專利名稱：太陽能電池晶片分色的方法
技術(shù)領(lǐng)域：
本發(fā)明是關(guān)于一種太陽能電池晶片分色的方法，并且特別地，關(guān)于一種能以自動學(xué)習(xí)系統(tǒng)有效地對太陽能電池晶片表面的顏色進(jìn)行分類的方法。
背景技術(shù)：
近年來，能源以及環(huán)保議題受到重視，使得世界各國紛紛發(fā)展新式較無污染的能源，例如，風(fēng)力、潮汐、地?zé)?、太陽能、以及生質(zhì)能源等，其中太陽能由于應(yīng)用范圍廣泛且發(fā)展較為成熟而成為各種新式替代能源中最被看好的其中之一。太陽能的利用一般通過太陽能電池(solar cell)晶片,通過光電轉(zhuǎn)換把太陽光中所包含的能量轉(zhuǎn)化為電能。太陽能電池晶片依工藝不同，可概分為硅晶太陽能電池晶片以及薄膜太陽能電池晶片等，其中硅晶太陽能電池晶片發(fā)展最久同時(shí)技術(shù)也最成熟。硅晶太陽能電池晶片的基本構(gòu)造是P型半導(dǎo)體與N型半導(dǎo)體接合而成，當(dāng)太陽光照射太陽能電池晶片時(shí)，其光能將硅原子中的電子激發(fā)出來而形成電子與電洞的對流，所產(chǎn)生的電子與電洞受到內(nèi)建電位影響分別被P型半導(dǎo)體與N型半導(dǎo)體吸引而聚集至不同的兩側(cè)，通過電極可引出電子與電洞進(jìn)而產(chǎn)生電能。由于太陽能電池晶片以其表面接收太陽光而進(jìn)行發(fā)電，因此，太陽能電池晶片表面是否能有效吸收光源，將成為提升能量轉(zhuǎn)換效率的關(guān)鍵所在。此外，太陽能電池晶片表面具有一層抗反射層，可用來降低照射至表面的光線的反射率，換言之，增加光吸收效率。抗反射層的厚度將會影響抗反射的效率，而抗反射層的厚度可由太陽能電池晶片表面顏色來區(qū)分，一般而言，抗反射層越厚顏色越淺，反之則越深。顏色的差異主要取決于工藝的管控，根據(jù)顏色的深淺以及均一性也可判斷工藝的能力是否不足而須改善工藝。如上所述，太陽能電池晶片表面顏色分類可做為改進(jìn)生產(chǎn)工藝的依據(jù)。太陽能電池晶片每片的表面顏色并非僅只一種，而是數(shù)種不同顏色混合而成，舉例而言，具有藍(lán)黑及深藍(lán)兩種顏色的太陽能電池晶片，各晶片上兩種顏色的比例通常不會完全相同。傳統(tǒng)的太陽能電池晶片表面顏色分類的方法是以人眼直接觀看其表面而進(jìn)行分類，而人眼分類的準(zhǔn)則是依照表面主要顏色與次要顏色的比例來進(jìn)行分色。然而，一般的分類方法僅使用太陽能電池晶片表面主要顏色來進(jìn)行分類，而對其上次要顏色的重要性予以忽略，容易與人眼分色產(chǎn)生誤差。另外，受限于每個(gè)人對顏色定義無法均一，且人眼容易受到疲勞等因素而失準(zhǔn)，因此人眼分色判斷方法會具有相當(dāng)大的誤差。

發(fā)明內(nèi)容
因此，本發(fā)明的一目的在于提供一種太陽能電池晶片分色的方法，可利用自動學(xué)習(xí)技術(shù)對太陽能電池晶片的表面顏色進(jìn)行分類，以解決現(xiàn)有技術(shù)的問題。根據(jù)一具體實(shí)施例，本發(fā)明的太陽能電池晶片分色的方法包含下列步驟:取得太陽能電池晶片表面的影像；分析此影像以獲得色彩空間中的多個(gè)座標(biāo)點(diǎn)；將各座標(biāo)點(diǎn)分別歸類到多個(gè)顏色群組之中；分析各顏色群組中座標(biāo)點(diǎn)的比例，進(jìn)而獲得顏色特征向量；將顏色特征向量輸入機(jī)器學(xué)習(xí)分類器以獲得太陽能電池晶片的表面顏色的分類結(jié)果。