本发明涉及太阳能电池el不良检测分类领域，尤其是一种提高太阳能电池el不良分类效率的分选方法。
背景技术
目前，太阳能电池主要是以半导体材料为基础，其工作原理是利用光电材料吸收光能后发生光电转换反应，给予一定照度的光照即可输出电压，在有回路的情况下产生电流，根据所用材料的不同，太阳能电池可分为：硅太阳能电池、以无机盐如砷化镓iii-v化合物、硫化镉、铜铟硒等多元化合物为材料的电池、功能高分子材料制备的太阳能电池以及纳米晶太阳能电池等；太阳能电池的制作已实现流水线操作，流程如：制绒→扩散→se激光→刻蚀→退火→背钝化→背镀膜→正面镀膜→丝网印刷→分选→fqc→pc入库；对于整个制作过程中的工序采用分工制度，每个工序在制作过程中每个工作人员判断的标准没有统一，工作人员判断依据来自经验，工作人员无法掌握工序对应的所有异常情况，导致同样一批产品，不同的工作人员判断同一个工序的异常结果相差较大，导致硅片分选正确率低且效率低，不利于根据判断的硅片不良类型进行专项改善；另一方面，新手学习完全靠前辈的经验，上手慢，难度大。所以需要一种能提高太阳能电池el不良分类效率的分选方法。
发明标题
本发明的目的在于：本发明提供了一种提高太阳能电池el不良分类效率的分选方法解决现有流水线分选因无统一判断标准、人为误判等因素导致分选正确率低、效率低的问题。
本发明采用的技术方案如下：
一种提高太阳能电池el不良分类效率的分选方法，包括如下步骤：
步骤1：对硅片各工序进行测绘获得特征库文件；
步骤2：将el测试图片预处理后获得待测图片库文件；
步骤3：将待测图片库文件与特征库文件进行比较、筛选和计算获得分类数据；
步骤4：将分类数据与已知的产量数据进行计算获得分类比例。
优选地，所述步骤1包括如下步骤：
步骤1.1：将硅片工艺路径进行核实处理获得测绘需求；
步骤1.2：根据测绘需求进行实际测绘获得测绘数据；
步骤1.3：将测绘数据进行绘图处理获得特征库图片；
步骤1.4：将特征库图片转换为可作为底图的高清图片；
步骤1.5：将高清图片与el测试图片进行缩放获得特征库文件。
优选地，所述步骤2包括如下步骤：
步骤2.1：判断el测试图片的尺寸是否属于设定范围内，若属于，则跳至步骤2.2；
若不属于，则将el测试图片缩放至设定范围后跳至步骤2.2；
步骤2.2：判断el测试图片的格式是否为设定格式，若是，则完成预处理；若不是，则将el测试图片格式转换为设定格式后预处理获得待测图片库文件。
优选地，所述设定范围为1608*1536～1024*1024，所述设定格式包括jpeg格式和jpg格式。
优选地，所述步骤3包括如下步骤：
步骤3.1：获取特征库文件中工装夹具区域点位的横坐标和纵坐标；
步骤3.2：获取待测图片库文件中异常区域横坐标和纵坐标；
步骤3.3：判断工装夹具区域点位横坐标和异常区域横坐标、工装夹具区域点位纵坐标和异常区域纵坐标是否均相等，若是，则输出异常信息并跳至步骤3.4；若否则跳至步骤3.1获取下一个点位的横坐标和纵坐标；
步骤3.4：统计异常信息对应的工装夹具点位的数量和计算异常信息对应工装夹具点位异常数量占总产量的比例获得预判断文件；
步骤3.5：根据统计数量对不同点位的数量进行筛选、分类，并计算分类数据。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明中通过将待判断数据与高精度的测绘数据比较后进行筛选和分类，获得不良类型的比例，解决现有流水线分选因无统一判断标准、人为误判等因素导致分选正确率低的问题，达到了统一判断标准，实现定性、定量分析，提高判断结果的准确性、效率的效果；
