本發(fā)明涉及硅料生產(chǎn)技術(shù)領(lǐng)域，具體而言，涉及一種硅料品質(zhì)的智能鑒別方法及鑒別裝置。

背景技術(shù)：

硅料種類有許多，例如，根據(jù)硅料種的多晶硅的技術(shù)要求將生產(chǎn)的硅料分類為棒狀硅料、塊狀硅料、顆粒狀硅料，并依據(jù)硅料的結(jié)構(gòu)及表面致密程度將硅料外觀分為致密料、菜花料、珊瑚料及致密塊料、致密棒料、菜花塊料、菜花棒料、珊瑚塊料、珊瑚棒料等。特殊硅料如硅芯剝離、硅芯異常、魚鱗、枝蔓狀、燒流、夾層、碳頭料和卡瓣等。

現(xiàn)有技術(shù)中對硅料產(chǎn)品進(jìn)行分類都是由工作人員依據(jù)分類標(biāo)準(zhǔn)進(jìn)行判斷分類，在實(shí)際工作中判斷時(shí)人為影響因素較多，且有些異常料難確定，有時(shí)候出現(xiàn)由于分撿人員或抽檢人員判斷標(biāo)準(zhǔn)不一，而造成產(chǎn)品歸類不統(tǒng)一的問題，工作效率低下，且人工分撿的過程中容易造成硅料產(chǎn)品的二次污染。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種硅料品質(zhì)的智能鑒別方法，避免人工分撿對硅料產(chǎn)品造成二次污染，同時(shí)，智能鑒別方法對硅料分類統(tǒng)一、分類更加準(zhǔn)確，避免人工造成分類誤差，提高了工作效率。

本發(fā)明的另一目的在于提供一種硅料品質(zhì)的智能鑒別裝置，此鑒別裝置的使用，避免了人工分撿對硅料產(chǎn)品造成二次污染，同時(shí)，其對硅料分類統(tǒng)一、分類更加準(zhǔn)確，避免人工造成分類誤差，提高了工作效率。

本發(fā)明是采用以下技術(shù)方案實(shí)現(xiàn)的：

一種硅料品質(zhì)的智能鑒別方法，其包括如下步驟：

(1)、將硅料放置于輸送裝置上，并在傳送的過程中經(jīng)檢測裝置檢測。

(2)、預(yù)設(shè)深度學(xué)習(xí)模型，并基于預(yù)設(shè)數(shù)量的硅料的形貌信息樣本對深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，以確定深度學(xué)習(xí)模型中各節(jié)點(diǎn)之間的連接的最佳權(quán)重參數(shù)。

(3)、檢測裝置檢測硅料的表面形貌，收集待識別形貌信息，根據(jù)預(yù)設(shè)的深度學(xué)習(xí)模型提取待識別形貌信息以及形貌信息樣本的形貌特征向量，形貌特征向量包括表面平整度和裂紋深度，基于提取出的表面平整度和裂紋深度計(jì)算待識別形貌信息與形貌信息樣本的相似度取值；根據(jù)計(jì)算出的相似度取值對待識別形貌信息進(jìn)行識別，對硅料進(jìn)行分類。

(4)、控制裝置控制輸送裝置按不同分類將硅料分別輸送至相應(yīng)的裝放裝置中。

一種硅料品質(zhì)的智能鑒別裝置，其包括用于輸送硅料的輸送裝置、檢測裝置、控制裝置和用于盛放分類后的硅料的多個(gè)裝放裝置，檢測裝置預(yù)設(shè)有深度學(xué)習(xí)模型并用于檢測硅料的表面形貌，收集形貌信息，控制裝置與檢測裝置電連接并基于提取出的形貌信息計(jì)算待識別形貌信息與形貌信息樣本的相似度取值對待識別形貌信息進(jìn)行識別，對硅料進(jìn)行分類。

本發(fā)明提供的硅料品質(zhì)的智能鑒別方法的有益效果為：硅料在輸送裝置上輸送的過程中，通過檢測裝置檢測硅料的表面形貌，并基于收集到的形貌信息從多個(gè)形貌區(qū)間中選擇匹配形貌區(qū)間對硅料進(jìn)行分類，控制裝置將分類后的硅料輸送至指定的位置。此智能鑒別方法避免人工分撿對硅料產(chǎn)品造成二次污染，同時(shí)，智能鑒別方法對硅料鑒別分類統(tǒng)一、鑒別分類更加準(zhǔn)確，避免人工鑒別造成分類誤差，提高了工作效率。