于本具體實(shí)施例中，機(jī)器學(xué)習(xí)分類器經(jīng)過太陽能電池晶片表面顏色的分色訓(xùn)練，此分色訓(xùn)練包含下列步驟:分析訓(xùn)練影像集合中的各訓(xùn)練影像，而獲得在色彩空間中對應(yīng)各訓(xùn)練影像的座標(biāo)點(diǎn)集合；以分群演算法自所有座標(biāo)點(diǎn)集合中歸類出多個(gè)顏色群組，并將各座標(biāo)點(diǎn)集合分別分類至多個(gè)顏色群組中；分別分析各座標(biāo)點(diǎn)集合于各顏色群組中的訓(xùn)練影像座標(biāo)點(diǎn)的比例，以獲得多個(gè)訓(xùn)練影像顏色特征向量；分別提供期望顏色值至各訓(xùn)練影像顏色特征向量，以獲得多個(gè)訓(xùn)練樣本；再以這些訓(xùn)練樣本對機(jī)器學(xué)習(xí)分類器進(jìn)行分色訓(xùn)練。關(guān)于本發(fā)明的優(yōu)點(diǎn)與精神可以通過以下的發(fā)明詳述及附圖得到進(jìn)一步的了解。


圖1為根據(jù)本發(fā)明的一具體實(shí)施例的太陽能電池晶片分色的方法的步驟流程圖；圖2為根據(jù)圖1的太陽能電池晶片分色的方法中所應(yīng)用的機(jī)器學(xué)習(xí)分類器，其分色訓(xùn)練的步驟流程圖；圖3為根據(jù)本發(fā)明的另一具體實(shí)施例的太陽能電池晶片分色的方法的步驟流程圖。其中，附圖標(biāo)記說明如下:SlO S18、S20 28、S30 S40:流程步驟。
具體實(shí)施例方式請參閱圖1，圖1為根據(jù)本發(fā)明的一具體實(shí)施例的太陽能電池晶片分色的方法的步驟流程圖。本具體實(shí)施例的方法可利用自動學(xué)習(xí)的系統(tǒng)來對太陽能電池晶片表面的顏色進(jìn)行分類，而可解決現(xiàn)有技術(shù)的問題。如圖1所示，本具體實(shí)施例的太陽能電池晶片分色的方法包含有下列步驟:于步驟S10，取得欲分類的太陽能電池晶片表面的影像；于步驟S12，分析此影像而獲得色彩空間中的多個(gè)座標(biāo)點(diǎn)；于步驟S14，將各座標(biāo)點(diǎn)分別分類至多個(gè)顏色群組中；于步驟S16，分析各顏色群組中的座標(biāo)點(diǎn)的比例，以獲得此影像的顏色特征向量；于步驟S18，提供獲得的顏色特征向量至機(jī)器學(xué)習(xí)分類器，以作為機(jī)器學(xué)習(xí)分類器的輸入值，進(jìn)而獲得太陽能電池晶片表面顏色分類的結(jié)果。步驟SlO中取得欲分類的太陽能電池晶片表面影像的方式，在實(shí)務(wù)上可利用電荷率禹合元件(Charge-Coupled Device, CCD)攝影機(jī)等取像裝置擷取表面影像。在步驟S12中，當(dāng)太陽能電池晶片表面影像擷取出來之后，可經(jīng)由影像處理系統(tǒng)先找出影像中的有效點(diǎn)，再將影像在各有效點(diǎn)上的顏色分別轉(zhuǎn)換到色彩空間中的座標(biāo)點(diǎn)。實(shí)務(wù)中，有效點(diǎn)的獲得可將太陽能電池晶片影像去除其粗線(busbar)、細(xì)線(finger)以及背景(background),去除后的有效面積上的像素點(diǎn)可作為有效點(diǎn)。