基于深度视觉的缺陷在线检测与工艺闭环补偿系统及方法与流程
本发明涉及薄膜太阳能电池激光制造的质量控制与工艺控制交叉,具体涉及基于深度视觉的缺陷在线检测与工艺闭环补偿系统及方法。
背景技术:
1、钙钛矿组件需经p1/p2/p3激光划线形成子电池串联结构,并经p4激光清边留出封装绝缘区。加工质量直接决定组件效率与良率。典型质量要求(引自资料a/b):划线线宽公差±5μm(@线宽15–200μm),、死区≤150μm、p4清边宽度公差±20μm。
2、目前行业里检测与加工基本是脱节的。普遍靠人工目检或离线aoi,缺陷往往滞后数片乃至数批才被发现,等发现时问题基板已经大量产出,没法即时止损。激光工艺的缺陷又有它专属的语义——断线、连边、火山口(crater)高度超限、线宽超差、清边残留或过蚀——通用工业视觉模型并没有对应的标注体系和工艺判据,误检漏检率偏高。即便检出了缺陷,结果也没有回授到振镜控制器或上位工艺系统,加工参数一成不变,同类缺陷在后面的基板上反复出现。
3、基于此,本发明设计了基于深度视觉的缺陷在线检测与工艺闭环补偿系统及方法以解决上述问题。
技术实现思路
1、针对现有技术所存在的上述缺点,本发明提供了基于深度视觉的缺陷在线检测与工艺闭环补偿系统及方法。
2、为实现以上目的,本发明通过以下技术方案予以实现:
3、基于深度视觉的缺陷在线检测与工艺闭环补偿系统,包括:
4、成像采集单元:部署于激光加工工位下游,用于逐片基板或逐段加工区域实时采集加工区域显微图像;
5、视觉检测处理单元:采集激光加工区域显微图像,依托多任务深度视觉模型完成多尺度特征提取、缺陷实例定位、缺陷类别判定,结合专属缺陷语义库与预设工艺窗口阈值完成量化合规判定,输出包含缺陷类型、缺陷中心坐标、几何尺寸、参数超标幅值、目标识别置信度的结构化缺陷数据;
6、工艺闭环补偿单元:用于预存储的缺陷-参数补偿映射表,并根据视觉检测处理单元输出的缺陷类型与参数超标幅值,匹配得到对应的激光工艺参数、振镜控制参数调整量;
7、上位机振镜控制单元:通过实时接口接收激光工艺参数和振镜控制参数调整量,在后续相邻加工单元或下一片基板加工流程中即时生效,完成激光功率、扫描速度、焦点偏移、光斑直径或焦距的自适应调整。
8、更进一步的,成像采集单元为同轴成像单元或旁轴成像单元。
9、更进一步的,专属缺陷语义库涵盖工艺缺陷分别为:断线、连边、火山口高度超限、线宽超差、清边残留。
10、更进一步的,多任务深度视觉模型由骨干网络、多尺度特征融合模块、双分支多任务头和量化与工艺合规判定模块依次串联组成。
11、更进一步的,骨干网络结构及分步执行流程:
12、多任务深度视觉模型的骨干网络采用50层深度残差网络(resnet50),网络主体依次串联conv1、conv2_x、conv3_x、conv4_x、conv5_x五组卷积模块,各组模块配置固定:conv2_x包含连续3组瓶颈残差块,conv3_x包含连续4组瓶颈残差块,conv4_x包含连续6组瓶颈残差块,conv5_x包含连续3组瓶颈残差块;
13、骨干网络具体执行步骤如下:
14、图像预处理:对采集的钙钛矿激光加工区域显微图像进行灰度化处理,统一转换为单通道灰度图像,剔除无效色彩信息,适配薄膜纹理与微小缺陷特征提取场景;
15、初始卷积与池化特征提取:将预处理后的灰度图像输入conv1模块,依次经过7×7卷积运算、bn批量归一化、relu激活函数激活,最后执行最大池化操作,完成图像底层基础纹理、边缘轮廓的初步提取,输出初始基础特征图;
16、多层残差堆叠深度特征提取:将初始基础特征图依次输入conv2_x、conv3_x、conv4_x、conv5_x四组残差模块,每组瓶颈残差块均采用“1×1卷积降维、3×3卷积核心特征提取、1×1卷积升维”的标准瓶颈结构;同时引入短路残差旁路连接机制,将模块输入特征直接映射至模块输出端,与卷积主干支路提取的特征逐元素相加融合,最终输出多组不同尺度的骨干原始特征图c2、c3、c4、c5。
17、更进一步的,多尺度特征融合模块结构及分步执行流程:
18、多尺度特征融合模块采用特征金字塔网络(fpn),以骨干网络输出的c2、c3、c4、c5多尺度原始特征为输入,通过自上而下上采样结合横向通道对齐融合的方式,实现浅层精细边缘特征与高层语义特征的双向融合,生成适配大小尺寸缺陷检测的融合特征d2、d3、d4、d5;
19、具体融合步骤如下:
20、深层特征初始化处理:对骨干网络最深层的卷积特征图c5进行1×1卷积降维,统一通道维度,生成初始d5特征;