此外，本發(fā)明提供的硅料品質(zhì)的智能鑒別裝置的有益效果為：在需要對硅料進(jìn)行分類的時(shí)候，先將硅料設(shè)置于輸送裝置上，輸送的過程中同時(shí)使用設(shè)置于輸送裝置的檢測裝置檢測硅料的表面形貌并收集形貌信息，并且基于提取出的形貌信息計(jì)算待識別形貌信息與形貌信息樣本的相似度取值對待識別形貌信息進(jìn)行識別，對硅料進(jìn)行分類。此裝置避免了人工分撿對硅料產(chǎn)品造成二次污染，同時(shí)，其對硅料鑒別分類統(tǒng)一、鑒別分類更加準(zhǔn)確，避免人工鑒別造成分類誤差，提高了工作效率。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對實(shí)施例中所需要使用的附圖作簡單地介紹，應(yīng)當(dāng)理解，以下附圖僅示出了本發(fā)明的某些實(shí)施例，因此不應(yīng)被看作是對范圍的限定，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。

圖1為本發(fā)明實(shí)施例1提供的硅料品質(zhì)的智能鑒別方法的整體流程圖；

圖2為本發(fā)明實(shí)施例1提供的硅料品質(zhì)的智能鑒別方法的具體流程圖；

圖3為本發(fā)明實(shí)施例2提供的硅料品質(zhì)的智能鑒別裝置的結(jié)構(gòu)示意圖；

圖4為本發(fā)明實(shí)施例2提供的檢測裝置的結(jié)構(gòu)示意圖。

圖標(biāo)：300-硅料品質(zhì)的智能鑒別裝置；310-破碎裝置；320-篩選裝置；330-輸送裝置；340-檢測裝置；341-紅外發(fā)射裝置；342-紅外接收裝置；343-處理器；344-圖像采集模塊；345-圖像處理模塊；346-鑒別裝置；347-數(shù)據(jù)儲存模塊；348-數(shù)據(jù)分類模塊；350-控制裝置；360-裝放裝置。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。通常在此處附圖中描述和示出的本發(fā)明實(shí)施例的組件可以以各種不同的配置來布置和設(shè)計(jì)。因此，以下對在附圖中提供的本發(fā)明的實(shí)施例的詳細(xì)描述并非旨在限制要求保護(hù)的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

應(yīng)注意到：相似的標(biāo)號和字母在下面的附圖中表示類似項(xiàng)，因此，一旦某一項(xiàng)在一個(gè)附圖中被定義，則在隨后的附圖中不需要對其進(jìn)行進(jìn)一步定義和解釋。

實(shí)施例1

請參閱圖1，本實(shí)施例提供了一種硅料品質(zhì)的智能鑒別方法，包括如下步驟：

步驟100、硅料放置于輸送裝置，并在傳送過程中經(jīng)檢測裝置檢測。

步驟110、根據(jù)預(yù)設(shè)的深度學(xué)習(xí)模型提取待識別形貌信息以及形貌信息樣本的形貌特征向量，基于提取出的形貌特征向量計(jì)算待識別形貌信息與形貌信息樣本的相似度取值；根據(jù)計(jì)算出的相似度取值對待識別形貌信息進(jìn)行識別，分類。

以下進(jìn)行詳細(xì)說明，請參閱圖2。

步驟200、將硅棒破碎成硅料，將其破碎，方便對硅料的表面結(jié)構(gòu)進(jìn)行分析。

優(yōu)選地，對破碎后得到的硅料進(jìn)行過篩和吹塵的步驟。硅棒進(jìn)行破碎后，有一些細(xì)小顆粒和粉塵，其為不合格的硅料，需要進(jìn)行去除。

對破碎后的硅料進(jìn)行過篩，去除硅料細(xì)小顆粒，并且，在過篩的過程中，使用風(fēng)機(jī)對其進(jìn)行吹塵處理，將硅棒破碎后的粉塵去除，避免不合格的硅料影響硅料產(chǎn)品的品質(zhì)。

