一种拉晶过程中熔料检测方法、装置及电子设备

技术领域

本申请涉及光伏和半导体单晶拉制技术领域，更具体的说是涉及一种拉晶过程中熔料检测方法、装置及电子设备。

背景技术

在单晶生长领域的熔料工艺中，需要根据单晶炉内硅料熔融情况，在高温和真空状态下进行多次复投。在熔料过程中，通常是技术人员凭借硅料熔融状态的经验把控降低底部加热器功率的时间点，因为技术人员的主观因素容易造成底部加热器下降功率的时机不同，同时需要大量的技术人员时刻关注并操作或错过操作底部加热器下降功率时机，对生产成本、产量及生成效率造成一定影响。

发明内容

有鉴于此，本申请提供如下技术方案：

一种拉晶过程中熔料检测方法，包括：

获得熔料工艺时坩埚内待检测图像；

基于图像分割模型对所述待检测图像进行处理，得到与所述待检测图像对应的熔料形态特征以及与每一熔料形态特征对应的图像像素信息，其中，所述图像分割模型为基于对熔料开始到全熔结束的全过程图像进行训练，得到的能够检测出图像的熔料形态特征以及与每一熔料形态特征对应的图像像素信息的模型，所述熔料形态特征至少包括固态特征、薄膜态特征或液态特征中的一种或多种；

基于每一熔料形态特征对应的图像像素信息进行计算，得到固液占比参数；

根据所述固液占比参数，确定熔料所处的目标阶段。

可选地，还包括：

确定与所述熔料所处的目标阶段对应的控制信息，所述控制信息至少用于控制熔料工艺中的复投时刻或者加热功率。

可选地，所述方法还包括：

获得图像数据集，所述图像数据集包括工业相机端对熔料开始到全熔结束的全过程图像采集获得的多张图像；

对所述图像数据集中每一图像进行特征标注，得到标注信息，所述标注信息包括表征固态熔料的第一标注信息，表征薄膜态熔料的第二标注信息以及表征液态熔料的第三标注信息中的一种或多种；

基于所述图像数据集中每一图像的标注信息以及所述图像数据集，生成图像训练样本；

将所述图像数据集中每一图像的图像特征作为训练特征，并将所述每一图像的标注信息作为训练目标，对所述图像训练样本进行训练，得到图像分割模型。

可选地，所述对所述图像数据集中每一图像进行特征标注，得到标注信息，包括：

对所述图像数据集中的每一图像进行图像增强预处理，得到预处理后的图像数据集；

对所述预处理后的图像数据集中每一图像进行特征标注，得到标注信息。

可选地，所述基于每一熔料形态特征对应的图像像素信息进行计算，得到固液占比参数，包括：

获得每一熔料形态特征对应的权重参数，以及当前时刻每一熔料形态特征对应的图像区域中像素数量；

根据所述每一熔料形态特征对应的权重参数以及对应的像素数量，计算得到固液占比参数。

可选地，所述根据所述固液占比参数，确定熔料所处的目标阶段，包括：

获得熔料所处的每一阶段的阈值参数；

基于所述阈值参数和所述溶液占比参数，确定熔料所处的目标阶段。

一种拉晶过程中熔料检测装置，包括：

图像获得单元，用于获得熔料工艺时坩埚内待检测图像；

模型处理单元，用于基于图像分割模型对所述待检测图像进行处理，得到与所述待检测图像对应的熔料形态特征以及与每一熔料形态特征对应的图像像素信息，其中，所述图像分割模型为基于对熔料开始到全熔结束的全过程图像进行训练，得到的能够检测出图像的熔料形态特征以及与每一熔料形态特征对应的图像像素信息的模型，所述熔料形态特征至少包括固态特征、薄膜态特征或液态特征中的一种或多种；

