一种基于图像识别和AI检测的钙钛矿涂布方法及装置与流程

本发明涉及一种基于图像识别和ai检测的钙钛矿涂布方法及装置，属于机器学习。

背景技术：

1、钙钛矿材料具有众多优异的性质，如吸光系数高、载流子迁移率高、缺陷容忍度高等特点，但也存在稳定性差、光电转化效率提升速度缓慢等问题。目前，钙钛矿太阳能电池的制备方法主要有两种：分别是一步溶液法和两步溶液法。其中，一步溶液法是将钙钛矿前驱体溶液直接涂布在基片上，然后通过退火或其他方式形成钙钛矿薄膜；两步溶液法是先将铅盐溶液涂布在基片上，然后用甲胺溶液浸泡，从而形成钙钛矿薄膜。这两种方法都需要精确控制涂布过程中的温度、湿度、时间等参数，以保证钙钛矿薄膜的质量和性能。

2、目前已有一些钙钛矿自动涂布机的产品和专利，它们可以通过狭缝涂布、线棒涂布、刮涂等方式，对钙钛矿溶液进行均匀、快速、连续的涂布，提高生产效率和一致性。然而，这些现有的钙钛矿自动涂布机都没有涉及到ai检测的功能，即不能对涂布出来的薄膜照片进行自动识别以及光电转化效率的预测，从而无法及时调整涂布参数，实现优化钙钛矿薄膜的成膜信息与光电转化效率的关系的目的。通常需要通过后续的器件制作和表征测试，才能知道最终涂布效果的好坏，这无疑耗费了大量的时间。因此当前钙钛矿涂布存在智能化程度低、涂布效果不佳的问题。

技术实现思路

1、本发明提供一种基于图像识别和ai检测的钙钛矿涂布方法、装置及计算机可读存储介质，其主要目的在于解决当前钙钛矿涂布存在智能化程度低、涂布效果不佳的问题。

2、为实现上述目的，本发明提供的一种基于图像识别和ai检测的钙钛矿涂布方法，包括：

3、获取当前钙钛矿薄膜图像，将所述当前钙钛矿薄膜图像转换为薄膜二维数组，对所述薄膜二维数组执行去中心化，得到标准二维数组；

4、根据预设的主成分分析法计算所述标准二维数组的协方差矩阵，求解所述协方差矩阵的初始特征值集及初始特征向量集；

5、计算所述初始特征值集中每一个初始特征值的方差解释率，得到方差解释率集，根据所述方差解释率集绘制累计方差解释折线图；

6、根据预设的拐点法，利用所述累计方差解释折线图计算目标维度，根据所述目标维度在所述初始特征向量集中选取目标特征向量集，根据所述目标特征向量集对所述标准二维数组进行降维，得到目标特征向量矩阵；

