽能光伏矽片瑕疵檢測系統，可以通過深度學習技術自動統計矽片瑕疵特徵，且當產品更換後，算法無需重新耗費人力開發，能大幅提高產品瑕疵檢測的準確性和識別率。
集微網消息，在太陽能光伏面板產業中，對於矽片的瑕疵檢測是生產過程中必不可少的一個環節，檢測過程中，現場的質檢員需要對矽片外觀上的瑕疵進行甄別並做進一步處理，這些瑕疵有可能非常細小，且瑕疵類別較為複雜，另外瑕疵大小以及分布也是不可預知的，因此讓質檢員的工作變得複雜，也使得瑕疵檢測難度偏大。
而除了人工檢測，也有研究者開始利用機器視覺技術進行瑕疵檢測，主流的矽片瑕疵檢測算法需要根據產品特性，人為定義進行特徵定義和建立模型，採用基於人工提取特徵的機器視覺方法，通過工業相機採集產品圖像，傳入基於規則的檢測方法來提取特徵，最後輸出檢測結果。
但是這種傳統的檢測方法存在幾方面問題：在檢測算法開發過程中，需要投入大量的精力進行算法原型的設計與驗證；產品更新換代後，需要重新開發算法，且算法方法泛化能力差；開發周期長、檢測指標難以達到預期目標。
為此，天準科技在2018年3月12日申請了一項名為「一種基於CNN分割的太陽能光伏矽片瑕疵檢測系統及方法」的發明專利（申請號：201810226903.X），申請人為蘇州天準科技股份有限公司。
根據該專利目前公開的資料，讓我們一起來看看這項基於CNN分割的太陽能光伏矽片瑕疵檢測方案吧。
如上圖，為該專利中發明的基於CNN分割的太陽能光伏矽片瑕疵檢測系統的結構示意圖，其中包括圖片收集、標註模塊、圖像預處理模塊以及訓練模塊。圖像收集與標註模塊用於採集太陽能矽片的圖片以及進行數據標註，用作神經網絡CNN的訓練圖片。
預處理模塊可以根據訓練圖像及其對應的標註數據，對圖像數據進行裁切和數據增強，以正式建立神經網絡的訓練集。當訓練集建立之後，訓練模塊就可以開始工作，對矽片圖像進行訓練、提取特徵來獲得權值文件，這些權值文件可以對光伏矽片進行識別，從而識別其中的瑕疵產品。
需要說明的是，在該神經網絡訓練方案中，最初的訓練數據進行了特別的劃分，其中包括沒有瑕疵的矽片產品圖片和存在瑕疵的矽片圖像，沒有瑕疵的矽片是一張全黑的圖像，而存在瑕疵的矽片是一張部分區域高亮的圖像，對應著瑕疵區域。
這種藉助於深度學習以及機器視覺的瑕疵檢測方法，無需人為地對產品進行歸納和建模，藉助於海量產品的數據優勢，利用CNN技術自動歸納以及提取產品的瑕疵特徵。
上圖為這種基於CNN的太陽能光伏矽片瑕疵檢測方法的流程圖，與上述結構中描述的功能相對應，不同的結構模塊發揮著不同的作用。首先，系統會採集一定數量的太陽能矽片圖像作為訓練圖片，並對數據進行裁切以及增強，這也是為了增強網絡的泛化能力，簡言之就是當面對更多未見過的瑕疵圖像時可以很好的識別出來。
其次，經過卷積核反卷積等操作後，使得網絡收斂並得到系統設置的權值文件。最後還要檢驗這些權值文件是否達到可使用狀態，否則就需要重新調整訓練集，迭代訓練，直到滿足要求。而檢驗的條件可以靈活設定，例如將檢測率作為指標，當達到需要的檢測率就停止迭代訓練。
以上就是天準科技發明的基於機器視覺以及深度學習的太陽能光伏矽片瑕疵檢測系統，這種系統通過深度學習技術自動統計矽片瑕疵特徵而不再需要人為歸納和建模瑕疵特徵。同時，還可以提高檢測方法的泛化能力，即更換產品後，算法無需重新耗費人力開發，且能大幅提高產品瑕疵特徵提煉的準確性以及提高瑕疵產品的識別率。
關於嘉德
深圳市嘉德智慧財產權服務有限公司由曾在華為等世界500強企業工作多年的智慧財產權專家、律師、專利代理人組成，熟悉中歐美智慧財產權法律理論和實務，在全球智慧財產權申請、布局、訴訟、許可談判、交易、運營、標準專利協同創造、專利池建設、展會智慧財產權、跨境電商智慧財產權、智慧財產權海關保護等方面擁有豐富的經驗。
（校對/holly）