专利名称：太阳能电池晶片分色的方法
技术领域：
本发明是关于一种太阳能电池晶片分色的方法，并且特别地，关于一种能以自动学习系统有效地对太阳能电池晶片表面的颜色进行分类的方法。
背景技术：
近年来，能源以及环保议题受到重视，使得世界各国纷纷发展新式较无污染的能源，例如，风力、潮汐、地热、太阳能、以及生质能源等，其中太阳能由于应用范围广泛且发展较为成熟而成为各种新式替代能源中最被看好的其中之一。太阳能的利用一般通过太阳能电池(solar cell)晶片,通过光电转换把太阳光中所包含的能量转化为电能。太阳能电池晶片依工艺不同，可概分为硅晶太阳能电池晶片以及薄膜太阳能电池晶片等，其中硅晶太阳能电池晶片发展最久同时技术也最成熟。硅晶太阳能电池晶片的基本构造是P型半导体与N型半导体接合而成，当太阳光照射太阳能电池晶片时，其光能将硅原子中的电子激发出来而形成电子与电洞的对流，所产生的电子与电洞受到内建电位影响分别被P型半导体与N型半导体吸引而聚集至不同的两侧，通过电极可引出电子与电洞进而产生电能。由于太阳能电池晶片以其表面接收太阳光而进行发电，因此，太阳能电池晶片表面是否能有效吸收光源，将成为提升能量转换效率的关键所在。此外，太阳能电池晶片表面具有一层抗反射层，可用来降低照射至表面的光线的反射率，换言之，增加光吸收效率。抗反射层的厚度将会影响抗反射的效率，而抗反射层的厚度可由太阳能电池晶片表面颜色来区分，一般而言，抗反射层越厚颜色越浅，反之则越深。颜色的差异主要取决于工艺的管控，根据颜色的深浅以及均一性也可判断工艺的能力是否不足而须改善工艺。如上所述，太阳能电池晶片表面颜色分类可做为改进生产工艺的依据。太阳能电池晶片每片的表面颜色并非仅只一种，而是数种不同颜色混合而成，举例而言，具有蓝黑及深蓝两种颜色的太阳能电池晶片，各晶片上两种颜色的比例通常不会完全相同。传统的太阳能电池晶片表面颜色分类的方法是以人眼直接观看其表面而进行分类，而人眼分类的准则是依照表面主要颜色与次要颜色的比例来进行分色。然而，一般的分类方法仅使用太阳能电池晶片表面主要颜色来进行分类，而对其上次要颜色的重要性予以忽略，容易与人眼分色产生误差。另外，受限于每个人对颜色定义无法均一，且人眼容易受到疲劳等因素而失准，因此人眼分色判断方法会具有相当大的误差。
发明内容
因此，本发明的一目的在于提供一种太阳能电池晶片分色的方法，可利用自动学习技术对太阳能电池晶片的表面颜色进行分类，以解决现有技术的问题。根据一具体实施例，本发明的太阳能电池晶片分色的方法包含下列步骤:取得太阳能电池晶片表面的影像；分析此影像以获得色彩空间中的多个座标点；将各座标点分别归类到多个颜色群组之中；分析各颜色群组中座标点的比例，进而获得颜色特征向量；将颜色特征向量输入机器学习分类器以获得太阳能电池晶片的表面颜色的分类结果。于本具体实施例中，机器学习分类器经过太阳能电池晶片表面颜色的分色训练，此分色训练包含下列步骤:分析训练影像集合中的各训练影像，而获得在色彩空间中对应各训练影像的座标点集合；以分群演算法自所有座标点集合中归类出多个颜色群组，并将各座标点集合分别分类至多个颜色群组中；分别分析各座标点集合于各颜色群组中的训练影像座标点的比例，以获得多个训练影像颜色特征向量；分别提供期望颜色值至各训练影像颜色特征向量，以获得多个训练样本；再以这些训练样本对机器学习分类器进行分色训练。关于本发明的优点与精神可以通过以下的发明详述及附图得到进一步的了解。
图1为根据本发明的一具体实施例的太阳能电池晶片分色的方法的步骤流程图；图2为根据图1的太阳能电池晶片分色的方法中所应用的机器学习分类器，其分色训练的步骤流程图；图3为根据本发明的另一具体实施例的太阳能电池晶片分色的方法的步骤流程图。其中，附图标记说明如下:SlO S18、S20 28、S30 S40:流程步骤。