步驟210、將經(jīng)過篩選后的硅料放置于輸送裝置上，并在傳送的過程中通過檢測裝置檢測硅料的表面形貌，收集形貌信息，在輸送的過程中進(jìn)行檢測，使硅料智能分類的效率增加，同時(shí)，可以更加全面地檢測硅料的表面結(jié)構(gòu)。

優(yōu)選地，檢測為發(fā)射紅外線照射于硅料后接收并通過處理器處理硅料的表面形貌。通過紅外線掃描硅料，更加方便對硅料表面形貌的檢測，通過處理器處理傳輸數(shù)據(jù)，將硅料的表面形貌數(shù)據(jù)化，詳細(xì)化。

優(yōu)選地，形貌信息包括表面平整度和裂紋深度，便于數(shù)據(jù)化分析硅料的形貌特征，使分類結(jié)果更為準(zhǔn)確。

步驟220、檢測裝置預(yù)設(shè)深度學(xué)習(xí)模型，根據(jù)預(yù)設(shè)的深度學(xué)習(xí)模型提取待識別形貌信息以及形貌信息樣本的形貌特征向量，基于提取出的形貌特征向量計(jì)算待識別形貌信息與形貌信息樣本的相似度取值；根據(jù)計(jì)算出的相似度取值對待識別形貌信息進(jìn)行識別，對硅料進(jìn)行分類。

通過人工智能的進(jìn)行識別、篩選，實(shí)現(xiàn)對硅料的鑒別分類，其中采用人工智能的分類方式有多種，例如面向數(shù)值的統(tǒng)計(jì)學(xué)習(xí)、基于神經(jīng)元網(wǎng)絡(luò)的深度學(xué)習(xí)模型等等，本實(shí)施例優(yōu)選采用基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型的鑒別分類方式。

進(jìn)一步優(yōu)選地，本實(shí)施例中深度學(xué)習(xí)模型包括基于卷積神經(jīng)網(wǎng)的深度學(xué)習(xí)模型；其技術(shù)較為成熟，在基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型中，可以包括輸入層、多個(gè)用于進(jìn)行特征提取的卷積層、全連接層以及輸出層。輸入層用于為硅料的形貌信息樣本提供輸入通道；卷積層可以作為獨(dú)立的特征提取層對硅料的形貌信息的局部特征進(jìn)行訓(xùn)練提取，全連接層可以對各卷積層所訓(xùn)練提取出的局部特征進(jìn)行整合，將各卷積層訓(xùn)練提取出的局部特征連接為一個(gè)一維向量；輸出層用于輸出對輸入的硅料的形貌信息樣本的分類結(jié)果。

需要說明的是，在本發(fā)明其他的實(shí)施例中，深度學(xué)習(xí)模型不僅限于基于卷積神經(jīng)網(wǎng)的深度學(xué)習(xí)模型，還可以設(shè)置為其他方式的深度學(xué)習(xí)模型，例如基于遞歸神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型等。

首先預(yù)設(shè)深度學(xué)習(xí)模型，并基于預(yù)設(shè)數(shù)量的硅料的形貌信息樣本對深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，以確定深度學(xué)習(xí)模型中各節(jié)點(diǎn)之間的連接的最佳權(quán)重參數(shù)，使其準(zhǔn)確度將會逐漸提高。

例如，準(zhǔn)備200塊不同的硅料的形貌信息樣本，首先由人為檢測分類，將200塊不同的硅料的形貌信息樣本根據(jù)表面平整度和裂紋深度分為不同的類別，然后將這200塊不同的硅料的形貌信息樣本作為訓(xùn)練樣本，利用該深度學(xué)習(xí)模型對200塊不同的硅料的形貌信息樣本進(jìn)行訓(xùn)練，并根據(jù)深度學(xué)習(xí)模型的分類結(jié)果，對深度學(xué)習(xí)模型不斷的進(jìn)行調(diào)試，提高其分類的準(zhǔn)確度。

訓(xùn)練完畢的深度學(xué)習(xí)模型可以用于鑒別不同的硅料，并將硅料分類。

優(yōu)選地，根據(jù)預(yù)設(shè)的深度學(xué)習(xí)模型提取待識別形貌信息以及形貌信息樣本的形貌特征向量包括：將待識別形貌信息以及形貌信息樣本作為輸入圖像分別在深度學(xué)習(xí)模型中包含的多個(gè)基層中依次進(jìn)行特征訓(xùn)練；當(dāng)訓(xùn)練完成后，提取多個(gè)基層中的全連接層或者其它指定基層輸出的特征向量作為待識別形貌信息或形貌信息樣本的形貌特征向量。不斷地優(yōu)化該深度學(xué)習(xí)模型。

