一种硅片脱胶检测方法、装置、设备及存储介质与流程

1.本发明涉及硅片技术领域，特别是涉及一种硅片脱胶检测方法、装置、设备及存储介质。


背景技术：

2.随着世界经济的不断发展，现代化建设对高效能源需求不断增长。光伏发电作为绿色能源以及人类可持续发展的主要能源之一，日益受到世界各国的重视并得到大力发展。单晶硅片、多晶硅片作为光伏发电的太阳能电池片的基础材料，拥有广泛的市场需求。硅片是太阳能电池片的载体，硅片质量的好坏直接决定了太阳能电池片转换效率的高低。硅片表面的洁净度是影响硅片合格率和电池转换效率的关键因素。为获得洁净度高的硅片，往往硅片在经过线切割后需经过脱胶清洗和精细清洗两个部分，而作为第一道清洗工序的脱胶清洗虽然没有切割工艺要求那么高，但也是获得洁净片的重要工序。目前硅片脱胶后需人工根据硅片脱落情况判断是否需要进行二次脱胶，但人工只能主观判断，由此检测速度慢、效果不佳。
3.综上所述可知，如何设计一种硅片脱胶快速、准确的检测方法是目前有待解决的问题。


技术实现要素：

4.本发明的目的是提供一种硅片脱胶检测方法，以解决现有硅片脱胶检测速度慢、检测效率低的问题。
5.为解决上述技术问题，本发明提供一种硅片脱胶检测方法，包括：
6.获取硅片脱胶图像集，并对所述硅片脱胶图像集进行预处理，得到预处理图像集；
7.对所述预处理图像集进行特征提取，得到特征图像集；
8.利用所述特征图像集对预训练模型训练，得到训练完成的硅片脱胶检测模型；
9.利用所述硅片脱胶检测模型对待检测硅片图像集进行检测，得到硅片脱胶检测结果；
10.将所述硅片脱胶检测结果中硅片厚度合并计算，得到未脱胶硅片总厚度；
11.基于预设阈值与所述未脱胶硅片总厚度进行比较，对判定为未脱胶成功的晶棒进行脱胶处理，完成硅片脱胶。
12.优选地，所述获取硅片脱胶图像集，并对所述硅片脱胶图像集进行预处理，得到预处理图像集包括：
13.获取硅片脱胶图像集，对所述硅片脱胶图像集进行目标剪切，得到目标硅片图像，生成预处理图像集。
14.优选地，所述对所述预处理图像集进行特征提取，得到特征图像集包括：
15.将所述预处理图像集在高度上进行剪切，剔除图像背景，提取图像特征，得到特征图像集。
16.优选地，所述得到特征图像集后对细未脱胶硅片、粗未脱胶硅片和树脂板边端进行标注处理。
17.优选地，所述利用所述特征图像集对预训练模型训练，得到训练完成的硅片脱胶检测模型包括：
18.基于深度学习网络模型，利用yolov5目标检测网络作为主干网络进行图像特征的学习，对预训练模型反复迭代直至损失函数收敛，得到训练完成的硅片脱胶检测模型。
19.优选地，所述将所述硅片脱胶检测结果中硅片厚度合并计算，得到未脱胶硅片总厚度包括：
20.基于平面坐标系将未脱胶硅片在x轴上最小值进行升序排序，得到硅片位置区间
21.将未脱胶硅片去重后的位置信息集合，得到集合s，其中，为集合s的最后一个元素；
22.若将ti作为最后一个元素存入集合s；否则将集合s中最后一个元素替换为
23.遍历集合s，得到未脱胶硅片去重的厚度，将所述未脱胶硅片去重的厚度累加处理，得到硅片总厚度。
24.优选地，所述预设阈值基于现场需求进行调节。
25.本发明还提供一种硅片脱胶检测装置，包括：
26.图像预处理模块，获取硅片脱胶图像集，并对所述硅片脱胶图像集进行预处理，得到预处理图像集；
27.特征提取模块，对所述预处理图像集进行特征提取，得到特征图像集；
28.训练模块，利用所述特征图像集对预训练模型训练，得到训练完成的硅片脱胶检测模型；
29.检测模块，利用所述硅片脱胶检测模型对待检测硅片图像集进行检测，得到硅片脱胶检测结果；
30.厚度计算模块，将所述硅片脱胶检测结果中硅片厚度合并计算，得到未脱胶硅片总厚度；
31.判断模块，基于预设阈值与所述未脱胶硅片总厚度进行比较，对判定为未脱胶成功的晶棒进行脱胶处理，完成硅片脱胶。
32.本发明还提供一种硅片脱胶检测设备，包括：
33.存储器，用于存储计算机程序；
34.处理器，用于执行所述计算机程序时实现上述所述一种硅片脱胶检测方法的步骤。
35.本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述一种硅片脱胶检测方法的步骤。
36.本发明所提供的一种硅片脱胶检测方法，基于深度学习网络模型，得到训练完成的硅片脱胶检测模型，裁剪图像，只保留能兼顾硅片脱胶前后的位置特征的图像信息，如此一来，既减少了背景误检，又提高了检测速度，通过统计硅片未脱胶厚度，依此来判断脱胶
是否成功，从而减轻人工检测的劳动强度，并减少人工检测的错误，从而极大地提高了检测精度和速度。
附图说明
37.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