具体实施例方式请参阅图1，图1为根据本发明的一具体实施例的太阳能电池晶片分色的方法的步骤流程图。本具体实施例的方法可利用自动学习的系统来对太阳能电池晶片表面的颜色进行分类，而可解决现有技术的问题。如图1所示，本具体实施例的太阳能电池晶片分色的方法包含有下列步骤:于步骤S10，取得欲分类的太阳能电池晶片表面的影像；于步骤S12，分析此影像而获得色彩空间中的多个座标点；于步骤S14，将各座标点分别分类至多个颜色群组中；于步骤S16，分析各颜色群组中的座标点的比例，以获得此影像的颜色特征向量；于步骤S18，提供获得的颜色特征向量至机器学习分类器，以作为机器学习分类器的输入值，进而获得太阳能电池晶片表面颜色分类的结果。步骤SlO中取得欲分类的太阳能电池晶片表面影像的方式，在实务上可利用电荷率禹合元件(Charge-Coupled Device, CCD)摄影机等取像装置撷取表面影像。在步骤S12中，当太阳能电池晶片表面影像撷取出来之后，可经由影像处理系统先找出影像中的有效点，再将影像在各有效点上的颜色分别转换到色彩空间中的座标点。实务中，有效点的获得可将太阳能电池晶片影像去除其粗线(busbar)、细线(finger)以及背景(background),去除后的有效面积上的像素点可作为有效点。影像在各有效点上的颜色分布，可由色彩空间中的座标点来表示。举例而言，颜色偏深蓝的太阳能电池晶片，表示各有效点的颜色以深蓝色居多，故转换后对应于各有效点的座标多数落在色彩空间中代表深蓝色的区域。本具体实施例所采用的色彩空间可为CIE Lab色彩空间，然而，于实务中，也可采用CIE XYZ色彩空间或CIE Luv色彩空间等,端看使用者或设计者需求而定。
当步骤S12中将各有效点的颜色转换到色彩空间的对应座标点后，接着，在步骤S14中将各座标点分别分类到预先设定好的多个颜色群组之中。上述将各座标点分别分类到颜色群组中的方法举例而言，各颜色群组在色彩空间中占有一区域，并且各区域可用一个重心位置来代表，上述各座标点可以欧式几何距离作为分类的依据，亦即，一座标点会被归类于与其欧式距离最近的重心位置所代表的颜色群组。请注意，本发明并不以上述欧式距离的分类方法为限，任何可将座标点分类至颜色群组的方法皆可应用于步骤S14之中。通过上述步骤S14，一个太阳能电池晶片影像上所有有效点的颜色可被分到各颜色群组中，接着，在步骤S16，分析各颜色群组中的座标点的比例，以获得与此太阳能电池晶片表面颜色相关的颜色特征向量。举例而言，若一太阳能电池晶片表面的颜色为深蓝色偏多、蓝黑色次之，则代表深蓝色的颜色群组中所包含的座标点数量将会占所有座标点数量中的最大比例，代表蓝黑色的颜色群组中包含的座标点数量比例则次之。再通过另一具体实施例详细说明步骤S16。若一太阳能电池晶片影像所分析出的各座标点可被分入N个颜色群组中，则依照各颜色群组中所包含的座标点数量与此影像所有座标点总数的比例，可以得到一个向量数值(Pl，P2，...，PN)做为此太阳能电池晶片影像的颜色特征向量，其中，数字I N代表N个不同的颜色群组，P则是颜色群组中所包含的座标点数量或是所包含的座标点数量与所有座标点总数的比例。当步骤S16获得关于太阳能电池晶片影像的颜色特征向量之后，于步骤S18中，可将此颜色特征向量输入机器学习分类器，机器学习分类器经判断后的输出值则为太阳能电池晶片的表面颜色分类结果。于此须说明的是，此机器学习分类器已先经过分色训练，关于其分色训练的内容将以下述实施例详述。请参阅图2，图2为根据图1的太阳能电池晶片分色的方法中所应用的机器学习分类器，其分色训练的步骤流程图。