7、根据预构建的目标机器学习模型，利用所述目标特征向量矩阵预测当前钙钛矿薄膜的当前光电转化效率；

8、判断所述当前光电转化效率是否符合预设的目标光电转化效率；

9、若所述当前光电转化效率不符合目标光电转化效率，则调整预设的涂布参数，并返回上述获取当前钙钛矿薄膜图像的步骤；

10、若所述当前光电转化效率符合目标光电转化效率，则维持所述涂布参数不变，直至钙钛矿涂布完毕，完成基于图像识别和ai检测的钙钛矿涂布。

11、可选地，所述获取当前钙钛矿薄膜图像，包括：

12、获取当前钙钛矿涂布薄膜，利用预构建的平行均匀光源扫描所述当前钙钛矿涂布薄膜，并读取当前钙钛矿薄膜图片；

13、对所述当前钙钛矿薄膜图片执行预处理，得到所述当前钙钛矿薄膜图像，其中所述预处理包括：去噪、对齐、裁剪、归一化操作。

14、可选地，所述将所述当前钙钛矿薄膜图像转换为薄膜二维数组，包括：

15、获取所述当前钙钛矿薄膜图像的图像高及图像宽；

16、根据所述图像高及图像宽分别设定数组行数及数组列数，根据所述数组行数及数组列数构建待填充二维数组；

17、在所述当前钙钛矿薄膜图像中依次提取灰度值，识别所述灰度值在所述待填充二维数组中的填充位置；

18、将所述灰度值填充至所述填充位置，直至所有灰度值填充完成，得到所述薄膜二维数组。

19、可选地，所述对所述薄膜二维数组执行去中心化，得到标准二维数组，包括：

20、根据预构建的均值公式计算所述薄膜二维数组的数组均值，所述均值公式如下所示：

21、

22、其中，μ表示数组均值，i表示行序号，j表示列序号，i表示数组行数，j表示数组列数，xij表示第i行第j列的灰度值；

23、在所述薄膜二维数组中依次提取灰度值，根据预构建的中心化公式，利用所述数组均值计算所述灰度值的中心灰度值，其中所述中心化公式，如下所示：

24、

25、其中，表示第i行第j列的中心灰度值；

26、汇总所有中心灰度值，得到所述标准二维数组。

27、可选地，所述根据预设的主成分分析法计算所述标准二维数组的协方差矩阵，包括：

28、利用预构建的协方差公式，根据所述标准二维数组计算所述协方差矩阵，其中所述协方差公式，如下所示：

29、

30、其中，c表示协方差矩阵，x表示标准二维数组，xt表示所述标准二维数组的转置矩阵。

31、可选地，所述计算所述初始特征值集中每一个初始特征值的方差解释率，得到方差解释率集，包括：

32、在所述初始特征值集中依次提取初始特征值；

33、根据预构建的方差解释率公式，计算所述初始特征值的方差解释率，得到方差解释率集，其中，所述方差解释率公式，如下所示：

34、

35、其中，rm表示协方差矩阵中第m行数组对应的初始特征值的方差解释率，tm表示第m个初始特征值，m表示初始特征值的序号，m表示协方差矩阵的阶数。

36、可选地，所述根据所述方差解释率集绘制累计方差解释折线图，包括：

37、对所述方差解释率集从大到小进行排序，得到方差解释率序列；

38、在所述方差解释率序列中依次提取方差解释率，识别所述方差解释率的序号，提取所述方差解释率的前向方差解释率序列；

39、计算所述前向方差解释率序列的累计方差解释率，根据所述累计方差解释率及所述方差解释率的序号，在预构建的累计方差解释坐标系中描点，直至所述方差解释率序列中所有方差解释率均提取完毕，得到所述累计方差解释折线图。

