本發(fā)明涉及多晶硅制備，是一種基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法、裝置、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、隨著我國光伏產(chǎn)業(yè)的不斷發(fā)展，我國多晶硅行業(yè)呈現(xiàn)快速發(fā)展的趨勢，產(chǎn)量持續(xù)增長。多晶硅還原爐是用于制造多晶硅錠的重要設(shè)備，在多晶硅還原爐生產(chǎn)過程中，爐內(nèi)霧化狀態(tài)的變化對產(chǎn)品質(zhì)量和生產(chǎn)效率有著重要影響。爐內(nèi)霧化狀態(tài)的檢測對于優(yōu)化生產(chǎn)過程、提高產(chǎn)品質(zhì)量和生產(chǎn)效率具有重要意義。目前各公司主要是使用人力在各個還原現(xiàn)場進行定期巡查，但是還原現(xiàn)場具有噪聲大，污染大且具有一定危險性等的特點。且傳統(tǒng)的目標檢測方法往往依賴于人工視覺檢測或基于規(guī)則的傳統(tǒng)機器學習算法，在處理大規(guī)模數(shù)據(jù)和復雜霧化情況時存在局限性。

2、近年來，基于深度學習技術(shù)的霧化檢測模型取得了顯著進展，然而其計算復雜度和運行速度仍受限。

3、輕量化神經(jīng)網(wǎng)絡(luò)技術(shù)的引入為還原爐霧化檢測提供了新的解決方案，其結(jié)構(gòu)簡單、參數(shù)較少、運行速度快，在計算資源有限的嵌入式設(shè)備上具有良好的適用性，能夠?qū)崿F(xiàn)邊緣計算、實時檢測的需求。盡管輕量化神經(jīng)網(wǎng)絡(luò)在資源受限的嵌入式設(shè)備上具有優(yōu)勢，但面對復雜的霧化圖像時，現(xiàn)有模型往往表現(xiàn)不佳，容易出現(xiàn)誤報或漏檢的情況。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法、裝置、電子設(shè)備及存儲介質(zhì)，克服了上述現(xiàn)有技術(shù)之不足，其能有效解決面對復雜的霧化圖像時現(xiàn)有模型往往表現(xiàn)不佳，容易出現(xiàn)誤報或漏檢的問題。

2、本發(fā)明的技術(shù)方案之一是通過以下措施來實現(xiàn)的：一種基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法，包括以下步驟：

3、獲取還原爐爐內(nèi)圖像，對還原爐爐內(nèi)圖像進行預處理，得到預處理后的還原爐爐內(nèi)圖像；

4、構(gòu)建還原爐霧化檢測模型并訓練，得到經(jīng)訓練的還原爐霧化檢測模型；

5、將預處理后的還原爐運行圖像輸入到經(jīng)訓練的還原爐霧化檢測模型中，得到霧化檢測結(jié)果。

6、下面是對上述發(fā)明技術(shù)方案之一的進一步優(yōu)化或/和改進：

7、上述還原爐霧化檢測模型可包括輸入端、backbone、neck、head，backbone在yolov8網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò)和具有特征金字塔網(wǎng)絡(luò)的路徑聚合網(wǎng)絡(luò)的基礎(chǔ)上將c2f模塊替換為gs-c2f模塊，在backbone層之后添加cbam模塊，將損失函數(shù)中的ciou函數(shù)替換為wiou損失函數(shù)。

8、上述gs-c2f模塊可包括依次連接的第一cbs層、spilt層、ghostbottleneck層、拼接層、第二cbs層和se層，gs-c2f模塊的輸入特征經(jīng)過第一cbs層得到第一特征，spilt層將第一特征按通道對半分為第二特征和第三特征，第三特征經(jīng)過ghostbottleneck層得到第四特征，第二特征、第三特征、第四特征經(jīng)過拼接層進行維度合并，最后通過se層進行計算，得到gs-c2f模塊的輸出特征。

9、上述ghostbottleneck層融合了ghost卷積，可將輸入分為普通卷積和簡單的線性操作兩部分進行特征提取，最后進行concat操作進行特征融合得到最終輸出；ghost卷積首先通過卷積提取通道間的信息特征，然后使用分組卷積生成新的特征圖；通過普通卷積生成通道較小的特征圖，然后進行線性變換；其中，普通卷積的公式為：

10、o＝i*f

11、其中，*代表卷積操作，f為卷積核，k*k為卷積核大小，o為輸出特征圖，隨后用li,j操作來將o的每個通道特征圖生產(chǎn)ghost特征圖；

12、

13、其中代表第i個內(nèi)在特征圖，代表負責生成第j個ghost?map的線性操作；最后將普通卷積和線性變換得到的特征圖拼接到一起，得到最終的輸出。

14、上述第一cbs層、第二cbs層均可采用cbs結(jié)構(gòu)，cbs結(jié)構(gòu)包括依次連接的卷積層、批歸一化層和silu激活函數(shù)層。

15、上述se層可對gs-c2f模塊的輸入特征學習全局上下文信息；se層包括squeeze部分和excitation部分，其中，squeeze部分使用全局平均池化操作將每個特征圖的空間信息壓縮成一個通道描述符，以此反應初該通道的總體活動水平；其中，excitation部分通過兩個全連接層捕獲通道間的依賴關(guān)系，并學習每個通道的權(quán)重，從而增強或抑制特定的特征響應。

16、上述預處理的方式可包括調(diào)整還原爐圖像的大小、圖像歸一化、通道調(diào)整和圖像填充。

17、本發(fā)明的技術(shù)方案之二是通過以下措施來實現(xiàn)的：一種基于目標檢測技術(shù)的輕量化還原爐霧化檢測裝置，包括：

18、圖像獲取及預處理模塊，用于獲取還原爐內(nèi)圖像，對還原爐內(nèi)圖像進行預處理，得到預處理后的還原爐內(nèi)圖像；

19、模型構(gòu)建訓練模塊，用于構(gòu)建還原爐霧化檢測模型并訓練，得到經(jīng)訓練的還原爐霧化檢測模型；

20、預測模塊，用于將預處理后的還原爐內(nèi)圖像輸入到經(jīng)訓練的還原爐霧化檢測模型，得到霧化檢測結(jié)果。

21、本發(fā)明的技術(shù)方案之三是通過以下措施來實現(xiàn)的：一種電子設(shè)備，包括存儲器和處理器，存儲器上存儲有可在處理器上運行的程序，處理器執(zhí)行程序時實現(xiàn)上述的基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法。

22、本發(fā)明的技術(shù)方案之四是通過以下措施來實現(xiàn)的：一種存儲介質(zhì)，存儲介質(zhì)存儲有一個或者多個程序，一個或者多個程序可被一個或者多個處理器執(zhí)行，以實現(xiàn)上述的基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法。

23、本發(fā)明構(gòu)建還原爐霧化檢測模型并訓練，得到經(jīng)訓練的還原爐霧化檢測模型，還原爐霧化檢測模型包括幽靈注意力特征提取網(wǎng)絡(luò)、幽靈注意力聚合特征金字塔網(wǎng)絡(luò)，幽靈注意力特征提取網(wǎng)絡(luò)和幽靈注意力聚合特征金字塔網(wǎng)絡(luò)在yolov8網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò)和路徑聚合網(wǎng)絡(luò)的基礎(chǔ)上將c2f模塊替換為gs-c2f模塊，在backbone層之后插入cbam模塊，將損失函數(shù)中的ciou函數(shù)替換為wiou損失函數(shù)；將預處理后的還原爐運行圖像輸入到經(jīng)訓練的還原爐霧化檢測模型，得到霧化檢測結(jié)果，解決了計算量大、準確度低的問題。本發(fā)明通過使用線性變換減少參數(shù)和注意力機制集成的思想設(shè)計了g2f-gs模塊，該g2f-gs模塊通過減少參數(shù)量實現(xiàn)更高的參數(shù)利用效率以及更低的計算復雜度。本發(fā)明將g2f-gs模塊應用于yolov8網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò)中，豐富了特征提取網(wǎng)絡(luò)梯度流，減少了計算量。此外，根據(jù)g2f-gs模塊在yolov8網(wǎng)絡(luò)的具有特征金字塔網(wǎng)絡(luò)的路徑聚合網(wǎng)絡(luò)的基礎(chǔ)上設(shè)計了全新的特征金字塔網(wǎng)絡(luò)并加入了cbam模塊，并將損失函數(shù)替換為wiou以增強對霧化特征的多尺度融合。本發(fā)明在提高霧化檢測精度的同時，降低了模型的參數(shù)量和復雜度，提高了檢測速度，滿足了工業(yè)檢測實時性的要求。

技術(shù)特征：

1.一種基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法，其特征在于包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法，其特征在于還原爐霧化檢測模型包括輸入端、backbone、neck、head，backbone在yolov8網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò)和具有特征金字塔網(wǎng)絡(luò)的路徑聚合網(wǎng)絡(luò)的基礎(chǔ)上將c2f模塊替換為gs-c2f模塊，在backbone層之后添加cbam模塊，將損失函數(shù)中的ciou函數(shù)替換為wiou損失函數(shù)。

3.根據(jù)權(quán)利要求2所述的基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法，其特征在于gs-c2f模塊包括依次連接的第一cbs層、spilt層、ghostbottleneck層、拼接層、第二cbs層和se層，gs-c2f模塊的輸入特征經(jīng)過第一cbs層得到第一特征，spilt層將第一特征按通道對半分為第二特征和第三特征，第三特征經(jīng)過ghostbottleneck層得到第四特征，第二特征、第三特征、第四特征經(jīng)過拼接層進行維度合并，最后通過se層進行計算，得到gs-c2f模塊的輸出特征。

4.根據(jù)權(quán)利要求3所述的基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法，其特征在于ghostbottleneck層融合了ghost卷積，將輸入分為普通卷積和簡單的線性操作兩部分進行特征提取，最后進行concat操作進行特征融合得到最終輸出；ghost卷積首先通過卷積提取通道間的信息特征，然后使用分組卷積生成新的特征圖；通過普通卷積生成通道較小的特征圖，然后進行線性變換；其中，普通卷積的公式為：

5.根據(jù)權(quán)利要求3或4所述的基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法，其特征在于第一cbs層、第二cbs層均采用cbs結(jié)構(gòu)，cbs結(jié)構(gòu)包括依次連接的卷積層、批歸一化層和silu激活函數(shù)層。

6.根據(jù)權(quán)利要求3或4所述的基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法，其特征在于se層對gs-c2f模塊的輸入特征學習全局上下文信息；se層包括squeeze部分和excitation部分，其中，squeeze部分使用全局平均池化操作將每個特征圖的空間信息壓縮成一個通道描述符，以此反應初該通道的總體活動水平；其中，excitation部分通過兩個全連接層捕獲通道間的依賴關(guān)系，并學習每個通道的權(quán)重，從而增強或抑制特定的特征響應。

7.根據(jù)權(quán)利要求1或2或3或4所述的基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法，其特征在于預處理的方式包括調(diào)整還原爐圖像的大小、圖像歸一化、通道調(diào)整和圖像填充。

8.一種基于目標檢測技術(shù)的輕量化還原爐霧化檢測裝置，其特征在于包括：

9.一種電子設(shè)備，包括存儲器和處理器，存儲器上存儲有可在處理器上運行的程序，其特征在于，處理器執(zhí)行程序時實現(xiàn)如權(quán)利要求1至7中任意一項所述的基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法。

10.一種存儲介質(zhì)，其特征在于，存儲介質(zhì)存儲有一個或者多個程序，一個或者多個程序可被一個或者多個處理器執(zhí)行，以實現(xiàn)如權(quán)利要求1至7中任意一項所述的基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法。

技術(shù)總結(jié)
本發(fā)明涉及多晶硅制備技術(shù)領(lǐng)域，是一種基于目標檢測技術(shù)的輕量化還原爐霧化檢測方法、裝置、電子設(shè)備及存儲介質(zhì)，其方法包括以下步驟：獲取還原爐爐內(nèi)圖像，對還原爐爐內(nèi)圖像進行預處理，得到預處理后的還原爐爐內(nèi)圖像；構(gòu)建還原爐霧化檢測模型并訓練，得到經(jīng)訓練的還原爐霧化檢測模型；將預處理后的還原爐運行圖像輸入到經(jīng)訓練的還原爐霧化檢測模型中，得到霧化檢測結(jié)果。本發(fā)明在提高霧化檢測精度的同時，降低了模型的參數(shù)量和復雜度，提高了檢測速度，滿足了工業(yè)檢測實時性的要求。

技術(shù)研發(fā)人員：錢育蓉,徐壯,撒金海
受保護的技術(shù)使用者：新疆大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19