多晶硅电池片在太阳能光伏行业应用十分广泛,但在多晶硅电池片的实际生产中不可避免的会出现裂纹、崩边、断角、色差等缺陷,无缺的电池片也会存在颜色差异,严重影响到电池片的发电效率和组件的美观性,因此需对电池片进行检测。具有非接触、检测速度快等优点的机器视觉表面检测技术广泛应用于电池片检测,检测算法是实现机器视觉检测的关键技术,本文对多晶硅电池片的色差检测和颜色分类算法进行研究。主要研究内容如下:(1)图像预处理。为了给后续的色差检测和颜色分类提供高质量的图像支持,首先分析原始电池片图像的特点,针对原始图像的倾斜问题,通过阈值分割、边缘轮廓检测等方法实现电池片图像的倾斜校正;针对传送带等外界特征干扰问题,通过构建顶点坐标的方法确定电池片的位置,实现对于电池片区域的高效提取。(2)基于最大区域对比度的色差检测。针对多晶硅电池片色差检测问题,本文在分析多晶硅电池片色差缺陷的特点的基础上,提出一种基于最大区域对比度的检测方法。该方法通过颜色空间转换、通道分离、阈值分割、区域对比等方法将色差可疑区域与图像的背景区域进行分离,并以此为基础实现对电池片图像的特征提取和表征,利用分类算法完成对多晶硅电池片色差缺陷的辨识。通过图像分割实验和色差缺陷识别实验,验证基于最大区域对比度算法对于色差缺陷检测的有效性。(3)基于禁忌遗传卷积神经网络的颜色分类。为了提高电池片的颜色分类精度,本文在分析卷积神经网络模型的基本原理和结构,以及超参数对整个模型的影响之后,提出使用禁忌遗传算法调节超参数来获取最优网络模型的方法,利用所得的最优神经网络模型实现对多晶硅电池片的颜色分类。基于公开数据集和网络结构与其它超参数优化算法进行对比实验,验证禁忌遗传算法对超参数调节的有效性,利用电池片数据集评估算法进行颜色分类的速度和精度。本文最后基于以上算法完成了对于多晶硅电池片色差检测与颜色分类系统的设计,能够实现对于电池片图像的读取、色差检测、颜色分类、检测类别统计等操作。