21、逐层上采样与横向融合:将初始d5特征进行2倍上采样,与经过1×1卷积完成通道对齐的c4特征逐元素相加融合,再通过3×3卷积消除上采样混叠干扰,输出d4融合特征;将d4特征进行2倍上采样,与通道对齐后的c3特征逐元素融合,经3×3卷积平滑降噪后输出d3融合特征。
22、更进一步的,双分支多任务头分步执行流程
23、双分支多任务头共享d2、d3、d4、d5融合特征,双分支多任务头为目标检测头分支和实例语义分割头分支;
24、目标检测头分支执行流程:目标检测头基于retinahead轻量化检测范式搭建,复用全部融合特征,适配不同尺寸缺陷的检测需求,对d2、d3、d4、d5各层特征依次进行卷积回归与分类推理,逐一生成缺陷感兴趣区域(roi)及五类缺陷类别的预测概率,将预测概率最高值作为目标识别置信度,并将对应的缺陷类别与专属缺陷语义库进行匹配确定缺陷类型;
25、实例语义分割头分支执行流程:语义分割分支以目标检测头分支输出的缺陷感兴趣区域(roi)为约束范围,摒弃全图无差别分割,仅对缺陷局部区域开展像素级分割推理,语义分割分支以高分辨率d2精细特征为核心、d3-d5高层语义特征为辅助,在每个缺陷感兴趣区域(roi)内执行二分类像素预测,将图像像素精准划分为缺陷像素与背景像素,输出高精度缺陷像素掩码轮廓。
26、更进一步的,缺陷感兴趣区域为缺陷实例的外接矩形包围框坐标。
27、更进一步的,量化与工艺合规判定模块执行流程:
28、计算缺陷中心坐标和几何尺寸:对分割输出的缺陷像素掩码轮廓进行亚像素边缘拟合,还原激光划线、缺陷的真实边缘形态;基于拟合边缘逐段计算激光划线实际线宽、加工死区宽度、火山口投影直径或者清边残留区域面积的缺陷中心坐标和几何尺寸;
29、工艺阈值合规判定:基于专属缺陷语义库各类缺陷对应的专属工艺约束,调取系统预设的钙钛矿激光加工工艺窗口标准阈值,将缺陷中心坐标和几何尺寸与标准阈值比对,完成二值合规判定,筛选出超标缺陷。
30、一种检测补偿方法,利用基于深度视觉的缺陷在线检测与工艺闭环补偿系统,包括以下步骤:
31、步骤1、成像采集单元逐片基板或逐段加工区域实时采集加工区域显微图像;
32、步骤2、视觉检测处理单元采集激光加工区域显微图像,依托多任务深度视觉模型完成多尺度特征提取、缺陷实例定位、缺陷类别判定,结合专属缺陷语义库与预设工艺窗口阈值完成量化合规判定,输出包含缺陷类型、缺陷中心坐标、几何尺寸、参数超标幅值、目标识别置信度的结构化缺陷数据;
33、步骤3、工艺闭环补偿单元基于预存储的缺陷-参数补偿映射表,并根据视觉检测处理单元输出的缺陷类型与参数超标幅值,匹配得到对应的激光工艺参数、振镜控制参数调整量;
34、步骤4、上位机振镜控制单元通过实时接口接收激光工艺参数和振镜控制参数调整量,在后续相邻加工单元或下一片基板加工流程中即时生效,完成激光功率、扫描速度、焦点偏移、光斑直径或焦距的自适应调整;
35、步骤5、上位机振镜控制单元将补偿加工后的复检数据回流至视觉检测处理单元,计算复检缺陷中心坐标和几何尺寸与标准阈值的残差,基于残差按比例更新缺陷-参数补偿映射表中的调整量权重,迭代优化多任务深度视觉模型的标准阈值及缺陷-参数补偿映射表,实现激光加工缺陷检测与工艺参数补偿的闭环控制。
36、有益效果:本发明通过语义分割分支在检测框约束范围内进行像素级分割,获取缺陷的精确轮廓,并基于轮廓重新计算最小外接矩形,替代原始检测框。相比传统目标检测仅输出矩形包围框的方式,能够贴合缺陷真实边界,实现线宽、死区宽度、火山口尺寸等几何参数的微米级精准测量;采用dice损失与二分类交叉熵损失联合优化的多任务训练机制,针对钙钛矿微小缺陷像素占比极低、样本不均衡的问题,有效提升微断线、微小火山口等小尺寸缺陷的特征学习能力,降低漏检和误检概率。通过检测分支锁定感兴趣区域,约束分割分支仅在缺陷局部区域内执行像素级推理,摒弃全图无差别分割,大幅压缩计算量。在保持微米级测量精度的同时,满足产线在线检测的实时性要求(单帧推理时间不超过加工节拍)。将视觉检测输出的缺陷类型与基于精准轮廓计算的几何参数超标幅值相结合,通过缺陷-参数补偿映射表实时生成工艺参数调整量,并回授至加工执行单元。相比传统"检测、人工判定、手动调参"的开环模式,实现了检测、判定、补偿的全自动闭环,消除人工干预的滞后性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com