38.图1为本发明所提供的一种硅片脱胶检测方法的第一种具体实施例的流程图；
39.图2为本发明流程示意图；
40.图3为硅片原始图片示意图；
41.图4为原始图片进行目标一裁剪后的示意图；
42.图5为原始图片在高度上进行固定裁剪的示意图；
43.图6为未线割较厚未脱胶硅片的示意图；
44.图7为正常线割较细未脱胶硅片的示意图；
45.图8为正常线割较细脱胶后脱落硅片的示意图；
46.图9为树脂板边端的示意图；
47.图10为粗细未脱胶硅片第一种位置同时检测到的示意图；
48.图11为粗细未脱胶硅片第一种位置同时检测到的示意图；
49.图12为粗细未脱胶硅片第一种位置同时检测到的示意图；
50.图13为本发明实施例提供的一种硅片脱胶检测装置的结构框图。
具体实施方式
51.本发明的核心是提供一种硅片脱胶检测方法、装置、设备及存储介质，通过硅片脱胶检测模型来判断脱胶是否成功，从而减轻人工检测的劳动强度，并减少人工检测的错误，从而极大地提高了检测精度和速度。
52.为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.请参考图1，图1为本发明所提供的一种硅片脱胶检测方法的第一种具体实施例的流程图；具体操作步骤如下：
54.步骤s101：获取硅片脱胶图像集，并对所述硅片脱胶图像集进行预处理，得到预处理图像集；
55.获取硅片脱胶图像集，对所述硅片脱胶图像集进行目标剪切，得到目标硅片图像，生成预处理图像集。
56.步骤s102：对所述预处理图像集进行特征提取，得到特征图像集；
57.将所述预处理图像集在高度上进行剪切，剔除图像背景，提取图像特征，得到特征图像集；
58.所述得到特征图像集后对细未脱胶硅片、粗未脱胶硅片和树脂板边端进行标注处理。
59.步骤s103：利用所述特征图像集对预训练模型训练，得到训练完成的硅片脱胶检测模型；
60.基于深度学习网络模型，利用yolov5目标检测网络作为主干网络进行图像特征的学习，对预训练模型反复迭代直至损失函数收敛，得到训练完成的硅片脱胶检测模型。
61.步骤s104：利用所述硅片脱胶检测模型对待检测硅片图像集进行检测，得到硅片脱胶检测结果；
62.步骤s105：将所述硅片脱胶检测结果中硅片厚度合并计算，得到未脱胶硅片总厚度；
63.基于平面坐标系将未脱胶硅片在x轴上最小值进行升序排序，得到硅片位置区间
64.将未脱胶硅片去重后的位置信息集合，得到集合s，其中，为集合s的最后一个元素；
65.若将ti作为最后一个元素存入集合s；否则将集合s中最后一个元素替换为
66.遍历集合s，得到未脱胶硅片去重的厚度，将所述未脱胶硅片去重的厚度累加处理，得到硅片总厚度。
67.步骤s106：基于预设阈值与所述未脱胶硅片总厚度进行比较，对判定为未脱胶成功的晶棒进行脱胶处理，完成硅片脱胶；
68.所述预设阈值基于现场需求进行调节，所述预设阈值是指未脱胶硅片总厚度的阈值，比如总厚度阈值为20mm，算法检测到未脱胶硅片总厚度为15mm《20mm，则总体脱胶成功；若算法检测到未脱胶硅片总厚度为23mm》20mm，则总体脱胶失败，需二次脱胶，而二次脱胶也不是专门针对未脱胶成功的硅片，而是整个晶棒(脱胶成功硅片+未脱胶成功硅片)重新进入脱胶液清洗进行脱胶处理。
69.本实施例提供一种硅片脱胶检测方法，基于深度学习网络模型，得到训练完成的硅片脱胶检测模型，利用硅片脱胶检测模型进行检测，减轻人工检测的劳动强度，并减少人工检测的错误，统计硅片未脱胶厚度，依此来判断脱胶是否成功，从而极大地提高了检测精度和速度。
70.基于上述实施例，本实施例对所述硅片脱胶检测方法展开描述，如图2所示，具体如下：
71.使用cmos线扫相机采集硅片脱胶后的图像，并对图像进行预处理。用labelimg工具对数据进行标注。随机选取75％的数据作为训练集，选取10％的数据作为验证集，15％的数据作为测试集，并且训练集、验证集和测试集数据不重复，如图3、图4所示，对原始图片进行目标裁剪。
72.搭建深度学习网络，并训练保存模型，以深度学习网络为目标检测yolov5网络，生成的模型用于检测未脱胶硅片与树脂板边端。
73.将待检测图像进行预处理后输入至模型进行推理，如图5所示，对原始图片在高度上进行固定裁剪，去除上下多余背景，只保留了能兼顾硅片脱胶前后的位置特征的图像信息；
