光伏生产中的智能缺陷检测与质量控制方法、设备及介质与流程

本发明涉及光伏制造，具体涉及一种光伏生产中的智能缺陷检测与质量控制方法、设备及存储介质。

背景技术：

1、在光伏制造领域，确保产品质量至关重要。然而，光伏电池片的制造过程也面临着工艺参数、设备状态等因素的变异，可能导致电池片的缺陷，影响光伏产品的性能和质量。传统的质量控制方法主要依赖于工艺监测和产品测试，但这些方法可能无法及时准确地识别缺陷的根本原因，导致不良产品率增加和生产效率降低。

2、为解决这一问题，近年来开始引入基于adc(automated defect classification)缺陷检测分析技术。adc技术利用先进的图像处理和机器学习算法，实时监测和分析光伏电池片制造过程中的关键参数和图像数据。通过分析这些数据，可以准确识别和定位电池片表面的隐裂、同心圆、脏污、黑斑、黑点、边缘脏污等缺陷，从而利于后期对不良产品的溯因分析。

3、然而，现有的adc技术在光伏制造领域仍然面临一些挑战。首先，光伏电池片制造过程中的数据量庞大且复杂，包含多个参数和图像特征，因此需要高效的数据管理和处理方法。其次，缺陷分类需要准确的模型和算法来识别缺的根本类型，并在复杂的生产环境中进行实时分析。此外，故障诊断和纠正措施的追溯性也是挑战之一，特别是在大规模生产中，需要迅速准确地找到缺陷源并采取相应措施以最小化不良产品的数量。

4、因此，需要进一步研究和开发基于半自动化的adc缺陷检测分析技术，以提高光伏产业电池片制造过程中的质量控制能力，降低不良产品率，并提高生产效率。这种技术将为光伏行业带来更高水平的质量保障和生产优化。

技术实现思路

1、本发明提出的一种光伏生产中的智能缺陷检测与质量控制方法、设备及存储介质，可至少解决背景技术中的技术问题之一。

2、为实现上述目的，本发明采用了以下技术方案：

3、一种光伏生产中的智能缺陷检测与质量控制方法，首先，本发明通过在光伏制造太阳能电池片过程中集成传感器和数据采集系统，实时获取el数据。这些数据包含了电池片生产的工艺参数、传感器读数、设备的状态等等，提供了对整个生产过程的全面监测。

4、其次，基于获取的el数据，本发明采用先进的深度学习算法进行缺陷检测。该算法结合了机器学习、统计分析以及人工智能技术，可以对大规模的el数据进行高性能处理和分析。通过数据进行特征提取、缺陷检测等，本发明能够快速准确地识别缺陷的类型及不良产品产生的原因。

5、进一步地，本发明提供了直观呈现缺陷检测结果的可视化工具和报告生成功能。通过图表、趋势分析和故障树等方式，工程师和操作人员可以清晰地了解不良产品产生的根本原因，并采取相应的纠正措施。