即在深度學(xué)習(xí)模型對待識別形貌信息進(jìn)行識別時(shí)，服務(wù)端仍然可以按照相同的處理方式，將該待識別形貌信息作為輸入圖像在該深度學(xué)習(xí)模型中包含的多個(gè)卷積層中依次進(jìn)行特征訓(xùn)練，當(dāng)各卷積層均訓(xùn)練完成后，可以提取全連接層或者多個(gè)卷積層中指定的卷積層輸出的特征向量作為該待識別形貌信息的形貌信息特征向量。

步驟230、控制裝置控制分類后的硅料在輸送裝置上輸送至相應(yīng)的裝放裝置中。

優(yōu)選地，輸送至裝放裝置后還可以對硅料進(jìn)行運(yùn)輸和包裝。

通過此智能鑒別方法避免人工分撿對硅料產(chǎn)品造成二次污染，同時(shí)，智能鑒別方法對硅料鑒別分類統(tǒng)一、鑒別分類更加準(zhǔn)確，避免人工鑒別造成分類誤差，提高了工作效率。

實(shí)施例2

請參閱圖3，本實(shí)施例提供了一種硅料品質(zhì)的智能鑒別裝置300，包括破碎裝置310、篩選裝置320、輸送裝置330、檢測裝置340、控制裝置350和多個(gè)裝放裝置360。

破碎裝置310用于將硅棒進(jìn)行破碎，得到硅料。優(yōu)選地，破碎裝置310位于輸送裝置330的上方，破碎裝置310破碎硅棒后得到的硅料直接落在輸送裝置330上，方便輸送裝置330的傳輸。

在破碎裝置310破碎硅棒的過程中，會產(chǎn)生粉末和細(xì)小顆粒，通過篩選裝置320將其去除。優(yōu)選地，篩選裝置320設(shè)置于輸送裝置330，硅料在輸送的過程中進(jìn)行篩選，優(yōu)選篩選方式為過篩，更優(yōu)選地為多級過篩，本實(shí)施例中，采用多級過篩選取合適規(guī)格的篩上物料，用于提高其分類的效率。

更佳地，篩選裝置320為吹風(fēng)裝置，即吹風(fēng)裝置設(shè)置于輸送裝置330，在輸送硅料的過程中，吹風(fēng)裝置對硅料吹風(fēng)，去除細(xì)小顆粒和粉塵，避免不合格的硅料影響硅料產(chǎn)品的品質(zhì)。

在本發(fā)明其他的本實(shí)施例中，篩選裝置320為兩級過篩裝置(圖未示)，其包括第一級篩和第二級篩，將硅料經(jīng)第一級篩過篩，得第一篩下物料，將篩上過大的物料回收再進(jìn)行破碎，將得到的第一篩下物料經(jīng)第二級篩過篩，得篩上物料，去除不需要的粉末和細(xì)小顆粒，因此第一級篩的目數(shù)小于第二過篩的目數(shù)，本領(lǐng)域工作人員可根據(jù)實(shí)際情況進(jìn)行設(shè)定，在此不做贅述。

輸送裝置330用于輸送硅料，檢測裝置340用于檢測硅料的表面結(jié)構(gòu)，檢測裝置340設(shè)置于輸送裝置330，即硅料在輸送的過程中同時(shí)進(jìn)行檢測，提高其分類的效率。本實(shí)施例中，輸送裝置330為輸送帶。

請參閱圖4，檢測裝置340包括紅外發(fā)射裝置341、紅外接收裝置342、處理器343和鑒別裝置346，紅外發(fā)射裝置341發(fā)射紅外線于硅料，通過紅外接收裝置342接收硅料反射的紅外線，紅外接收裝置342與處理器343電連接，處理器343處理紅外接收裝置342接收的信號。

通過紅外線掃描硅料，更加方便對硅料表面結(jié)構(gòu)的檢測，通過處理器343處理傳輸數(shù)據(jù)，將硅料的表面結(jié)構(gòu)數(shù)據(jù)化，詳細(xì)化。