影像在各有效點(diǎn)上的顏色分布，可由色彩空間中的座標(biāo)點(diǎn)來表示。舉例而言，顏色偏深藍(lán)的太陽能電池晶片，表示各有效點(diǎn)的顏色以深藍(lán)色居多，故轉(zhuǎn)換后對應(yīng)于各有效點(diǎn)的座標(biāo)多數(shù)落在色彩空間中代表深藍(lán)色的區(qū)域。本具體實(shí)施例所采用的色彩空間可為CIE Lab色彩空間，然而，于實(shí)務(wù)中，也可采用CIE XYZ色彩空間或CIE Luv色彩空間等,端看使用者或設(shè)計(jì)者需求而定。
當(dāng)步驟S12中將各有效點(diǎn)的顏色轉(zhuǎn)換到色彩空間的對應(yīng)座標(biāo)點(diǎn)后，接著，在步驟S14中將各座標(biāo)點(diǎn)分別分類到預(yù)先設(shè)定好的多個(gè)顏色群組之中。上述將各座標(biāo)點(diǎn)分別分類到顏色群組中的方法舉例而言，各顏色群組在色彩空間中占有一區(qū)域，并且各區(qū)域可用一個(gè)重心位置來代表，上述各座標(biāo)點(diǎn)可以歐式幾何距離作為分類的依據(jù)，亦即，一座標(biāo)點(diǎn)會被歸類于與其歐式距離最近的重心位置所代表的顏色群組。請注意，本發(fā)明并不以上述歐式距離的分類方法為限，任何可將座標(biāo)點(diǎn)分類至顏色群組的方法皆可應(yīng)用于步驟S14之中。通過上述步驟S14，一個(gè)太陽能電池晶片影像上所有有效點(diǎn)的顏色可被分到各顏色群組中，接著，在步驟S16，分析各顏色群組中的座標(biāo)點(diǎn)的比例，以獲得與此太陽能電池晶片表面顏色相關(guān)的顏色特征向量。舉例而言，若一太陽能電池晶片表面的顏色為深藍(lán)色偏多、藍(lán)黑色次之，則代表深藍(lán)色的顏色群組中所包含的座標(biāo)點(diǎn)數(shù)量將會占所有座標(biāo)點(diǎn)數(shù)量中的最大比例，代表藍(lán)黑色的顏色群組中包含的座標(biāo)點(diǎn)數(shù)量比例則次之。再通過另一具體實(shí)施例詳細(xì)說明步驟S16。若一太陽能電池晶片影像所分析出的各座標(biāo)點(diǎn)可被分入N個(gè)顏色群組中，則依照各顏色群組中所包含的座標(biāo)點(diǎn)數(shù)量與此影像所有座標(biāo)點(diǎn)總數(shù)的比例，可以得到一個(gè)向量數(shù)值(Pl，P2，...，PN)做為此太陽能電池晶片影像的顏色特征向量，其中，數(shù)字I N代表N個(gè)不同的顏色群組，P則是顏色群組中所包含的座標(biāo)點(diǎn)數(shù)量或是所包含的座標(biāo)點(diǎn)數(shù)量與所有座標(biāo)點(diǎn)總數(shù)的比例。當(dāng)步驟S16獲得關(guān)于太陽能電池晶片影像的顏色特征向量之后，于步驟S18中，可將此顏色特征向量輸入機(jī)器學(xué)習(xí)分類器，機(jī)器學(xué)習(xí)分類器經(jīng)判斷后的輸出值則為太陽能電池晶片的表面顏色分類結(jié)果。于此須說明的是，此機(jī)器學(xué)習(xí)分類器已先經(jīng)過分色訓(xùn)練，關(guān)于其分色訓(xùn)練的內(nèi)容將以下述實(shí)施例詳述。