【技術領域】【0001】 本發明關於一種在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法、電腦程式及電腦可讀取媒體，特別是指單晶矽太陽能電池的瑕疵辨識。
【先前技術】【0002】 中華民國發明專利I653605號揭露一種『利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統』。主要係提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像；提供一卷積神經網路架構，並於該卷積神經網路架構中啟動訓練模式；將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練；以及利用已訓練的該卷積神經網路架構，執行一光學檢測程序。該案需要使用無瑕影像(goldensample)與瑕疵影像進行人工智慧學習，人工智慧判別時是以整張影像為單位進行判別，有時單一的或微小的瑕疵不易判別出。
【0003】 中華民國發明專利I701638號揭露一種『應用機械學習技術於自動化光學檢測系統』，包含：一定位裝置，其係用以定位一工件；一影像擷取單元，其係用以擷取該工件之影像；一處理單元，其訊號連結於該影像擷取單元，並係用以執行一尺寸檢測步驟及一光澤檢測步驟，該尺寸檢測步驟包含：將工件之影像銳化，並藉由邊緣檢測以獲得一邊緣影像；將邊緣影像進行卷積運算，並將該卷積影像依軸向計算點之數量；界定點數量變化較高之部分為一邊緣，並計算該邊緣之像素數；透過設定閥值，以藉由像素數與閥值之比對判斷該工件之尺寸是否合格；並可藉由CNN卷積類神經網路訓練工件之合格影像及瑕疵影像，以於拍攝工件影像時，直接進行合格與否之判別；藉此，可自動化進行工件之品質檢測，並可將合格品與不合格品予以分類，以降低人力檢測之成本，並可確保工件生產銷售之品質。該案需要使用定位裝置將工件確實定位，以進行尺寸檢測；且該案仍然是合格影像(goldensample)及瑕疵影像進行學習，且判別時是以整張影像為單位進行判別，有時單一的或微小的瑕疵不易判別出。
【0004】 中華民國發明專利公開第202001798號揭露一種『光學檢測方法、光學檢測裝置及光學檢測系統』。係經由光學鏡頭擷取待測物的第一影像；對所述第一影像執行邊緣偵測，以獲得具有邊緣圖案的第二影像；以及基於神經網路架構對所述第二影像執行瑕疵檢測操作，以檢測所述第二影像中的瑕疵圖案，其中，神經網路架構的檢測係根據樣本影像產生第一無瑕影像與第一瑕疵影像，並以第一無瑕影像與第一瑕疵影像進行訓練。該案仍然是第一無瑕影像(golden sample)及第一瑕疵影像進行學習，且判別時是以整張影像為單位進行判別，有時單一的或微小的瑕疵不易判別出。
【0005】 林敬祐等人所發表的『太陽能模組EL瑕疵檢測』技術，主要揭露如何運用影像處理技術快速定位與分割太陽能模組(Solar Module)上單一太陽能板，並透過統計分析與太陽能模組特性建構出標準比對樣本，與測試模組比對找出瑕疵，最後利用瑕疵特性找出太陽能板缺陷。該案根據太陽能板排列而在太陽能模組影像中取出太陽能板之細胞影像，因此細胞影像的邊界參差不齊，雖然該案使用平均灰階值及灰階值標準差作為特徵值進行細胞影像瑕疵辨識，但是仍然需要使用標準樣板(golden sample)來取得上述特徵值，且參差不齊的細胞影像邊界將造成系統計算量過大。
【發明內容】【0006】 爰此，本發明提出一種在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法，包括下列步驟：對一太陽能模組執行一電致發光程序，並對該太陽能模組擷取一模組影像。對該模組影像執行一邊界修正程序。對該模組影像執行一影像分割程序，獲得複數細胞格影像。對上述細胞格影像執行一人工智慧辨識程序，該人工智慧辨識程序根據一影像特徵值將複數細胞格影像區分為一瑕疵細胞格影像或一非瑕疵細胞格影像，藉此篩選出該太陽能模組上具有瑕疵的一太陽能電池。
【0007】 進一步，預先以人為方式篩選出該影像瑕疵特徵值，並經由人工智慧深度學習後，對上述細胞格影像自動辨識。
【0008】 進一步，上述影像特徵值包含裂痕影像特徵值、髒污影像特徵值、黑點影像特徵值、斷線影像特徵值及平滑度影像特徵值之一或組合。
【0009】 進一步，所述人工智慧深度學習及人工智慧辨識程序係採用類神經網絡。
【0010】 進一步，該邊界修正程序係根據灰階值的變化取得。
【0011】 進一步，該影像分割程序係根據霍夫轉換取得複數縱橫軸線之複數交點，並根據連接上述交點而分割出上述細胞格影像。更進一步，根據該太陽能模組的該太陽能電池的排列決定該模組影像的複數交點區域，並將位在上述交點區域的複數交點取座標平均值，分別獲得上述交點區域的一分割交點，並連接上述分割交點而分割出上述細胞格影像，且分割出的每一細胞格影像為單一完整的一太陽能電池影像。
【0012】 本發明再提出一種電腦程式，供使用於一電腦，該電腦程式執行如前述之在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法。
【0013】 本發明再提出一種電腦可讀取媒體，儲存有一電腦程式，該電腦程式執行如前述之在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法。
【0014】 根據上述技術特徵可達成以下功效：
