(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111247881.3 (22)申请日 2021.10.26 (71)申请人 苏州三熙智能科技有限公司 地址 215000 江苏省苏州市工业园区星 汉 街5号腾飞新苏坊B幢1层15单 元 (72)发明人 不公告发明人 　 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/764(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 太阳能电池EL图像进行AI识别的串行分析 应用方法及系统 (57)摘要 本发明公开了太阳能电池EL图像进行AI识 别的串行分析应用方法及系统， 包括对模板EL图 像上的缺陷特征进行标记、 将标注后的模板EL图 像添加给AI软件进行模型学习、 将待检测EL图像 添加给AI软件进行识别预测和AI软件输出待检 测EL图像的缺陷特征预测结果图。 该装置在给AI 软件添加缺陷特征时， 只需单一对 该缺陷特征进 行标记， 减少了大量的工作量， 迭代更新更方便， 同时不会漏判低容忍度的缺陷特征， 从而避免在 EL图像检测时漏判严重缺陷， 具有更好的数据指 导效果。 权利要求书1页 说明书4页 附图4页 CN 114022426 A 2022.02.08 CN 114022426 A 1.太阳能电池EL图像进行AI识别的串行分析应用方法， 其特征在于： 包括以下几个步 骤： S1， 对模板EL图像上的缺陷特征进行标记， 对所述缺陷特征进行标记时， 需要将所述模 板EL图像上存在的所有所述 缺陷特征均进行 标记； S2， 将标注后的模板EL 图像添加给AI软件进行模型学习， 通过所述模型学习形成所述 缺陷特征的标准模型， 并进行记 忆； S3， 将待检测EL图像添加给AI软件进行识别预测， 并在所述待检测EL 图像上标记出存 在的所述 缺陷特征； S4， AI软件输出待检测EL 图像的缺陷特征预测结果 图， 并对应生成所述缺陷特征的信 息表格。 2.根据权利要求1所述的太阳能电池EL图像进行AI识别的串行分析应用方法， 其特征 在于： 所述S1中的所述 缺陷特征存在若干种， 对若干种所述 缺陷特征的标记独立进行。 3.根据权利要求1所述的太阳能电池EL图像进行AI识别的串行分析应用方法， 其特征 在于： 所述模型学习次数设置有若干批次， 同一批次内的所述模型学习 添加同一所述缺陷 特征， 不同批次内的所述模型 学习独立进行。 4.根据权利要求3所述的太阳能电池EL图像进行AI识别的串行分析应用方法， 其特征 在于： 每一批次的所述模型 学习次数自行设定 。 5.根据权利要求1所述的太阳能电池EL图像进行AI识别的串行分析应用方法， 其特征 在于： 所述识别预测进行n次， n 为AI软件学习记 忆后的所述 缺陷特征类别数目。 6.根据权利要求5所述的太阳能电池EL图像进行AI识别的串行分析应用方法， 其特征 在于： n次所述识别预测相互独立。 7.根据权利要求1所述的太阳能电池EL图像进行AI识别的串行分析应用方法， 其特征 在于： 所述信息表格生成有m组， m为AI软件预测识别 出的所述待检测 EL图像上存在的所述 缺陷特征类别数目。 8.根据权利要求1所述的太阳能电池EL图像进行AI识别的串行分析应用方法， 其特征 在于： 所述信息表格上包括所述 缺陷特征的面积、 出现次数、 置信度和灰度。 9.一种太阳能电池EL图像进行AI识别的串行分析应用方法的系统， 其特征在于： 包括 模型学习模块、 模型记 忆模块、 识别预测模块和结果输出模块； 所述模型学习 模块用于训练学习模板缺陷特征， 并通过所述模板缺陷特征记忆形成标 准模型， 并将所述标准模型传递给 所述模型记 忆模块； 所述模型记 忆模块， 用于存 储所述标准模型； 所述识别预测模块， 通过将所述标准模型与待检测EL图像进行对比， 并在待检测EL图 像上标出缺陷特 征， 最后将标记后的EL图像传递给 所述结果输出模块； 所述结果输出模块， 对所述标记后的EL图像上的所述标出缺陷特征计算， 并生成数据 表格。 10.根据权利要求9所述的太阳能电池EL图像进行AI识别的串行分析应用方法， 其特征 在于： 所述模型 学习模块内设置有模型 添加模块。权　利　要　求　书 1/1 页 2 CN 114022426 A 2太阳能电池EL图像进行AI识别的串行分析应用方 法及系统 技术领域 [0001]本发明涉及 太阳能电池领域， 尤其涉及太阳能电池EL图像进行AI识别的串行分析 应用方法及系统。 背景技术 [0002]AI人工智能图像识别技术已经在光伏行业中得到广泛应用， 特别是在太阳能电池 和组件的EL图像识别 上， 近年来有越来越多的AI软件加入其中， AI识别的过程一般包含了 特征样本筛选， 特征标记， 训练， 预测等四部分。 [0003]在实际操作过程中， 一个EL图像样本中通常包含了很多种不同的缺陷特征， 传统 的方式是在样本中完整地标记各个不同缺陷特征， 然后训练成一个标准模型， 再用此模型 对新的样品进 行预测。 然而从使用者的角度， 在一个样本中进 行多种特征标记， 工作量较大 且操作复杂， 并且一 旦某个缺陷出现问题或需要更新， 那么就需要对整个模型进行修改； [0004]在专利号CN202010192560.7的发明中， 提出了一种AI技术在陶瓷片缺陷识别上的 应用， 而在太阳能领域， 在检测使用过程中， 传统的方式是对A I软件对待识别的EL图像进 行 一次识别预测， 从 中识别出EL图像的缺陷特征， 而在实际使用过程中， 对于不同类别的缺陷 特征的容忍度是不同的， 而太阳能电池工艺上， 一共存在二十至三十种类别的缺陷特征， 其 中存在一些及其相似的缺陷特征(例如黑斑和过刻)， 而只进行一次识别 预测， AI软件很可 能将相似度高的缺陷特征认定为其中某一种， 从而导致容忍度低的缺陷被漏判， 甚至会出 现， AI逻辑上认定该缺陷一部分类似A缺陷一部分类似B缺陷， 而将该区域认定为不存在一 种完整的缺陷特 征， 继而造成严重的漏判后果。 发明内容 [0005]本发明的目的是为了解决现有技术中存在的缺点， 而提出的太阳能电池EL图像进 行AI识别的串行分析应用方法。 [0006]为了实现上述目的， 本发明采用了如下技术方案： 其特征在于： 包括以下几个步 骤： [0007]S1， 对模板EL图像上的缺陷特征进行标记， 对所述缺陷特征进行标记时， 需要将所 述模板EL图像上存在的所有所述 缺陷特征均进行 标记； [0008]S2， 将标注后的模板EL图像添加给AI软件进行模型学习， 通过所述模型学习形成 所述缺陷特征的标准模型， 并进行记 忆； [0009]S3， 将待检测EL图像添加 给AI软件进行识别预测， 并在所述待检测EL图像上标记 出存在的所述 缺陷特征； [0010]S4， AI软件输出待检测EL图像的缺陷特征预测 结果图， 并对应生成所述缺陷特征 的信息表格。 [0011]优选的， 所述S1中的所述缺陷特征存在若干种， 对若干种所述缺陷特征的标记独 立进行。说　明　书 1/4 页 3 CN 114022426 A 3