請參閱圖2，圖2為根據(jù)圖1的太陽能電池晶片分色的方法中所應(yīng)用的機(jī)器學(xué)習(xí)分類器，其分色訓(xùn)練的步驟流程圖。如圖2所示，本具體實(shí)施例的機(jī)器學(xué)習(xí)分類器的分色訓(xùn)練包含下列步驟:于步驟S20，分別分析訓(xùn)練影像集合中的多個(gè)訓(xùn)練影像，以獲得色彩空間中分別對應(yīng)各訓(xùn)練影像的多組座標(biāo)點(diǎn)集合，其中，各座標(biāo)點(diǎn)集合分別包含了多個(gè)訓(xùn)練影像座標(biāo)點(diǎn)；接著，于步驟S22，以分群演算法自所有訓(xùn)練影像座標(biāo)點(diǎn)中歸類出多個(gè)顏色群組，并將各座標(biāo)點(diǎn)集合的各訓(xùn)練影像座標(biāo)點(diǎn)分別分類至各顏色群組中；于步驟S24，分析各座標(biāo)點(diǎn)集合于各顏色群組中的訓(xùn)練影像座標(biāo)點(diǎn)的比例，以獲得相關(guān)于各訓(xùn)練影像的訓(xùn)練影像顏色特征向量；于步驟S26，分別提供期望顏色值至各訓(xùn)練影像顏色特征向量，而得到多個(gè)訓(xùn)練樣本；以及，于步驟S28，將這些訓(xùn)練樣本輸入機(jī)器學(xué)習(xí)分類器，以對機(jī)器學(xué)習(xí)分類器進(jìn)行分色訓(xùn)練。步驟S20所分析的訓(xùn)練影像集合，可由不同顏色的太陽能電池晶片的影像所組成，亦即，前述的訓(xùn)練影像。于實(shí)務(wù)中，做為訓(xùn)練樣本的各太陽能電池晶片可先經(jīng)過其他的分色方法分類其表面顏色，例如，以人眼分色以建立太陽能電池晶片的顏色類別。當(dāng)形成訓(xùn)練影像集合時(shí)，可自各不同顏色類別取出一定數(shù)量的太陽能電池晶片的影像，舉例而言，可自六種顏色類別中取出共五千多張影像混合作為訓(xùn)練影像集合，而每張訓(xùn)練影像中僅顯示一個(gè)太陽能電池晶片。上述五千多張訓(xùn)練影像可分別進(jìn)行分析，而將每個(gè)有效點(diǎn)上的顏色轉(zhuǎn)換到色彩空間中的訓(xùn)練影像座標(biāo)點(diǎn)。請注意，由于分色是以一個(gè)太陽能電池晶片為單位，因此，每張訓(xùn)練影像所轉(zhuǎn)換出來的多個(gè)訓(xùn)練影像座標(biāo)點(diǎn)可分別形成不同的座標(biāo)點(diǎn)集合。步驟S20中的色彩空間同樣可為CIE Lab色彩空間、CIE XYZ色彩空間或CIE Luv色彩空間等。雖然步驟S20以及上述具體實(shí)施例的步驟S12均可應(yīng)用不同的色彩空間來進(jìn)行轉(zhuǎn)換，然而，實(shí)務(wù)上步驟S20所采用的色彩空間應(yīng)與步驟S12所采用的色彩空間一致，例如，兩者皆采用CIE Lab色彩空間。于步驟S22中，通過分群演算法，可自所有座標(biāo)點(diǎn)集合中的所有訓(xùn)練影像座標(biāo)點(diǎn)中歸類出多個(gè)顏色群組，而各座標(biāo)點(diǎn)集合的各訓(xùn)練影像座標(biāo)點(diǎn)則可分別分類到各顏色群組中。如上述，由于一個(gè)太陽能電池晶片上的顏色并非僅有一種，故從一個(gè)太陽能電池晶片的顏色類別中所取出的太陽能電池晶片，其轉(zhuǎn)換出的訓(xùn)練影像座標(biāo)點(diǎn)可能會分別被分類到不同的顏色群組里。