参数计算单元，用于基于每一熔料形态特征对应的图像像素信息进行计算，得到固液占比参数；

阶段确定单元，用于根据所述固液占比参数，确定熔料所处的目标阶段。

可选地，还包括：

控制信息确定单元，用于确定与所述熔料所处的目标阶段对应的控制信息，所述控制信息至少用于控制熔料工艺中的复投时刻或者加热功率。

一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述中任一项所述的拉晶过程中熔料检测方法。

一种电子设备，包括：

存储器，用于存储应用程序和所述应用程序运行所产生的数据；

处理器，用于执行所述应用程序，以实现实现如上述中任一项所述的拉晶过程中熔料检测方法。

经由上述的技术方案可知，本申请公开了一种拉晶过程中熔料检测方法、装置及电子设备，包括：获得熔料工艺时坩埚内待检测图像；基于图像分割模型对待检测图像进行处理，得到与待检测图像对应的熔料形态特征以及与每一熔料形态特征对应的图像像素信息；基于每一熔料形态特征对应的图像像素信息进行计算，得到固液占比参数；根据固液占比参数，确定熔料所处的目标阶段。其中，图像分割模型为基于对熔料开始到全熔结束的全过程图像进行训练，得到的能够检测出图像的熔料形态特征以及与每一熔料形态特征对应的图像像素信息的模型，熔料形态特征至少包括固态特征、薄膜态特征或液态特征中的一种或多种，本申请能够基于图像分割模型进行熔料形态特征进行自动识别，解决了人工识别的不足，提升了后续控制的精准性，进而提升了生产效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种拉晶过程中熔料检测方法的流程示意图；

图2为本申请实施例提供的一种三种形态熔料区域的图像分割前后的图像示意图；

图3为本申请实施例提供的一种拉晶过程中熔料检测装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

为了便于对本申请实施例提供的拉晶过程中籽晶熔接控制方法进行说明，现将相关术语进行解释。

拉晶：指光伏领域前道工序，在单晶炉内将硅料通过直拉法生产成为硅棒的过程。

全熔：指利用坩埚外围加热器熔化硅料至均为液态。

复投：指在熔料阶段埚中硅料不足，但由于固体硅料体积大占满坩埚，需要硅料熔化至规定阶段补充硅料。

加热功率：指熔料时，位于坩埚两侧以及底部的加热器工作功率。

本申请实施例提供了一种拉晶过程中熔料检测方法，用来解决判断熔料过程阶段自动化不足的问题，实现从开始熔料到硅料全熔对于熔料所处化料阶段、加热功率调整、复投时间点把控的全过程自动化控制。

参见图1，为本申请实施例提供的一种拉晶过程中熔料检测方法的流程示意图，该方法可以包括以下步骤：

S101、获得熔料工艺时坩埚内待检测图像。

通过工业相机端对熔料开始到全熔结束的全过程图像进行采集，将当前时刻采集到的熔料工艺时坩埚内的图像作为待检测图像。

S102、基于图像分割模型对所述待检测图像进行处理，得到与所述待检测图像对应的熔料形态特征以及与每一熔料形态特征对应的图像像素信息。

其中，所述图像分割模型为基于对熔料开始到全熔结束的全过程图像进行训练，得到的能够检测出图像的熔料形态特征以及与每一熔料形态特征对应的图像像素信息的模型，所述熔料形态特征至少包括固态特征、薄膜态特征或液态特征中的一种或多种。

在本申请实施例中还提供了一种图像分割模型的生成方法，该方法包括：

获得图像数据集，所述图像数据集包括工业相机端对熔料开始到全熔结束的全过程图像采集获得的多张图像；对所述图像数据集中每一图像进行特征标注，得到标注信息，所述标注信息包括表征固态熔料的第一标注信息，表征薄膜态熔料的第二标注信息以及表征液态熔料的第三标注信息中的一种或多种；基于所述图像数据集中每一图像的标注信息以及所述图像数据集，生成图像训练样本；将所述图像数据集中每一图像的图像特征作为训练特征，并将所述每一图像的标注信息作为训练目标，对所述图像训练样本进行训练，得到图像分割模型。