74.未脱胶硅片有粗细不同，则对应标注方式也不同，如图6所示，其中厚度较粗的硅片为下切料，未线割，标注了整块硅片；如图7所示，正常线割较细未脱胶硅片标注的是硅片边缘与胶相连这部分特殊特征，不标注整块硅片是因为要考虑图8问题。图8为正常线割较细脱胶后脱落硅片(脱落成功不需要检测)，可以看出图7图8两者都为较细硅片，整体特征是相似的，倘若对图7标注整块硅片，会容易对图8情况误检，因此图7标注的是硅片边缘与胶相连这部分特殊特征。如图9所示，为检测树脂板边端目标是因为树脂板边端下的硅片(陪片)是不需要脱落的，由此需要根据树脂板边端位置来判断陪片的位置并在统计的未脱胶硅片总厚度中去除陪片的厚度。要注意，大部分树脂版边端过长，标注整块检测效果是极其不稳定的，故标注的是边端一部分。总体而言，选取到合适目标的标注方式，能达到事半功倍的检测效果。
75.分析推理结果，将检测到的未脱胶硅片进行有效合并后计算总厚度，如图10、图11、图12所示，由于未脱胶硅片粗细不同，对应标注方式也不同，但在粗细临界点会有两种标注方式检测框同时存在的情况，此时就需要设计一个算法将重复的厚度剔除掉。此后，再将树脂板边端下的硅片(陪片)厚度在总厚度中去除。将所有未脱胶硅片按照在x轴上的最小值进行升序后，记从左至右第i块硅片位置为总硅片数为m,即i《＝m,具体如下：
76.(1)令集合s为存放未脱胶硅片去重后的的位置信息，初始存放[0,0]元素，令i＝0；
[0077]
(2)记s中最后一个元素为令i＝i+1；
[0078]
(3)如果在s中新存入ti为最后一个元素；否则将s中最后一个元素替换为
[0079]
(4)当i《m时，跳到(2)；否则遍历s中所有sj元素，知道sj的区间长即为每块未脱胶硅片去重后的厚度，累加sj的区间长便为有效总厚度。
[0080]
当未脱胶硅片总厚度大于阈值时，则认为此次脱胶未成功，需进行二次脱胶；否则，则认为成功脱胶，述阈值可根据现场实际需求进行调节。
[0081]
本发明实施例提供的一种硅片脱胶检测方法，通过进行目标裁剪，剔除了大量无效背景，加快训练速度并提升训练效果，通过未脱胶硅片粗细不同采取不同的标注方式以及标注树脂板边端一部分来取到合适目标的标注方式，提升检测效果，利用深度学习网络得到硅片脱胶检测模型，提高了检测速度和检测精度，从而减轻人工检测的劳动强度，并减少人工检测的错误，从而极大地提高了检测精度和速度。
[0082]
请参考图13，图13为本发明实施例提供的一种硅片脱胶检测装置的结构框图；具体装置可以包括：
[0083]
图像预处理模块100，获取硅片脱胶图像集，并对所述硅片脱胶图像集进行预处理，得到预处理图像集；
[0084]
特征提取模块200，对所述预处理图像集进行特征提取，得到特征图像集；
[0085]
训练模块300，利用所述特征图像集对预训练模型训练，得到训练完成的硅片脱胶检测模型；
[0086]
检测模块400，利用所述硅片脱胶检测模型对待检测硅片图像集进行检测，得到硅片脱胶检测结果；
[0087]
厚度计算模块500，将所述硅片脱胶检测结果中硅片厚度合并计算，得到未脱胶硅片总厚度；
[0088]
判断模块600，基于预设阈值与所述未脱胶硅片总厚度进行比较，对判定为未脱胶成功的晶棒进行脱胶处理，完成硅片脱胶。
[0089]
本实施例的一种硅片脱胶检测装置用于实现前述的一种硅片脱胶检测方法，因此一种硅片脱胶检测装置中的具体实施方式可见前文中的一种硅片脱胶检测方法的实施例部分，例如，图像预处理模块100，特征提取模块200，训练模块300，检测模块400，厚度计算模块500，判断模块600，分别用于实现上述一种硅片脱胶检测方法中步骤s101，s102，s103、s104、s105、s106，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
[0090]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0091]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0092]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0093]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0094]
以上对本发明所提供的一种硅片脱胶检测方法、装置、设备及存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
[0095]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件
或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0096]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0097]
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

技术特征：
1.一种硅片脱胶检测方法，其特征在于，包括：获取硅片脱胶图像集，并对所述硅片脱胶图像集进行预处理，得到预处理图像集；对所述预处理图像集进行特征提取，得到特征图像集；利用所述特征图像集对预训练模型训练，得到训练完成的硅片脱胶检测模型；利用所述硅片脱胶检测模型对待检测硅片图像集进行检测，得到硅片脱胶检测结果；将所述硅片脱胶检测结果中硅片厚度合并计算，得到未脱胶硅片总厚度；基于预设阈值与所述未脱胶硅片总厚度进行比较，对判定为未脱胶成功的晶棒进行脱胶处理，完成硅片脱胶。2.如权利要求1所述的硅片脱胶检测方法，其特征在于，所述获取硅片脱胶图像集，并对所述硅片脱胶图像集进行预处理，得到预处理图像集包括：获取硅片脱胶图像集，对所述硅片脱胶图像集进行目标剪切，得到目标硅片图像，生成预处理图像集。3.如权利要求1所述的硅片脱胶检测方法，其特征在于，所述对所述预处理图像集进行特征提取，得到特征图像集包括：将所述预处理图像集在高度上进行剪切，剔除图像背景，提取图像特征，得到特征图像集。4.如权利要求1所述的硅片脱胶检测方法，其特征在于，所述得到特征图像集后对细未脱胶硅片、粗未脱胶硅片和树脂板边端进行标注处理。5.如权利要求1所述的硅片脱胶检测方法，其特征在于，所述利用所述特征图像集对预训练模型训练，得到训练完成的硅片脱胶检测模型包括：基于深度学习网络模型，利用yolov5目标检测网络作为主干网络进行图像特征的学习，对预训练模型反复迭代直至损失函数收敛，得到训练完成的硅片脱胶检测模型。6.如权利要求1所述的硅片脱胶检测方法，其特征在于，所述将所述硅片脱胶检测结果中硅片厚度合并计算，得到未脱胶硅片总厚度包括：基于平面坐标系将未脱胶硅片在x轴上最小值进行升序排序，得到硅片位置区间将未脱胶硅片去重后的位置信息集合，得到集合s，其中，为集合s的最后一个元素；若将t
i
作为最后一个元素存入集合s；否则将集合s中最后一个元素替换为遍历集合s，得到未脱胶硅片去重的厚度，将所述未脱胶硅片去重的厚度累加处理，得到硅片总厚度。7.如权利要求1所述的硅片脱胶检测方法，其特征在于，所述预设阈值基于现场需求进行调节。8.一种硅片脱胶检测装置，其特征在于，包括：图像预处理模块，获取硅片脱胶图像集，并对所述硅片脱胶图像集进行预处理，得到预处理图像集；
特征提取模块，对所述预处理图像集进行特征提取，得到特征图像集；训练模块，利用所述特征图像集对预训练模型训练，得到训练完成的硅片脱胶检测模型；检测模块，利用所述硅片脱胶检测模型对待检测硅片图像集进行检测，得到硅片脱胶检测结果；厚度计算模块，将所述硅片脱胶检测结果中硅片厚度合并计算，得到未脱胶硅片总厚度；判断模块，基于预设阈值与所述未脱胶硅片总厚度进行比较，对判定为未脱胶成功的晶棒进行脱胶处理，完成硅片脱胶。9.一种硅片脱胶检测设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述一种硅片脱胶检测方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种硅片脱胶检测方法的步骤。

技术总结
本发明涉及硅片技术领域，尤其涉及一种硅片脱胶检测方法、装置、设备及存储介质，包括：获取硅片脱胶图像集，并对所述硅片脱胶图像集进行预处理，得到预处理图像集，对所述预处理图像集进行特征提取，得到特征图像集，利用所述特征图像集对预训练模型训练，得到训练完成的硅片脱胶检测模型，利用所述硅片脱胶检测模型对待检测硅片图像集进行检测，得到硅片脱胶检测结果，将所述硅片脱胶检测结果中未脱胶硅片厚度合并计算，得到未脱胶硅片总厚度，基于预设阈值与所述未脱胶硅片总厚度进行比较，对判定为未脱胶成功的晶棒进行脱胶处理，完成硅片脱胶，从而减轻人工检测的劳动强度，并减少人工检测的错误，从而极大地提高了检测精度和速度。速度。速度。


技术研发人员：曹建伟 傅林坚 刘华 汪崇智
受保护的技术使用者：浙江求是半导体设备有限公司
技术研发日：2023.06.01
技术公布日：2023/10/8