如图2所示，本具体实施例的机器学习分类器的分色训练包含下列步骤:于步骤S20，分别分析训练影像集合中的多个训练影像，以获得色彩空间中分别对应各训练影像的多组座标点集合，其中，各座标点集合分别包含了多个训练影像座标点；接着，于步骤S22，以分群演算法自所有训练影像座标点中归类出多个颜色群组，并将各座标点集合的各训练影像座标点分别分类至各颜色群组中；于步骤S24，分析各座标点集合于各颜色群组中的训练影像座标点的比例，以获得相关于各训练影像的训练影像颜色特征向量；于步骤S26，分别提供期望颜色值至各训练影像颜色特征向量，而得到多个训练样本；以及，于步骤S28，将这些训练样本输入机器学习分类器，以对机器学习分类器进行分色训练。步骤S20所分析的训练影像集合，可由不同颜色的太阳能电池晶片的影像所组成，亦即，前述的训练影像。于实务中，做为训练样本的各太阳能电池晶片可先经过其他的分色方法分类其表面颜色，例如，以人眼分色以建立太阳能电池晶片的颜色类别。当形成训练影像集合时，可自各不同颜色类别取出一定数量的太阳能电池晶片的影像，举例而言，可自六种颜色类别中取出共五千多张影像混合作为训练影像集合，而每张训练影像中仅显示一个太阳能电池晶片。上述五千多张训练影像可分别进行分析，而将每个有效点上的颜色转换到色彩空间中的训练影像座标点。请注意，由于分色是以一个太阳能电池晶片为单位，因此，每张训练影像所转换出来的多个训练影像座标点可分别形成不同的座标点集合。步骤S20中的色彩空间同样可为CIE Lab色彩空间、CIE XYZ色彩空间或CIE Luv色彩空间等。虽然步骤S20以及上述具体实施例的步骤S12均可应用不同的色彩空间来进行转换，然而，实务上步骤S20所采用的色彩空间应与步骤S12所采用的色彩空间一致，例如，两者皆采用CIE Lab色彩空间。于步骤S22中，通过分群演算法，可自所有座标点集合中的所有训练影像座标点中归类出多个颜色群组，而各座标点集合的各训练影像座标点则可分别分类到各颜色群组中。如上述，由于一个太阳能电池晶片上的颜色并非仅有一种，故从一个太阳能电池晶片的颜色类别中所取出的太阳能电池晶片，其转换出的训练影像座标点可能会分别被分类到不同的颜色群组里。步骤S22中所采用的分群演算法，实务中可为，但不受限于K-means分群演算法。相关于各训练影像的各座标点集合形成后，步骤S24中可分别针对各座标点集合分析其中的训练影像座标点于各颜色群组中的比例，进而获得相关于各训练影像的训练影像颜色特征向量。举例而言，若有N个颜色群组，则一训练影像的训练影像座标点，依照其在各颜色群组中的比例可得到关于此训练影像的向量数值(P1，P2，...,PN)，即为其训练影像颜色特征向量F (feature vector)。由于各训练影像从已分类过的颜色类别中取出，因此各训练影像已有一个期望的分类颜色。若各训练影像所期待的分类颜色以期望颜色值B来代表，则每张训练影像可提供一期望颜色值至其训练影像颜色特征向量F，进而取得一组(F，B)做为训练样本，如步骤S26所述。各训练影像分别取得其(F，B)训练样本后，于步骤S28，可将所有(F，B)训练样本输入至机器学习分类器的输入端进行训练。经过步骤S28的训练，机器学习分类器可用于图1的具体实施例的方法中而做为分类的工具。请注意，由本具体实施例所训练出的机器学习分类器，对待分类的太阳能电池晶片所分类出的结果大致上与用来预先分类各训练样本的分色方法所分类出的结果相符，其因为训练时所采用的期望颜色值是根据预先分类的方法而设定的。举例而言，上述具体实施例的期望颜色值B若是根据人眼分色法而来，机器学习分类器对一个待分类的太阳能电池晶片的表面颜色分类结果，大致上会与人眼分色法所分类的结果相同。