40、可选地，所述根据预构建的目标机器学习模型，利用所述目标特征向量矩阵预测当前钙钛矿薄膜的当前光电转化效率之前，所述方法还包括：

41、获取训练钙钛矿薄膜集，识别所述训练钙钛矿薄膜集对应的训练特征向量矩阵集；

42、测定所述训练钙钛矿薄膜集中每个训练钙钛矿薄膜的光电转化效率，得到光电转化效率集；

43、构建所述训练特征向量矩阵集与所述光电转化效率集的对应关系，得到机器训练数据集；

44、利用所述机器训练数据集对预构建的机器学习模型进行训练，得到目标机器学习模型。

45、可选地，所述调整预设的涂布参数，包括：

46、获取涂布指标集，在所述涂布指标集中依次提取涂布指标，获取所述涂布指标的单位调整步距；

47、计算所述当前光电转化效率与目标光电转化效率的效率转化差值；

48、识别所述涂布指标对当前光电转化效率的调整方向，根据所述调整方向按照所述单位调整步距调整所述涂布指标对应的涂布参数，测定光电转化效率优化值；

49、根据所述光电转化效率优化值及所述效率转化差值，在所述涂布指标集中选择待优化涂布指标集，识别所述待优化涂布指标集中每一个待优化涂布指标对应的目标调整步距；

50、根据所述待优化徒步指标及目标调整步距调整所述涂布参数。

51、为了解决上述问题，本发明还提供一种基于图像识别和ai检测的钙钛矿涂布装置，所述装置包括：

52、图像数组转化模块，用于获取当前钙钛矿薄膜图像，将所述当前钙钛矿薄膜图像转换为薄膜二维数组，对所述薄膜二维数组执行去中心化，得到标准二维数组；

53、目标特征向量矩阵计算模块，用于根据预设的主成分分析法计算所述标准二维数组的协方差矩阵，求解所述协方差矩阵的初始特征值集及初始特征向量集；计算所述初始特征值集中每一个初始特征值的方差解释率，得到方差解释率集，根据所述方差解释率集绘制累计方差解释折线图；根据预设的拐点法，利用所述累计方差解释折线图计算目标维度，根据所述目标维度在所述初始特征向量集中选取目标特征向量集，根据所述目标特征向量集对所述标准二维数组进行降维，得到目标特征向量矩阵；

54、当前光电转化效率预测模块，用于根据预构建的目标机器学习模型，利用所述目标特征向量矩阵预测当前钙钛矿薄膜的当前光电转化效率；

55、涂布参数调整模块，用于判断所述当前光电转化效率是否符合预设的目标光电转化效率；若所述当前光电转化效率不符合目标光电转化效率，则调整预设的涂布参数，并返回上述获取当前钙钛矿薄膜图像的步骤；若所述当前光电转化效率符合目标光电转化效率，则维持所述涂布参数不变，直至钙钛矿涂布完毕。

56、为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

57、至少一个处理器；以及，

58、与所述至少一个处理器通信连接的存储器；其中，

59、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现上述所述的基于图像识别和ai检测的钙钛矿涂布方法。

60、为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于图像识别和ai检测的钙钛矿涂布方法。

61、相比于背景技术所述问题，本发明需要先获取当前钙钛矿薄膜图像，为了方便对当前钙钛矿薄膜图像进行处理分析，需要将所述当前钙钛矿薄膜图像转换为薄膜二维数组，为了使所述薄膜二维数组中数据分布更加均匀和集中，需要对所述薄膜二维数组执行去中心化，得到标准二维数组，此时即可根据预设的主成分分析法计算所述标准二维数组的协方差矩阵，求解所述协方差矩阵的初始特征值集及初始特征向量集，由于所述初始特征值集中每个初始特征值对当前光电转化效率的影响程度不一样，因此需要对所述初始特征值集进行筛选，选择出影响程度较大的一些初始特征值，在筛选过程中，可以通过每个初始特征值的方差解释率对初始特征值进行筛选，首先需要计算所述初始特征值集中每一个初始特征值的方差解释率，得到方差解释率集，为了形象的体现各个初始特征值的方差解释率变化情况，可以根据所述方差解释率集绘制累计方差解释折线图，再根据预设的拐点法，利用所述累计方差解释折线图计算目标维度，此时可以利用所述目标维度在所述初始特征向量集中选取目标特征向量集，最后根据所述目标特征向量集对所述标准二维数组进行降维，得到目标特征向量矩阵，由于所述目标特征向量矩阵包含有所述当前钙钛矿薄膜图像的特征信息，因此可以根据预构建的目标机器学习模型，利用所述目标特征向量矩阵预测当前钙钛矿薄膜的当前光电转化效率，此时需要判断所述当前光电转化效率是否符合预设的目标光电转化效率，若所述当前光电转化效率不符合目标光电转化效率，则需要调整预设的涂布参数，并返回上述获取当前钙钛矿薄膜图像的步骤，以实现实时调整涂布参数，若所述当前光电转化效率符合目标光电转化效率，则只需要维持所述涂布参数不变，直至钙钛矿涂布完毕即可。因此本发明提出的基于图像识别和ai检测的钙钛矿涂布方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决当前钙钛矿涂布存在智能化程度低、涂布效果不佳的问题。