6、本发明描述了一个针对光伏电池片制造过程中，在有限的硬件资源(只有4张英伟达a10的gpu)情况下进行缺陷检测的分析流程。流程主要包括以下步骤：

7、s1：信息获取，实时对生产的电池片进行测试和诊断操作，例如光学测试等，以获取电池片的el数据信息；

8、光学测试包括sem、tem等；

9、s2：获取el数据及配置文件；

10、s3：人工手动收集缺陷类型图像数据，再进行指定算法(这里使用efficientnetv2算法)模型训练，将训练出的模型手动导入到推理平台中；

11、s4：对实时请求到的el数据进行解析并处理，获取算法结构的数据；

12、s5：对预处理的数据进一步做缺陷检测，并依据训练出的模型给出预测的缺陷类型；

13、s6：根据缺陷类型，进一步人工复判，验证和确定失效的根本原因；

14、s7：对复判的结果进行汇总，获取过漏检得分，对于得分低于给定阈值(例如99.7％)的模型，将训练集数据进行更新，并重新训练，循环步骤s3至s6；

15、s8：措施采取，根据缺陷的根本原因，采取对应的措施。

16、进一步地，在步骤s1：信息条件的请求方式，如下步骤s11：

17、s11：筛选指定时间内对应的产品名、生产线体、设备名、机台名，将电池片经过el进行测试和诊断操作，例如进行光学测试等，以获取电池片器件的履历信息；

18、进一步地，在步骤s2：根据步骤s1请求数据，获取光伏电池片生产制造过程中的el数据及配置文件，具体包括如下步骤s21至s23：

19、s21：后端adc解析数据接口在指定时间内获得el数据后，解析对应表结构的信息；

20、s22：通过步骤s21，过滤掉冗余的数据，并按照数据库表中结构信息进行存储数据；

21、s23：通过步骤s22，提取图像路径及对应的唯一标识id信息，将其以kafka通讯的方式将信息生产出来，供后续的推理服务消费；

22、进一步地，在步骤s3：对历史el图像数据进行人工复判并归类收集，进行模型训练并导出算法模型到推理服务中，具体包括如下步骤s31至s33；

23、s31：人工手动收集典型的缺陷类别图像数据，

24、s32：基于步骤s31，将收集到的图像数据上传到指定的训练集路径上，启动训练脚本进行算法模型训练；

25、s33：基于步骤s32，将训练出的模型手动导入到推理平台中；

26、进一步地，在步骤s4：对实时请求到的el数据进行解析并处理，获取算法结构的数据，具体包括如下步骤s41至s43：

27、s41：对实时监听到的请求服务进行数据预处理，解析出图像路径；

28、s42：基于步骤s41，当找不到图像路径文件时，返回带有标识“找不到图像”并分类结果为“none”的内容；

29、s43：基于步骤s42，当找到图像路径文件时，将请求中的图像路径处理为可推理的图像数组；

30、进一步地，在步骤s5：依据训练出的模型给出预测的缺陷类型，具体内容包括如下步骤s51至s53：

31、s51：基于步骤s33的分类算法模型，对基于步骤s41预处理的数据进一步做缺陷检测预测；

32、s52：基于步骤s51，将图像预测出的分类结果，连同图像唯一id信息标识，以及分类结果的相关系数，进行封装并返回信息；

33、s53：基于步骤s51，若分类预测的相关系数达不到给定的最低阈值(这里设为0.1)，则抛出类别为“其它”，让人工进行复判；

34、进一步地，在步骤s6：根据缺陷类型，进一步人工复判，验证和确定失效的根本原因，具体内容包括如下步骤s61至s62：

35、s61：人工通过选择指定时间段下指定产品名、生产线体、设备名、机台名，以及不同缺陷类型的指定数量图像，进行人工复判；

36、s62：基于步骤s61缺陷类型的图像，依据有经验的工程师，确定其失效的根本原因；

37、进一步地，在步骤s7：对复判的结果进行汇总，对未达标的模型，收集其训练数据并重新训练，具体内容包括如下步骤s71至s73：

38、s71：对复判的结果进行汇总，获取过漏检得分；

39、s72：对于步骤s71的得分高于给定阈值的模型，继续监听新的请求服务；

40、s73：对于步骤s71的得分低于给定阈值的模型，将训练集数据进行更新，并重新训练模型，循环步骤s3至s6；

41、又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。

42、再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。

43、由上述技术方案可知，本发明的光伏生产中的智能缺陷检测与质量控制方法，具体提供了一种基于光伏制造业中的电致发光(electroluminescence，el)检测数据，并对该数据进行缺陷检测并分类。该方法结合了adc技术和先进的数据分析算法，以实现对不良产品进行精准定位。

44、具体的说，通过实时获取并分析el数据，本发明能够快速准确地识别并分类光伏电池片的缺陷类型，显著提高了缺陷检测的效率和准确性。

45、面对光伏电池片制造过程中产生的大量复杂数据，本发明采用了高效的数据管理和处理方法。通过集成传感器和数据采集系统，实时获取并处理生产过程中的关键数据，为缺陷检测提供了全面的数据支持。

46、本发明采用先进的深度学习算法进行缺陷检测，能够对大规模el数据进行高性能处理和分析。深度学习算法的应用使得缺陷识别更加精准，有助于工程师和操作人员迅速找到不良产品产生的原因，并采取相应的纠正措施。

47、本发明提供了直观呈现缺陷检测结果的可视化工具和报告生成功能。通过图表、趋势分析和故障树等方式，用户可以清晰地了解不良产品产生的根本原因，并采取相应措施，以提高生产过程中的质量控制能力。

48、通过应用本发明的方法，光伏制造企业可以显著降低不良产品率，提高生产效率和产品质量。先进的缺陷检测技术帮助生产厂商追溯并解决不良产品产生的问题，促进光伏制造行业的发展。