步驟S22中所采用的分群演算法，實(shí)務(wù)中可為，但不受限于K-means分群演算法。相關(guān)于各訓(xùn)練影像的各座標(biāo)點(diǎn)集合形成后，步驟S24中可分別針對各座標(biāo)點(diǎn)集合分析其中的訓(xùn)練影像座標(biāo)點(diǎn)于各顏色群組中的比例，進(jìn)而獲得相關(guān)于各訓(xùn)練影像的訓(xùn)練影像顏色特征向量。舉例而言，若有N個(gè)顏色群組，則一訓(xùn)練影像的訓(xùn)練影像座標(biāo)點(diǎn)，依照其在各顏色群組中的比例可得到關(guān)于此訓(xùn)練影像的向量數(shù)值(P1，P2，...,PN)，即為其訓(xùn)練影像顏色特征向量F (feature vector)。由于各訓(xùn)練影像從已分類過的顏色類別中取出，因此各訓(xùn)練影像已有一個(gè)期望的分類顏色。若各訓(xùn)練影像所期待的分類顏色以期望顏色值B來代表，則每張訓(xùn)練影像可提供一期望顏色值至其訓(xùn)練影像顏色特征向量F，進(jìn)而取得一組(F，B)做為訓(xùn)練樣本，如步驟S26所述。各訓(xùn)練影像分別取得其(F，B)訓(xùn)練樣本后，于步驟S28，可將所有(F，B)訓(xùn)練樣本輸入至機(jī)器學(xué)習(xí)分類器的輸入端進(jìn)行訓(xùn)練。經(jīng)過步驟S28的訓(xùn)練，機(jī)器學(xué)習(xí)分類器可用于圖1的具體實(shí)施例的方法中而做為分類的工具。請注意，由本具體實(shí)施例所訓(xùn)練出的機(jī)器學(xué)習(xí)分類器，對待分類的太陽能電池晶片所分類出的結(jié)果大致上與用來預(yù)先分類各訓(xùn)練樣本的分色方法所分類出的結(jié)果相符，其因?yàn)橛?xùn)練時(shí)所采用的期望顏色值是根據(jù)預(yù)先分類的方法而設(shè)定的。舉例而言，上述具體實(shí)施例的期望顏色值B若是根據(jù)人眼分色法而來，機(jī)器學(xué)習(xí)分類器對一個(gè)待分類的太陽能電池晶片的表面顏色分類結(jié)果，大致上會與人眼分色法所分類的結(jié)果相同。值得注意的是，各期望顏色值可由使用者或設(shè)計(jì)者設(shè)定，因此可根據(jù)實(shí)際需求而調(diào)整機(jī)器學(xué)習(xí)分類器的分色訓(xùn)練，使得機(jī)器學(xué)習(xí)分類器的分類結(jié)果更貼近使用者或設(shè)計(jì)者的要求。實(shí)務(wù)中，機(jī)器學(xué)習(xí)分類器可包含，但不受限于類神經(jīng)網(wǎng)絡(luò)(neural network)、支持向量機(jī)(Support Vector Machine,SVM)或高斯混合模型(Gaussian Mixture Models,GMM)等。以類神經(jīng)網(wǎng)絡(luò)為例，類神經(jīng)網(wǎng)絡(luò)通常包含有輸入層、隱藏層以及輸出層，其中，輸入層可供輸入向量，接著經(jīng)過隱藏層的學(xué)習(xí)或分類后，在輸出層輸出結(jié)果。在上述具體實(shí)施例中，分色訓(xùn)練的訓(xùn)練樣本以及實(shí)際進(jìn)行顏色分類時(shí)取得的顏色特征向量皆可由輸入層輸入，并在輸出層獲得結(jié)果。隱藏層中包含有多個(gè)節(jié)點(diǎn)，節(jié)點(diǎn)的數(shù)量可根據(jù)使用者或設(shè)計(jì)者需求而定。請參閱圖3，圖3為根據(jù)本發(fā)明的另一具體實(shí)施例的太陽能電池晶片分色的方法的步驟流程圖。如圖3所示，本具體實(shí)施例的太陽能電池晶片分色的方法先利用多個(gè)訓(xùn)練影像對機(jī)器學(xué)習(xí)分類器進(jìn)行分色訓(xùn)練，再將待分類的太陽能電池晶片所轉(zhuǎn)換并計(jì)算出的顏色特征向量輸入至機(jī)器學(xué)習(xí)分類器中，而由機(jī)器學(xué)習(xí)分類器對太陽能電池晶片的表面顏色進(jìn)行分類。于本具體實(shí)施例中，太陽能電池晶片分色的方法包含有下列步驟:于步驟S30，分別對訓(xùn)練影像集合中的多個(gè)訓(xùn)練影像進(jìn)行分析，以獲得色彩空間中的多組座標(biāo)點(diǎn)集合，其中，各座標(biāo)點(diǎn)集合分別包含有色彩空間中的多個(gè)座標(biāo)點(diǎn)；接著，于步驟S32，以一分群演算法自所有座標(biāo)點(diǎn)中歸類出多個(gè)顏色群組，并將各座標(biāo)點(diǎn)集合的各座標(biāo)點(diǎn)分別分類到這些顏色群組中；于步驟S34，對各座標(biāo)點(diǎn)集合于各顏色群組中的座標(biāo)點(diǎn)的比例進(jìn)行分析，以進(jìn)一步獲得多個(gè)顏色特征向量，其中各顏色特征向量分別相關(guān)于各訓(xùn)練影像；于步驟S36，分別對各顏色特征向量提供期望顏色值，而獲得多個(gè)訓(xùn)練樣本；于步驟S38，以所獲得的多個(gè)訓(xùn)練樣本對機(jī)器學(xué)習(xí)分類器進(jìn)行訓(xùn)練；以及，于步驟S40，輸入待分類的太陽能電池晶片所轉(zhuǎn)換并計(jì)算出的第一顏色特征向量至訓(xùn)練后的機(jī)器學(xué)習(xí)分類器，進(jìn)而獲得太陽能電池晶片的表面顏色的分類結(jié)果。在本具體實(shí)施例中，步驟S30至步驟S38訓(xùn)練出的機(jī)器學(xué)習(xí)分類器可用來進(jìn)行太陽能電池晶片的顏色分類。請注意，本具體實(shí)施例步驟S30至步驟S38的機(jī)器學(xué)習(xí)分類器的分色訓(xùn)練方法的各步驟流程，與上述具體實(shí)施例的分色訓(xùn)練方法中相對應(yīng)的步驟大體上相同，故于此不再贅述。另外，步驟S40中，待分類的太陽能電池晶片的第一顏色特征向量的獲得方式，同樣于上述具體實(shí)施例中已進(jìn)行說明，于此亦不再贅述。綜上所述，本發(fā)明的太陽能電池晶片分色的方法先以自動學(xué)習(xí)方法訓(xùn)練出可用來分色的機(jī)器學(xué)習(xí)分類器，其利用色彩空間的轉(zhuǎn)換以及分群演算法將各訓(xùn)練影像轉(zhuǎn)換成訓(xùn)練樣本，并利用這些訓(xùn)練樣本對機(jī)器學(xué)習(xí)分類器進(jìn)行訓(xùn)練。待分類其表面顏色的太陽能電池晶片同樣也經(jīng)過色彩空間轉(zhuǎn)換，并且將轉(zhuǎn)換后的座標(biāo)點(diǎn)分類至上述分群演算法所分類出的顏色群組中，進(jìn)而獲得顏色特征向量。接著，再將顏色特征向量輸入至已經(jīng)過訓(xùn)練的機(jī)器學(xué)習(xí)分類器即可得到分類結(jié)果。相較于現(xiàn)有技術(shù)，本發(fā)明的太陽能電池晶片分色的方法不僅可根據(jù)表面主要顏色與次要顏色對太陽能電池晶片進(jìn)行分色，甚至可依表面可能出現(xiàn)的顏色來進(jìn)行分色。同時(shí)，利用機(jī)器學(xué)習(xí)分類器進(jìn)行分色可避免個(gè)人主觀顏色認(rèn)定以及人眼疲勞所造成的誤差。藉此，可更有效地對太陽能電池晶片的表面顏色進(jìn)行分類。通過以上較佳具體實(shí)施例的詳述，希望能更加清楚描述本發(fā)明的特征與精神，而并非以上述所揭示的較佳具體實(shí)施例來對本發(fā)明的權(quán)利要求加以限制。相反地，其目的是希望能涵蓋各種改變及具相等性的安排于本發(fā)明所欲申請的專利的權(quán)利要求范圍內(nèi)。因此，本發(fā)明所申請的專利權(quán)利要求范圍應(yīng)該根據(jù)上述的說明作最寬廣的解釋，以致使其涵蓋所有可能的改變以及具相等性的安排。
權(quán)利要求
1.一種太陽能電池晶片分色的方法，用以分類一太陽能電池晶片的表面顏色，該方法包含下列步驟: 取得該太陽能電池晶片的表面的一影像； 分析該影像以獲得一色彩空間中的多個(gè)座標(biāo)點(diǎn)； 將該多個(gè)座標(biāo)點(diǎn)分別分類至多個(gè)顏色群組中； 分析該多個(gè)顏色群組中的該多個(gè)座標(biāo)點(diǎn)的比例以獲得一顏色特征向量；以及提供該顏色特征向量作為一機(jī)器學(xué)習(xí)分類器的輸入值，以獲得該太陽能電池晶片的表面顏色的分類結(jié)果，其中該機(jī)器學(xué)習(xí)分類器是經(jīng)過一分色訓(xùn)練。
2.如權(quán)利要求1所述的方法，其中該色彩空間是CIELab色彩空間。
3.如權(quán)利要求1所述的方法，其中，分析該影像以獲得該色彩空間中的該多個(gè)座標(biāo)點(diǎn)的步驟包含: 分析該影像以獲得多個(gè)有效點(diǎn)；以及 將該影像于該多個(gè)有效點(diǎn)上的顏色分別轉(zhuǎn)換至該色彩空間中的該多個(gè)座標(biāo)點(diǎn)。
4.如權(quán)利要求1所述的方法，其中該機(jī)器學(xué)習(xí)分類器所經(jīng)過的該分色訓(xùn)練包含下列步驟: 分別分析一訓(xùn)練影像集合中的多個(gè)訓(xùn)練影像，以獲得該色彩空間中的多組座標(biāo)點(diǎn)集合，該多組座標(biāo)點(diǎn)集合分別包含該色彩空間中的多個(gè)訓(xùn)練影像座標(biāo)點(diǎn)； 以一分群演算法自該多個(gè)訓(xùn)練影像座 標(biāo)點(diǎn)中歸類出該多個(gè)顏色群組，并將該多個(gè)訓(xùn)練影像座標(biāo)點(diǎn)分別分類至該多個(gè)顏色群組中； 分別分析該多組座標(biāo)點(diǎn)集合于該多個(gè)顏色群組中的該多個(gè)訓(xùn)練影像座標(biāo)點(diǎn)的比例，以獲得多個(gè)訓(xùn)練影像顏色特征向量； 分別提供多個(gè)期望顏色值至該多個(gè)訓(xùn)練影像顏色特征向量，以獲得多個(gè)訓(xùn)練樣本；以及 以該多個(gè)訓(xùn)練樣本對該機(jī)器學(xué)習(xí)分類器進(jìn)行訓(xùn)練。