2.本发明对硅片工艺路径进行核实处理后测绘得到测绘数据，匹配测绘数据后得到特征库文件，将待测试的图片处理后与特征库文件比较、筛选和分类，得到高正确率的不良类型的比例，根据其影响因子对其进行专项改善；
3.本发明将所有可能与产品接触的工装夹具的位置均进行测绘，有些异常对应多种夹具则根据形状、颜色、大小进行细分，保证其准确性，测绘数据用作比较数据间接完成对待测图片的测绘，提高判断的正确率，同时避免了人为误判的缺点；
4.本发明将测绘数据用作比较数据，判断标准统一，操作简便，利于新手快速上岗，大大提高了工作效率；
5.本发明将有利于减少工装夹具因设计缺陷导致的不良，进一步减少检测误差。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明的方法流程图；
图2为本发明的测绘图示意图；
图3为本发明的刻蚀cad示意图；
图4为本发明的镀膜翻片器对应位置设计底图示意图；
图5为本发明的实施例1预处理示意图；
图6为本发明的实施例1匹配示意图；
图7为本发明的实施例1显示示意图；
图8为本发明的实施例2预处理示意图；
图9为本发明的实施例2显示示意图；
图10为本发明的实施例3预处理示意图；
图11为本发明的分类效率示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请解决的技术问题：现有技术中对硅片制作工序中的不良产品进行分类，每个工序对应不同的工作人员，工作人员根据经验进行判断，标准不一致，导致不良产品的分类正确率低、效率低；
采用的技术手段：
步骤1：对硅片各工序进行测绘获得特征库文件；
步骤2：将el测试图片预处理后获得待测图片库文件；
步骤3：将待测图片库文件与特征库文件进行比较、筛选和计算获得分类数据；
步骤4：将分类数据与已知的产量数据进行计算获得分类比例。
本申请将高正确率的测绘数据进行处理作为特征库文件，将待测图片与特征库文件进行比较，完成线上智能筛选、分类以及计算不良分类的比例。
达到的技术效果：避免采用人工分类易误判的缺点，判断标准统一，工作效率加快，将所有可能与产品接触的工装夹具的位置均进行测绘，有些异常对应多种夹具则根据形状、颜色、大小进行细分，提高其准确性；同时便于快速学习上手，加快工作效率，如图11所示的效果数据表，表明新手到接触el6个月，分类效率提高81.82％，从新手到接触el12个月分类效率提高92.86％。
步骤1.1：将硅片工艺路径进行核实处理获得测绘需求；
步骤1.2：根据测绘需求进行实际测绘获得测绘数据；
步骤1.3：将测绘数据进行绘图处理获得特征库图片；
步骤1.4：将特征库图片转换为可作为底图的高清图片；
步骤1.5：将高清图片与el测试图片进行缩放获得特征库文件。
步骤2.1：判断el测试图片的尺寸是否属于设定范围内，若属于，则跳至步骤2.2；
若不属于，则将el测试图片缩放至设定范围后跳至步骤2.2；
步骤2.2：判断el测试图片的格式是否为设定格式，若是，则完成预处理；若不是，则将el测试图片格式转换为设定格式后预处理获得待测图片库文件。
步骤3.1：获取特征库文件中工装夹具区域点位的横坐标和纵坐标；
步骤3.2：获取待测图片库文件中异常区域横坐标和纵坐标；
步骤3.3：判断工装夹具区域点位横坐标和异常区域横坐标、工装夹具区域点位纵坐标和异常区域纵坐标是否均相等，若是，则输出异常信息并跳至步骤3.4；若否则跳至步骤3.1获取下一个点位的横坐标和纵坐标；
步骤3.4：统计异常信息对应的工装夹具点位的数量和计算异常信息对应工装夹具点位异常数量占总产量的比例获得预判断文件；
步骤3.5：根据统计数量对不同点位的数量进行筛选、分类，并计算分类数据。
涉及图像转换可采用cad软件或者ug软件。