具体的，在生成图像训练样本的过程中，可以通过工业相机端对熔料开始到全熔结束的全过程图像进行采集(例如，间隔m秒采集)，共采集多种熔料形态的全过程图像n张。为了能够使得图像特征更加明显，可以对所述图像数据集中的每一图像进行图像增强预处理，得到预处理后的图像数据集。然后对预处理后的图像数据集中的图像进行状态划分，对每种状态中的熔料特征进行不同类型的标注提取工作。

具体的，CCD相机捕获熔料工艺时坩埚内图像，传送至图像特征分割模型进行图像处理，图像内熔料形态将划为三类：固态、薄膜态、液态，并计算其各自所占像素点个数。对图像数据做数据增强处理，本发明主要对原始图像进行缩放，平移，旋转等操作，实现未改变原始图像特征内容的基础上对图片数量的扩充，避免因图像数量不够导致模型学习效果差。

对图像进行的标注操作是对预处理后的图像进行特征标注，标注信息为：固态熔料(例如可以为第一标注信息，具体可以标注为0)、薄膜态熔料(例如，可以为第二标注信息，具体可以标注为1)、液态熔料(例如，可以为第三标注信息，具体可以标注为2)，标注框要求贴合熔料边缘，因为熔料形态往往多种多样，在标注时需要将训练样本中存在的硅料形态都标注出来，等同于增加样本数量，从而训练模型结果更加优秀。与以往对于熔料形态划分不同的是，本申请实施例中对于熔料划分更加细致，与按照像素阈值和连接区域划分固液熔料相比，该方式往往不易受生产环境影响，且本申请对于固态和薄膜态进行了区分，更有利于下一步加权计算固液占比，因为图像显示区域往往只表现在液面表面，往往固态硅料有很大一部分体积浸在液态熔料，而薄膜态硅料往往所占体积比较小，若按照以往方式将两者一概而论，对于熔料阶段的判断往往不够准确。

S103、基于每一熔料形态特征对应的图像像素信息进行计算，得到固液占比参数。

S104、根据所述固液占比参数，确定熔料所处的目标阶段。

在本申请实施例中确定了目标阶段后，可以根据当前熔料所处的阶段，生成控制指令，也可以是根据该目标阶段设置对应的参数阈值，自动控制后续的工艺流程。进一步地，还可以将该目标阶段对应的信息反馈给控制系统，对其像素点个数进行加权计算，根据其比值结果判断是否应进行加料复投和关闭底加热。具体的，在本申请实施例中还包括：确定与所述熔料所处的目标阶段对应的控制信息，所述控制信息至少用于控制熔料工艺中的复投时刻或者加热功率。其中，目标阶段可以包括熔料开始到未达到半熔设定未熔料阶段，达到半熔但未达到全熔阶段，以及全熔阶段等，具体可以根据实际需求进行进一步划分。

在本申请实施例的一种实施方式中，所述基于每一熔料形态特征对应的图像像素信息进行计算，得到固液占比参数，包括：获得每一熔料形态特征对应的权重参数，以及当前时刻每一熔料形态特征对应的图像区域中像素数量；根据所述每一熔料形态特征对应的权重参数以及对应的像素数量，计算得到固液占比参数。

