本数据可以在串焊、层前、层后、终检环节通用，支持多种输入，能够处理不同规格和尺寸的光伏电池EL图像。其次是本技术的功能完整性。本技术支持17种电池片本身缺陷（断栅、黑边、黑斑、划伤、破片、单隐裂、死片、叉隐裂、虚焊、亮斑、污染、印记、脏污、炸点、条偏、黑心、氧环）的检测以及4种外部缺陷（拼接不良、明暗片、条码、间距）的检测，基本涵盖了所有可能出现的缺陷。本数据基于多工序、多片型、多片源的大量样本进行预训练，且构建了完整的负反馈体系，很大程度地提升了多场景下的算法检测精度，并搭配复杂且可配置的后处理规则，使用者可以根据不同车间的工艺要求进行个性化配置。
本数据借鉴了人工智能领域的深度学习技术，对现有神经网络结构进行针对性的优化改进，并提出了适用太阳能面板生产过程中EL图像处理的特殊策略以及定制化方法，以解决上述背景技术中提出的问题，以下为算法逻辑：1) 输入待检图像及参数。2) 切除图像黑边。3) 切分电池片。4) 亮度及尺寸调整。5) 训练神经网络。6) 部署推理模型。7) 特征提取。8) 生成热力图。9) 计算偏置、计算中心点、计算目标长宽。10) 遍历不良信息。11) 规则过滤。12) 输出检出结果。将过滤后的有效缺陷信息进行组织和汇总。13) 拼接电池片图像，构造返回json串。对满足检出标准的缺陷坐标进行反推和拼接，计算得出其在原图中的具体位置，附加上算法得出的缺陷类型、置信度、单位电池片中的位置以及面积占比，构造出json信息串后，返回至前端软件。以上检测出不良后，后台单独统计各不良数量，以及单机产量，计算出此类不良比例，计算公式：不良比例=此类不良串数/总串数；例如：虚焊比例=虚焊串数/总串数；通过定时捞取此项数据，获取机台状态，针对性调整。
| 字段名 | 类型 | 描述 |
|---|---|---|
机台号 |
-- | -- |
总串数 |
-- | -- |
死片串数 |
-- | -- |
破片串数 |
-- | -- |
X隐裂串数 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 机台号 | TYWTSOLERING2001-L |
| 总串数 | 12278 |
| 死片串数 | 10 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/27488