模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2014, Vol. 27 Issue (6): 517-523    DOI:
研究与应用 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于深度学习的太阳能电池片表面缺陷检测方法*
王宪保1,2,李洁1,姚明海1,何文秀1,钱沄涛2
1浙江工业大学 信息工程学院 杭州 310023
2浙江大学 计算机科学与技术学院 杭州 310027
Solar Cells Surface Defects Detection Based on Deep Learning
WANG Xian-Bao1,2, LI Jie1, YAO Ming-Hai1, HE Wen-Xiu1, QIAN Yun-Tao2
1College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023
2College of Computer Science and Technology, Zhejiang University, Hangzhou 310027

全文: PDF (646 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 目前对太阳能电池片的缺陷检测仍依赖人工完成,很难通过传统的CCD成像系统自动识别.作为一种多层神经网络学习算法,深度学习因对输入样本数据强大的特征提取能力而受到广泛关注.文中提出一种基于深度学习的太阳能电池片表面缺陷检测方法,该方法首先根据样本特征建立深度置信网络(DBN),并训练获取网络的初始权值;然后通过BP算法微调网络参数,取得训练样本到无缺陷模板之间的映射关系;最后利用重构图像与缺陷图像之间的对比关系,实现测试样本的缺陷检测.实验表明DBN能较好地建立上述映射关系,且准确、快速地进行缺陷检测.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
王宪保
李洁
姚明海
何文秀
钱沄涛
关键词 深度学习缺陷检测限制玻尔兹曼机(RBM)深度置信网络(DBN)    
Abstract:Defects of solar cells are detected mainly by manual operation, and they are difficult to be detected automatically by traditional charge-coupled device(CCD) imaging system. As a training multi-layer neural network, deep learning draws great attention due to its strong ability to extract features from input sample data. A method for solar cells surface defects detection based on deep learning is proposed. Firstly, deep belief networks(DBN) are established and trained according to the sample features to obtain the initial weights of the networks. Then, the traditional BP algorithm is conducted to fine-tune the network parameters to get the mapping relationship between the training samples and the defect-free template. Finally, the defects of testing samples are detected by the contrast between the reconstruction image and the defect image. Experimental results show that DBN perfectly establishes the mapping relationship, and it can quickly detect defects with a high accuracy.
Key wordsDeep Learning    Defect Detection    Restricted Boltzmann Machine(RBM)    Deep Belief Network(DBN)   
收稿日期: 2014-01-07     
ZTFLH: TP 391  
基金资助:国家自然科学基金项目(No.61070113)、浙江省自然科学基金项目(No.LY14F030009)资助
作者简介: 王宪保(通讯作者),男,1977年生,博士,讲师,主要研究方向为模式识别、神经网络、图像处理及其在缺陷检测中的应用等.E-mail:wxb@zjut.edu.cn.李洁,女,1988年生,硕士研究生,主要研究方向为模式识别、图像处理、图像理解等.姚明海,男,1963年生,教授,博士生导师,主要研究方向为模式识别、智能控制、物联网等.何文秀,女,1979年生,博士研究生,讲师,主要研究方向为人工智能、无线传感网络.钱沄涛,男,1968年生,教授,博士生导师,主要研究方向为机器学习、模式识别、图像处理.
引用本文:   
王宪保,李洁,姚明海,何文秀,钱沄涛. 基于深度学习的太阳能电池片表面缺陷检测方法*[J]. 模式识别与人工智能, 2014, 27(6): 517-523. WANG Xian-Bao, LI Jie, YAO Ming-Hai, HE Wen-Xiu, QIAN Yun-Tao. Solar Cells Surface Defects Detection Based on Deep Learning. , 2014, 27(6): 517-523.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2014/V27/I6/517
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn