基于电致发光与BP神经网络的太阳电池缺陷识别
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 引言 | 第9-14页 |
| ·课题的背景及意义 | 第9-11页 |
| ·太阳电池的背景及发展现状 | 第9-10页 |
| ·太阳电池缺陷识别的目的及意义 | 第10-11页 |
| ·国内外的太阳电池缺陷检测技术 | 第11-13页 |
| ·人工目视检测 | 第11-12页 |
| ·伏安特性检测 | 第12页 |
| ·可见光图像检测 | 第12页 |
| ·红外热成像扫描检测 | 第12页 |
| ·电致发光检测 | 第12-13页 |
| ·课题来源及本文研究内容 | 第13-14页 |
| 第2章 太阳电池生产工艺流程及缺陷种类 | 第14-20页 |
| ·太阳电池的生产工艺流程及结构 | 第14-16页 |
| ·太阳电池的生产工艺流程 | 第14-15页 |
| ·太阳电池的结构 | 第15-16页 |
| ·太阳电池的缺陷种类 | 第16-17页 |
| ·电致发光及太阳电池缺陷红外图像的获取方法 | 第17-18页 |
| ·电致发光的原理 | 第17-18页 |
| ·检测设备的性能参数 | 第18页 |
| ·本章小结 | 第18-20页 |
| 第3章 太阳电池电致发光红外图像处理 | 第20-29页 |
| ·太阳电池EL图像 | 第20-21页 |
| ·太阳电池EL图像预处理方法研究 | 第21-24页 |
| ·去除主线 | 第21-22页 |
| ·中值滤波 | 第22-23页 |
| ·高帽变换 | 第23-24页 |
| ·太阳电池缺陷图像分割方法研究 | 第24-28页 |
| ·图像分割方法 | 第24页 |
| ·边缘分割 | 第24-26页 |
| ·灰度阈值分割 | 第26页 |
| ·双峰法 | 第26-27页 |
| ·Ostu阈值分割法 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第4章 不变矩特征提取 | 第29-35页 |
| ·特征提取 | 第29页 |
| ·HU不变矩 | 第29-33页 |
| ·HU不变矩的定义 | 第30-31页 |
| ·不变矩的特点 | 第31-33页 |
| ·HU不变矩对太阳电池缺陷特征提取结果 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第5章 基于BP神经网络的太阳电池缺陷识别 | 第35-48页 |
| ·人工神经网络 | 第35-36页 |
| ·BP神经网络 | 第36-38页 |
| ·太阳电池缺陷识别预处理工作 | 第38-43页 |
| ·缺陷特征的数据准备 | 第38-40页 |
| ·网络结构参数的选择 | 第40-41页 |
| ·网络性能指标 | 第41-43页 |
| ·太阳电池6种缺陷的预测结果 | 第43-46页 |
| ·本章小结 | 第46-48页 |
| 第6章 结论与展望 | 第48-50页 |
| ·结论 | 第48页 |
| ·展望及有待进一步解决的问题 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53-54页 |
| 在读硕士期间发表论文及参与的科研课题 | 第54页 |