處理器343包括圖像采集模塊344和圖像處理模塊345，紅外接收裝置342與圖像采集模塊344電連接，圖像采集模塊344與圖像處理模塊345電連接。通過圖像采集模塊344和圖像處理模塊345將硅料的表面結(jié)構(gòu)清晰地表現(xiàn)出來，方便對其進(jìn)行鑒別。

鑒別裝置346用于將檢測后的硅料鑒別分類，檢測裝置340與鑒別裝置346電連接，具體地，檢測裝置340的處理器343與鑒別裝置346電連接，檢測裝置340的圖像處理模塊345與鑒別裝置346電連接。

圖像處理模塊345處理得到的關(guān)于硅料表面結(jié)構(gòu)的信息通過鑒別裝置346進(jìn)行分類，鑒別裝置346包括數(shù)據(jù)儲存模塊347和數(shù)據(jù)分類模塊348，檢測裝置340與數(shù)據(jù)儲存模塊347電連接，數(shù)據(jù)儲存模塊347和數(shù)據(jù)分類模塊348電連接，將圖像處理模塊345得到的信息與數(shù)據(jù)儲存模塊347中的信息相比對，通過數(shù)據(jù)分類模塊348得到該硅料屬于哪一類別。

具體地，數(shù)據(jù)分類模塊348包括深度學(xué)習(xí)模型模塊(圖未示)，深度學(xué)習(xí)模型模塊包括訓(xùn)練模塊、提取模塊、計(jì)算模塊以及識別模塊，訓(xùn)練模塊用于在根據(jù)預(yù)設(shè)的深度學(xué)習(xí)模型提取待識別形貌信息以及形貌信息樣本的形貌信息特征向量之前，基于預(yù)設(shè)數(shù)量的形貌信息樣本對深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，以確定深度學(xué)習(xí)模型中各節(jié)點(diǎn)的最佳權(quán)重參數(shù)。其中提取模塊用于根據(jù)預(yù)設(shè)的深度學(xué)習(xí)模型提取待識別形貌信息以及形貌信息樣本的形貌信息特征向量；計(jì)算模塊用于基于提取出的形貌信息向量計(jì)算待識別形貌信息與形貌信息樣本的相似度取值；識別模塊用于根據(jù)計(jì)算出的相似度取值對待識別形貌信息進(jìn)行人臉識別。數(shù)據(jù)分類模塊348可以實(shí)現(xiàn)根據(jù)預(yù)設(shè)的深度學(xué)習(xí)模型提取待識別形貌信息以及形貌信息樣本的形貌特征向量包括：將待識別形貌信息以及形貌信息樣本作為輸入圖像分別在深度學(xué)習(xí)模型中包含的多個(gè)基層中依次進(jìn)行特征訓(xùn)練；當(dāng)訓(xùn)練完成后，提取多個(gè)基層中的全連接層或者其它指定基層輸出的特征向量作為待識別形貌信息或形貌信息樣本的形貌特征向量。

鑒別裝置346的識別模塊與控制裝置350電連接。多個(gè)裝放裝置360均設(shè)置于輸送裝置330的端部，控制裝置350控制分類后的硅料輸送至相應(yīng)的裝放裝置360內(nèi)。

即通過鑒別裝置346得出硅料屬于哪一類別，并且，每一種類別有其相應(yīng)的裝放裝置360，即每種類別的硅料與相應(yīng)的裝放裝置360一一對應(yīng)?？刂蒲b置350控制該硅料進(jìn)入相應(yīng)的裝放裝置360中。優(yōu)選地，輸送至裝放裝置360后還可以對硅料進(jìn)行運(yùn)輸和包裝。

優(yōu)選地，輸送裝置330的端部設(shè)置多個(gè)裝放裝置360，每個(gè)裝放裝置360上設(shè)置有相應(yīng)的隔板(圖未示)，當(dāng)硅料輸送至輸送裝置330的端部的時(shí)候，控制裝置350控制相應(yīng)的隔板打開，從而將其輸送至相應(yīng)的裝放裝置360中，然后控制裝置350控制該隔板關(guān)閉。如此進(jìn)行下一個(gè)硅料品質(zhì)的智能分類。

更佳地，每個(gè)隔板上均設(shè)置有感應(yīng)器(圖未示)，感應(yīng)器與控制裝置350電連接，控制裝置350發(fā)出的信號傳輸給感應(yīng)器，感應(yīng)器控制接受命令控制隔板打開或關(guān)閉。

以上僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。