值得注意的是，各期望颜色值可由使用者或设计者设定，因此可根据实际需求而调整机器学习分类器的分色训练，使得机器学习分类器的分类结果更贴近使用者或设计者的要求。实务中，机器学习分类器可包含，但不受限于类神经网络(neural network)、支持向量机(Support Vector Machine,SVM)或高斯混合模型(Gaussian Mixture Models,GMM)等。以类神经网络为例，类神经网络通常包含有输入层、隐藏层以及输出层，其中，输入层可供输入向量，接着经过隐藏层的学习或分类后，在输出层输出结果。在上述具体实施例中，分色训练的训练样本以及实际进行颜色分类时取得的颜色特征向量皆可由输入层输入，并在输出层获得结果。隐藏层中包含有多个节点，节点的数量可根据使用者或设计者需求而定。请参阅图3，图3为根据本发明的另一具体实施例的太阳能电池晶片分色的方法的步骤流程图。如图3所示，本具体实施例的太阳能电池晶片分色的方法先利用多个训练影像对机器学习分类器进行分色训练，再将待分类的太阳能电池晶片所转换并计算出的颜色特征向量输入至机器学习分类器中，而由机器学习分类器对太阳能电池晶片的表面颜色进行分类。于本具体实施例中，太阳能电池晶片分色的方法包含有下列步骤:于步骤S30，分别对训练影像集合中的多个训练影像进行分析，以获得色彩空间中的多组座标点集合，其中，各座标点集合分别包含有色彩空间中的多个座标点；接着，于步骤S32，以一分群演算法自所有座标点中归类出多个颜色群组，并将各座标点集合的各座标点分别分类到这些颜色群组中；于步骤S34，对各座标点集合于各颜色群组中的座标点的比例进行分析，以进一步获得多个颜色特征向量，其中各颜色特征向量分别相关于各训练影像；于步骤S36，分别对各颜色特征向量提供期望颜色值，而获得多个训练样本；于步骤S38，以所获得的多个训练样本对机器学习分类器进行训练；以及，于步骤S40，输入待分类的太阳能电池晶片所转换并计算出的第一颜色特征向量至训练后的机器学习分类器，进而获得太阳能电池晶片的表面颜色的分类结果。在本具体实施例中，步骤S30至步骤S38训练出的机器学习分类器可用来进行太阳能电池晶片的颜色分类。请注意，本具体实施例步骤S30至步骤S38的机器学习分类器的分色训练方法的各步骤流程，与上述具体实施例的分色训练方法中相对应的步骤大体上相同，故于此不再赘述。另外，步骤S40中，待分类的太阳能电池晶片的第一颜色特征向量的获得方式，同样于上述具体实施例中已进行说明，于此亦不再赘述。综上所述，本发明的太阳能电池晶片分色的方法先以自动学习方法训练出可用来分色的机器学习分类器，其利用色彩空间的转换以及分群演算法将各训练影像转换成训练样本，并利用这些训练样本对机器学习分类器进行训练。待分类其表面颜色的太阳能电池晶片同样也经过色彩空间转换，并且将转换后的座标点分类至上述分群演算法所分类出的颜色群组中，进而获得颜色特征向量。接着，再将颜色特征向量输入至已经过训练的机器学习分类器即可得到分类结果。相较于现有技术，本发明的太阳能电池晶片分色的方法不仅可根据表面主要颜色与次要颜色对太阳能电池晶片进行分色，甚至可依表面可能出现的颜色来进行分色。同时，利用机器学习分类器进行分色可避免个人主观颜色认定以及人眼疲劳所造成的误差。藉此，可更有效地对太阳能电池晶片的表面颜色进行分类。通过以上较佳具体实施例的详述，希望能更加清楚描述本发明的特征与精神，而并非以上述所揭示的较佳具体实施例来对本发明的权利要求加以限制。相反地，其目的是希望能涵盖各种改变及具相等性的安排于本发明所欲申请的专利的权利要求范围内。因此，本发明所申请的专利权利要求范围应该根据上述的说明作最宽广的解释，以致使其涵盖所有可能的改变以及具相等性的安排。
权利要求