5.如權(quán)利要求4所述的方法,其中該分群演算法是K-means分群演算法。
6.如權(quán)利要求1所述的方法，其中該機(jī)器學(xué)習(xí)分類器是一類神經(jīng)網(wǎng)絡(luò)，該類神經(jīng)網(wǎng)絡(luò)具有一隱藏層，并且該隱藏層具有多個(gè)節(jié)點(diǎn)。
7.如權(quán)利要求1所述的方法，其中該機(jī)器學(xué)習(xí)分類器是一支持向量機(jī)及一高斯混合模型的其中之一。
8.一種太陽能電池晶片分色的方法，用以分類一太陽能電池晶片的表面顏色，該方法包含下列步驟: 分別分析一訓(xùn)練影像集合中的多個(gè)訓(xùn)練影像，以獲得一色彩空間中的多組座標(biāo)點(diǎn)集合，該多組座標(biāo)點(diǎn)集合分別包含該色彩空間中的多個(gè)座標(biāo)點(diǎn)； 以一分群演算法自該多個(gè)座標(biāo)點(diǎn)中歸類出多個(gè)顏色群組，并將該多個(gè)座標(biāo)點(diǎn)分別分類至多個(gè)顏色群組中； 分別分析該多組座標(biāo)點(diǎn)集合于該多個(gè)顏色群組中的該多個(gè)座標(biāo)點(diǎn)的比例，以獲得多個(gè)顏色特征向量； 分別提供多個(gè)期望顏色值至該多個(gè)顏色特征向量，以獲得多個(gè)訓(xùn)練樣本； 以該多個(gè)訓(xùn)練樣本對一機(jī)器學(xué)習(xí)分類器進(jìn)行訓(xùn)練；以及提供該太陽能電池晶片的一第一顏色特征向量作為該機(jī)器學(xué)習(xí)分類器的輸入值，以獲得該太陽能電池晶片的表面顏色的分類結(jié)果。
9.如權(quán)利要求8所述的方法,其中該分群演算法是K-means分群演算法。
10.如權(quán)利要求8所述的方法，其中該色彩空間是CIELab色彩空間。
11.如權(quán)利要求8所述的方法，其中，分別分析該訓(xùn)練影像集合中的該多個(gè)訓(xùn)練影像，以獲得該色彩空間中的該多組座標(biāo)點(diǎn)集合的步驟包含: 分別分析該多個(gè)影像以獲得多個(gè)有效點(diǎn)集合，該多個(gè)有效點(diǎn)集合分別包含多個(gè)有效點(diǎn)；以及 將該多個(gè)影像于相對應(yīng)的該多個(gè)有效點(diǎn)上的顏色分別轉(zhuǎn)換至該色彩空間中的該多個(gè)座標(biāo)點(diǎn)。
全文摘要
本發(fā)明揭示一種太陽能電池晶片分色的方法，用來分類太陽能電池晶片表面的顏色。本方法包含下列步驟取得太陽能電池晶片表面的影像；分析影像以獲得色彩空間的多個(gè)座標(biāo)點(diǎn)；將各座標(biāo)點(diǎn)分類至多個(gè)顏色群組中；分析各顏色群組中座標(biāo)點(diǎn)的比例而獲得顏色特征向量；以及提供此顏色特征向量做為一經(jīng)過分色訓(xùn)練的機(jī)器學(xué)習(xí)分類器的輸入值，進(jìn)而獲得太陽能電池晶片的表面顏色的分類結(jié)果。藉此，可有效率地對太陽能電池晶片表面的顏色進(jìn)行分類。
文檔編號G06K9/66GK103218626SQ20121002269
公開日2013年7月24日 申請日期2012年1月20日 優(yōu)先權(quán)日2012年1月20日
發(fā)明者蘇怡禎, 翁義龍, 楊欣泰 申請人:致茂電子股份有限公司