具体的，所述根据所述固液占比参数，确定熔料所处的目标阶段，包括：获得熔料所处的每一阶段的阈值参数；基于所述阈值参数和所述溶液占比参数，确定熔料所处的目标阶段。

在本申请实施例中是通过加权计算来确定固液比的，加权计算固液占比是分别对图像分割出固、薄膜、液三种形态熔料区域内像素点个数赋于权重进行计算，按照计算结果判断所处熔料阶段以及是否下达控制命令进行关闭底加热和复投加料。图2所示为三种形态熔料区域的图像分割前后的图像,下方图像分割输出图中，蓝色区域内为熔料固态、黄色区域内为熔料薄膜态、绿色区域内为熔料液态。对于像素点数量的计算，上位机(或者处理模块)收到图像分割模型处理后的图像后，按照划分出的固定区域颜色像素值计算出每个颜色区域的像素点数量。例如：A、B、C分别为固态、薄膜态、液态的权重，若某一时刻的熔料检测固态所占像素点个数为a、薄膜态所占像素点个数为b、液态所占像素点个数为c。然后按照加权关系式固液占比d为d＝Aa+Bb+Cc/a+b+c不同工序阶段对A、B、C系数进行设置。对于工序阶段的划分往往依据是否达到半熔、全熔时刻进行划分，例如，将熔料开始到未达到半熔设定未熔料0阶段，达到半熔但未达到全熔为熔料1阶段，同时设置达到半熔判定条件(此刻也为关闭底加热时刻)为固态占比为50％，全熔占比为液态占比为100％，复投为液态占比30％。因为熔料0阶段往往存在很多大体积硅料，并且很多小体积硅料浸没在下面，因此将熔料0阶段固态硅料系数设置为1.5、薄膜态为1，液态为0.5。当达到半熔后，此时往往没有较大体积硅料，但仍有部分硅料在液面以下，并且全熔是计算液态占比是否到100％，因此将系数设置为固态1.2、薄膜0.7、液态1。以上系数和判断半熔、全熔固液占比阈值均可根据实际情况进行调整，灵活性较好，准确性较高。

本申请实施例本发明通过引入深度学习在图像领域应用的图像分割技术，发明了一种基于图像目标特征分割的熔料检测方法，在目标特征分割信息的基础上，利用加权公式计算固液占比，可以有效避免人工操作产生的缺点，比较精确控制关闭或降低底部加热器、进行复投的时机，并判断半熔和全熔时刻。进一步，在本申请中通过收集批量熔料过程图像并做预处理操作，然后对预处理后的图像进行特征标注及提取操作，后经过训练输出特征状态模型；实际生产中，通过实时调用图像分割模型对相机端图像数据进行目标特征的推理分析，从而划分出三种形态熔料的区域以及像素点信息，对像素点信息进行加权计算得到固液占比，从而根据固液占比数值是否达到预设值，进而可以有效控制加料复投、关闭底部加热和判断半熔和全熔时刻。

在本申请实施例的另一实施方式中还提供了一种拉晶过程中熔料检测装置，参见图3，包括：

图像获得单元201，用于获得熔料工艺时坩埚内待检测图像；

模型处理单元202，用于基于图像分割模型对所述待检测图像进行处理，得到与所述待检测图像对应的熔料形态特征以及与每一熔料形态特征对应的图像像素信息，其中，所述图像分割模型为基于对熔料开始到全熔结束的全过程图像进行训练，得到的能够检测出图像的熔料形态特征以及与每一熔料形态特征对应的图像像素信息的模型，所述熔料形态特征至少包括固态特征、薄膜态特征或液态特征中的一种或多种；

参数计算单元203，用于基于每一熔料形态特征对应的图像像素信息进行计算，得到固液占比参数；

阶段确定单元204，用于根据所述固液占比参数，确定熔料所处的目标阶段。

可选地，还包括：

控制信息确定单元，用于确定与所述熔料所处的目标阶段对应的控制信息，所述控制信息至少用于控制熔料工艺中的复投时刻或者加热功率。

可选地，所述装置还包括：模型训练单元，所述模型训练单元包括：

数据获取子单元，用于获得图像数据集，所述图像数据集包括工业相机端对熔料开始到全熔结束的全过程图像采集获得的多张图像；

特征标注子单元，用于对所述图像数据集中每一图像进行特征标注，得到标注信息，所述标注信息包括表征固态熔料的第一标注信息，表征薄膜态熔料的第二标注信息以及表征液态熔料的第三标注信息中的一种或多种；