设定范围为1608*1536～1024*1024，所述设定格式包括jpeg格式和jpg格式。
步骤4的计算公式如下：不良1占总比例＝不良1数量/总生产数*100％；不良1占不良比例＝不良1数量/总不良数*100％。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
刻蚀皮带工序检测el不良：
步骤a1：导入硅片el图片获得预处理图即图5；
步骤b1：根据坐标点位计算，判断获得的不良类型与特称库“刻蚀皮带”是否匹配，若匹配则跳至步骤c1，如图6所示；若不匹配，则结束与特征库“刻蚀皮带”的对比，转至与其他特征库文件对比；
步骤c1：显示对比结果；
步骤d1：统计刻蚀数量、计算比例后显示最终对比结果和数据，如图7所示；
步骤e1：保存数据，切换下一张图片。
实施例2
刻蚀皮带、吸盘印工序检测el不良：
步骤a2：导入硅片el图片获得预处理图，如图8所示；
步骤b2：根据坐标点位计算，判断获得的不良类型与特称库“刻蚀皮带”、“吸盘印”是否匹配，如图，若不匹配，则与特征库文件不是唯一对应，跳至步骤c2；
步骤c2：计算刻蚀皮带和吸盘印的优先级，具体如下：
不匹配即异常区域横坐标、纵坐标不连续，执行“优先等级-皮带＝优先等级-1”，(皮带导致的不良，连续性非常高，坐标连续性优先等级设定为最高，对于多点位不连续异常，则可能性较小)，转入“特征库-吸盘印”优先级计算，计算方式与上相同，优先级计算结束，则转至步骤d2；
步骤d2：判断优先级等级与刻蚀皮带的差值是否大于优先等级与吸盘印的差值，若大于则统计刻蚀皮带的数量和比例，若小于则统计吸盘印数量和比例，具体如下：
如果“优先等级-皮带大于优先等级-吸盘”，则蚀皮带数量加1即“刻蚀数量＝刻蚀数量+1”、同时在右侧窗口显示刻蚀皮带当前数量即“透明标签2.标题＝到文本(到数值((到数值格式文本(刻蚀数量，4，假)))”、计算比例即“比例＝刻蚀数量/总数*100％”、显示计算比例即“透明标签3.标题＝到文本(到数值(到数值格式文本(比例，4，假)))”；如果“优先等级-皮带”小于或等于“优先等级-吸盘”，则吸盘数量自动加1，在右侧窗口显示吸盘数量，即“吸盘数量＝吸盘数量+1”、“透明标签11.标题＝到文本(到数值((到数值格式文本(吸盘数量，4，假)))”、同时自动计算当前不良比例，同时在右侧显示具体比例，在左侧显示不良类型为“吸盘”即“比例＝吸盘数量/总数*100％”、“透明标签10.标题＝到文本(到数值(到数值格式文本(比例，4，假)))”；最后跳至步骤e2，结果如图9所示；
步骤e2：保存数据，切换下一张图片。
实施例3
fqc工序检测el不良：
步骤a3:导入硅片el图片获得预处理图即图10；
步骤b3:取异常区域坐标，并将坐标区域取颜色深度处理，得到各个坐标点对应颜色值即对坐标点执行“坐标点颜色(ax，by)”；
步骤c3：判断各个坐标点颜色值数据是否属于设定范围，若属于标准范围，则跳至步骤d3，若不属于设定范围，则跳至步骤e3；
步骤d3：不良数量运累加，同时在左侧标签显示不良类型，右侧标签显示当前不良数量、比例即执行{“刻蚀数量＝刻蚀数量+1”、“透明标签2.标题＝到文本(到数值((到数值格式文本(刻蚀数量，4，假)))”、“比例＝刻蚀数量/总数*100％”、“透明标签3.标题＝到文本(到数值(到数值格式文本(比例，4，假)))”}；“信息框(“颜色深度符合指标，可以通过。”，0，，)”，完成计算后跳至步骤e3；
步骤e3：保存当前计算数据，切换至下一张图片即执行“图片框2.图片＝读入文件(目录+图片[指针])”切换下一张图片。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。