【0015】 1.本發明提供一種細胞格影像切割結合深度學習的計算架構，使太陽能電池的瑕疵篩選更為快速精確。
【0016】 2.不需要成對的瑕疵原始影像(golden sample)與無瑕疵原始影像，即可執行太陽能電池的瑕疵篩選。
【0017】 3.本發明採用的細胞格影像分割，不需要精準的定位裝置搭配。
【0018】 4.本發明提出的邊界修正程序，可以處理不定尺寸的細胞格影像切割。
【0019】 5.本發明細胞格影像分割方法，為全域最顯著分割的計算模式，本發明的分割結果，不會產生細胞格影像的邊界之間不連續的斷節。
【0020】 6.本發明深度學習的計算模式，可以容忍細胞格影像切割不精確的問題。
【圖式簡單說明】【0033】 [第一圖]為本發明實施例的流程圖。
【0034】 [第二圖]為本發明實施例中，擷取太陽能模組之模組影像的示意圖。
【0035】 [第三圖]為本發明實施例中，對太陽能模組之模組影像進行邊界修正程序的示意圖。
【0036】 [第四圖]為本發明實施例中，利用霍夫轉換取得模組影像中的交點的示意圖。
【0037】 [第五圖]為本發明實施例中，在模組影像的交點區域的複數交點中取得分割交點的示意圖。
【0038】 [第六圖]為本發明實施例中，在模組影像中連接分割交點而取得細胞格影像的示意圖。
【0039】 [第七圖]為本發明實施例中，利用人工智慧辨識程序將細胞格影像區隔出瑕疵細胞格影像與非瑕疵細胞格影像的示意圖。
【實施方式】【0040】 綜合上述技術特徵，本發明在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法、電腦程式及電腦可讀取媒體的主要功效將可於下述實施例清楚呈現。
【0041】 參閱第一圖所示，本實施例係在一電腦安裝一電腦程式以執行在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法，該電腦程式可透過電腦可讀取媒體儲存。所述在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法包括下列步驟：參閱第一圖至第三圖所示，對一太陽能模組執行一電致發光程序，並對該太陽能模組擷取一模組影像1，該模組影像1以灰階影像為例。通常，該模組影像1會包含有例如一邊框影像11，因此，對該模組影像執行一邊界修正程序，以去除該邊框影像11，本實施例該邊界修正程序係根據灰階值的變化來判別該邊框影像11並加以去除，例如在灰階值的變化大於5%時，設定為邊框影像11。本發明透過執行上述邊界修正程序，該太陽能模組不需要使用精準的定位裝置來進行定位；也透過執行上述邊界修正程序而在後續步驟可以處理不定尺寸的細胞格影像切割。
【0042】 參閱第一圖、第四圖至第六圖所示，對該模組影像1執行一影像分割程序，以獲得複數細胞格影像2，該影像分割程序係根據霍夫轉換在該模組影像1上取得複數縱橫軸線12之複數交點13，其中霍夫轉換可參閱維基百科所述『霍夫轉換是一種特徵提取，被廣泛應用在圖像分析、電腦視覺以及數位影像處理。霍夫轉換是用來辨別找出物件中的特徵，例如：線條。他的演算法流程大致如下，給定一個物件、要辨別的形狀的種類，演算法會在參數空間中執行投票來決定物體的形狀，而這是由累加空間(accumulator space)裡的局部最大值來決定。』因此霍夫轉換演算法為習知技術，在此不贅述。之後根據連接上述交點13而分割出上述細胞格影像2，詳細而言，係根據該太陽能模組的該太陽能電池的排列決定該模組影像1的複數交點區域14，例如本實施例之太陽能模組的該太陽能電池排列為10*6之矩陣排列，而在縱軸線121上有7個交點區域，而在橫軸線122上有11個交點區域14，將位在上述交點區域14的複數交點13取座標平均值，分別獲得上述交點區域14的一分割交點15。並連接上述分割交點15而分割出上述細胞格影像2，且分割出的每一細胞格影像2為單一完整的一太陽能電池影像。透過上述細胞格影像2之分割方法，為全域最顯著分割的計算模式，因此上述細胞格影像2的邊界之間不會產生不連續的斷節。
【0043】 參閱第七圖所示，對上述細胞格影像2執行一人工智慧辨識程序，該人工智慧辨識程序根據一影像特徵值3將複數細胞格影像2區分為一瑕疵細胞格影像21或一非瑕疵細胞格影像22，藉此篩選出該太陽能模組上具有瑕疵的一太陽能電池。其中，上述影像特徵值3係預先以人為方式篩選出來，並經由人工智慧深度學習後，用以對上述細胞格影像2自動辨識，因此不需要如習知辨識方式需要無瑕疵影像(golden sample)進行比對。上述影像特徵值3可包含裂痕影像特徵值、髒污影像特徵值、黑點影像特徵值、斷線影像特徵值及平滑度影像特徵值之一或組合，而所述人工智慧深度學習及人工智慧辨識程序例如可採用類神經網絡，此人工智慧演算法係為習知技術，在此不贅述。而透過人工智慧深度學習並判別的方式，可以容忍上述細胞格影像2切割不精確的問題。
【0044】 參閱下表所示，將人工智慧深度學習後之辨識模型統計其訓練後之正確率、損失率及交叉驗證後之正確率、損失率，可發現其正確率之平均均為0.9777以上，且損失率低於0.0748以下，且代表變異度的標準差在0.0089以下，顯示了本發明檢測的有效性。
【0045】 
【0046】 
【0047】 綜合上述實施例之說明，當可充分瞭解本發明之操作、使用及本發明產生之功效，惟以上所述實施例僅係為本發明之較佳實施例，當不能以此限定本發明實施之範圍，即依本發明申請專利範圍及發明說明內容所作簡單的等效變化與修飾，皆屬本發明涵蓋之範圍內。