样本生成子单元，用于基于所述图像数据集中每一图像的标注信息以及所述图像数据集，生成图像训练样本；

训练子单元，用于将所述图像数据集中每一图像的图像特征作为训练特征，并将所述每一图像的标注信息作为训练目标，对所述图像训练样本进行训练，得到图像分割模型。

可选地，所述特征标注子单元具体用于：

对所述图像数据集中的每一图像进行图像增强预处理，得到预处理后的图像数据集；

对所述预处理后的图像数据集中每一图像进行特征标注，得到标注信息。

可选地，所述参数计算单元具体用于：

获得每一熔料形态特征对应的权重参数，以及当前时刻每一熔料形态特征对应的图像区域中像素数量；

根据所述每一熔料形态特征对应的权重参数以及对应的像素数量，计算得到固液占比参数。

可选地，所述阶段确定单元包括：

获得熔料所处的每一阶段的阈值参数；

基于所述阈值参数和所述溶液占比参数，确定熔料所处的目标阶段。

本申请实施例提供的一种拉晶过程中熔料检测装置，通过通过学习硅料熔料阶段全过程的图像，划分三种熔料状态，标注每种状态的熔料目标特征，然后对这些特征进行提取、训练获得目标特征分割模型，通过目标特征分割模型实时推理分析当前熔料图像中存在的熔料形态并分割出其各自区域，从而得到熔料所处的阶段，然后进一步反馈给控制系统，对其像素点个数进行加权计算，根据其比值结果判断是否应进行加料复投和关闭底加热，提升了处理的精准性以及效率。

需要说明的是，本实施例中各个单元以及子单元的具体实现可以参考前文中的相应内容，此处不再详述。

在本申请的另一实施例中，还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上任一项所述的拉晶过程中熔料检测方法。

在本申请的另一实施例中，还提供了一种电子设备，所述电子设备可以包括：

存储器，用于存储应用程序和所述应用程序运行所产生的数据；

处理器，用于执行所述应用程序，以实现：

获得熔料工艺时坩埚内待检测图像；

基于图像分割模型对所述待检测图像进行处理，得到与所述待检测图像对应的熔料形态特征以及与每一熔料形态特征对应的图像像素信息，其中，所述图像分割模型为基于对熔料开始到全熔结束的全过程图像进行训练，得到的能够检测出图像的熔料形态特征以及与每一熔料形态特征对应的图像像素信息的模型，所述熔料形态特征至少包括固态特征、薄膜态特征或液态特征中的一种或多种；

基于每一熔料形态特征对应的图像像素信息进行计算，得到固液占比参数；

根据所述固液占比参数，确定熔料所处的目标阶段。

可选地，还包括：

确定与所述熔料所处的目标阶段对应的控制信息，所述控制信息至少用于控制熔料工艺中的复投时刻或者加热功率。

可选地，所述方法还包括：

获得图像数据集，所述图像数据集包括工业相机端对熔料开始到全熔结束的全过程图像采集获得的多张图像；

对所述图像数据集中每一图像进行特征标注，得到标注信息，所述标注信息包括表征固态熔料的第一标注信息，表征薄膜态熔料的第二标注信息以及表征液态熔料的第三标注信息中的一种或多种；

基于所述图像数据集中每一图像的标注信息以及所述图像数据集，生成图像训练样本；

将所述图像数据集中每一图像的图像特征作为训练特征，并将所述每一图像的标注信息作为训练目标，对所述图像训练样本进行训练，得到图像分割模型。

可选地，所述对所述图像数据集中每一图像进行特征标注，得到标注信息，包括：

对所述图像数据集中的每一图像进行图像增强预处理，得到预处理后的图像数据集；

对所述预处理后的图像数据集中每一图像进行特征标注，得到标注信息。

可选地，所述基于每一熔料形态特征对应的图像像素信息进行计算，得到固液占比参数，包括：

获得每一熔料形态特征对应的权重参数，以及当前时刻每一熔料形态特征对应的图像区域中像素数量；

根据所述每一熔料形态特征对应的权重参数以及对应的像素数量，计算得到固液占比参数。

可选地，所述根据所述固液占比参数，确定熔料所处的目标阶段，包括：

获得熔料所处的每一阶段的阈值参数；

基于所述阈值参数和所述溶液占比参数，确定熔料所处的目标阶段。

需要说明的是，本实施例中处理器的具体实现可以参考前文中的相应内容，此处不再详述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。