近年来,光伏产业获得迅速发展,作为可再生能源的太阳能电池片的回收利用问题日益凸显。针对废弃太阳能电池片表面颜色差别小且分布不均匀带来太阳能电池片颜色分类问题,本文采用深度学习和图像处理技术,研究并实现回收利用的废弃太阳能电池片颜色分类;针对大尺寸太阳能电池组件图像拼接过程中存在效率低、精度低的问题,本文利用图像拼接技术,研究并实现大尺寸太阳能电池组件图像的智能拼接。主要研究如下:(1)利用图像增广技术,构建基于多颜色空间的太阳能电池片颜色分类数据集,为太阳能电池片颜色分类的深度学习模型提供数据。针对废弃太阳能电池片训练数据量较少的问题,利用图像翻转、旋转和添加噪声等操作,增广废弃太阳能电池片训练数据集。(2)研究废弃太阳能电池片的颜色分类问题,提出基于多颜色空间的太阳能电池片智能分类算法。基于LeNet-5卷积神经网络构建太阳能电池片颜色分类深度学习模型,优化传统LeNet-5的网络结构,提高了分类性能;对废弃太阳能电池片的不同颜色空间进行分析,提出多颜色空间分类融合算法。实验结果表明该算法正确率高于传统的LeNet-5网络、BP神经网络和SVM算法,算法在RGB+Lab+HSV三种颜色空间的组合分类效果最佳,分类正确率为94.56%。(3)提出分布式多目相机的数据采集设计方案,为大尺寸太阳能电池组件提供拼接平台。通过多目相机采集大尺寸太阳能电池组件的局部图像,避免了单相机采集的畸变问题;利用普通相机根据工件尺寸构建相机阵列,替代传统工业相机进行图像采集,降低成本。(4)研究大尺寸太阳能电池组件的智能拼接,提出低成本的太阳能电池组件快速拼接算法。该算法通过自定义Harris角点检测阈值以及利用自适应非极大值抑制,解决传统Harris角点检测算法产生的伪角点和角点簇问题,提高了拼接速度和精度。通过对大尺寸太阳能电池组件的拼接实验,验证了本文算法在运行时间和特征点误匹配对上都比基于传统的Harris拼接算法更优,能够快速精确地实现工业图像的无缝拼接。