1.一种太阳能电池晶片分色的方法，用以分类一太阳能电池晶片的表面颜色，该方法包含下列步骤: 取得该太阳能电池晶片的表面的一影像； 分析该影像以获得一色彩空间中的多个座标点； 将该多个座标点分别分类至多个颜色群组中； 分析该多个颜色群组中的该多个座标点的比例以获得一颜色特征向量；以及提供该颜色特征向量作为一机器学习分类器的输入值，以获得该太阳能电池晶片的表面颜色的分类结果，其中该机器学习分类器是经过一分色训练。
2.如权利要求1所述的方法，其中该色彩空间是CIELab色彩空间。
3.如权利要求1所述的方法，其中，分析该影像以获得该色彩空间中的该多个座标点的步骤包含: 分析该影像以获得多个有效点；以及 将该影像于该多个有效点上的颜色分别转换至该色彩空间中的该多个座标点。
4.如权利要求1所述的方法，其中该机器学习分类器所经过的该分色训练包含下列步骤: 分别分析一训练影像集合中的多个训练影像，以获得该色彩空间中的多组座标点集合，该多组座标点集合分别包含该色彩空间中的多个训练影像座标点； 以一分群演算法自该多个训练影像座 标点中归类出该多个颜色群组，并将该多个训练影像座标点分别分类至该多个颜色群组中； 分别分析该多组座标点集合于该多个颜色群组中的该多个训练影像座标点的比例，以获得多个训练影像颜色特征向量； 分别提供多个期望颜色值至该多个训练影像颜色特征向量，以获得多个训练样本；以及 以该多个训练样本对该机器学习分类器进行训练。
5.如权利要求4所述的方法,其中该分群演算法是K-means分群演算法。
6.如权利要求1所述的方法，其中该机器学习分类器是一类神经网络，该类神经网络具有一隐藏层，并且该隐藏层具有多个节点。
7.如权利要求1所述的方法，其中该机器学习分类器是一支持向量机及一高斯混合模型的其中之一。
8.一种太阳能电池晶片分色的方法，用以分类一太阳能电池晶片的表面颜色，该方法包含下列步骤: 分别分析一训练影像集合中的多个训练影像，以获得一色彩空间中的多组座标点集合，该多组座标点集合分别包含该色彩空间中的多个座标点； 以一分群演算法自该多个座标点中归类出多个颜色群组，并将该多个座标点分别分类至多个颜色群组中； 分别分析该多组座标点集合于该多个颜色群组中的该多个座标点的比例，以获得多个颜色特征向量； 分别提供多个期望颜色值至该多个颜色特征向量，以获得多个训练样本； 以该多个训练样本对一机器学习分类器进行训练；以及提供该太阳能电池晶片的一第一颜色特征向量作为该机器学习分类器的输入值，以获得该太阳能电池晶片的表面颜色的分类结果。
9.如权利要求8所述的方法,其中该分群演算法是K-means分群演算法。
10.如权利要求8所述的方法，其中该色彩空间是CIELab色彩空间。
11.如权利要求8所述的方法，其中，分别分析该训练影像集合中的该多个训练影像，以获得该色彩空间中的该多组座标点集合的步骤包含: 分别分析该多个影像以获得多个有效点集合，该多个有效点集合分别包含多个有效点；以及 将该多个影像于相对应的该多个有效点上的颜色分别转换至该色彩空间中的该多个座标点。
全文摘要
本发明揭示一种太阳能电池晶片分色的方法，用来分类太阳能电池晶片表面的颜色。本方法包含下列步骤取得太阳能电池晶片表面的影像；分析影像以获得色彩空间的多个座标点；将各座标点分类至多个颜色群组中；分析各颜色群组中座标点的比例而获得颜色特征向量；以及提供此颜色特征向量做为一经过分色训练的机器学习分类器的输入值，进而获得太阳能电池晶片的表面颜色的分类结果。藉此，可有效率地对太阳能电池晶片表面的颜色进行分类。
文档编号G06K9/66GK103218626SQ20121002269
公开日2013年7月24日 申请日期2012年1月20日 优先权日2012年1月20日
发明者苏怡祯, 翁义龙, 杨欣泰 申请人:致茂电子股份有限公司