CN102313740B - 太阳能电池板裂痕检测方法 - Google Patents

Abstract

本发明一种太阳能电池板裂痕检测方法，属于图像处理领域。包括：步骤一：对电池板图像进行初始化；步骤二：将初始化后的电池板图像分成固定尺寸的图像块，计算每块图像的主方向，提取出可能存在裂痕的区域作为候选图像块。步骤三：针对候选图像块中的主方向进行带有方向的hough变换，得到准确的候选裂痕位置和方向。步骤四：对相邻图像块中的候选裂痕位置和方向进行分析评价，确定裂痕。本发明符合视觉中多尺度搜索的策略。灵活运用分块HOUGH变换进行局部裂痕搜索，避免了图像中不同痕迹的相互干扰，然后运用裂痕形态评价来综合分块HOUGH变换的结果，完成了电池板裂痕检测的任务。

Description

太阳能电池板裂痕检测方法

技术领域

本发明属于图像处理领域，涉及一种目标搜索算法，具体涉及一种电池板图像的裂痕检测方法。

背景技术

太阳能电池板裂痕检测技术，属于表面缺陷检测技术的一种。表面缺陷检测技术在国外发展比较迅猛，其应用遍布各个领域。细分而言，表面缺陷检测技术包括多种不同的技术：激光表面缺陷检测、超声波表面缺陷技术、红外缺陷检测技术和基于机器视觉的缺陷检测技术。

与传统表面缺陷检测技术不同，太阳能电池板的缺陷检测技术具有裂痕小(微米级)，裂痕方向不定以及表面反射性强(镀膜)等特点。激光表面检测技术、超声波表面检测技术和红外缺陷检测技术由于方向性强，因此效果会不太理想。

基于机器视觉的表面缺陷检测技术近年来得到了迅速的发展。这种技术由于具有非接触、速度快、高精度、光照方案丰富等特点，在表面缺陷检测应用中越来越受青睐。由于视觉缺陷检测技术的精度主要与成像精度有关，因此随着目前成像精度的不断提高，这种技术会达到越来越高的精度。国际上致力于该类技术的公司有Cognex、MVTec，Eurosys以及Matrox等公司。在国内，由于机器视觉技术的发展相对较晚，在表面缺陷检测技术上一直受制于人，或处于产业的边缘地位，或沦为国外系统和产品的代理。太阳能电池板的裂痕检测技术，由于之前所述的原因，在国内无论是从产品还是技术层面上都几乎属于空白。

由于光照和成像条件比较苛刻，对于检测速度和精度存在较高要求，所以必须解决如下几个问题：1)获得稳定的输入图像：输入图像的稳定是保证后续算法进行批量处理的必要条件。2)去噪：由于成像存在一定的干扰，导致电池板背景中存在大量随机干扰噪声。这些噪声从局部来看与裂痕具有近似的特征，严重影响对裂痕的检测。3)裂痕检测和定位：要求准确的检测出是否存在裂痕，并准确标出其在电池板上的物理位置。这是本系统的核心任务。

发明内容

本发明所要解决的技术问题是公开一种太阳能电池板裂痕检测方法，通过图像处理和模式识别对电池板裂痕进行检测，检测快速、准确。

本发明太阳能电池板裂痕检测方法，包括如下步骤：

步骤一：对电池板图像进行初始化；

步骤二：将初始化后的电池板图像分成固定尺寸的图像块，计算每块图像的主方向，提取出可能存在裂痕的区域作为候选图像块。

步骤三：针对候选图像块中的主方向进行带有方向的hough变换，得到准确的候选裂痕位置和方向。

步骤四：对相邻图像块中的候选裂痕位置和方向进行分析评价，确定裂痕。

所述步骤一中对图像进行初始化，包括如下步骤：

步骤a：对电池板图像进行归一化，消除由于环境变化导致的图像灰度误差；

步骤b：对归一化后的电池板图像进行边缘提取，得到边缘图像；

步骤c：对边缘图像中方向的一致性评价，去掉随机变化的噪音边缘点；

所述步骤b的边缘提取中采用边缘提取算子提取出边缘图像。

所述步骤四中对相邻图像块中的候选裂痕位置和方向进行分析评价时，将具有相似方向并且相邻的图像块作为图像块集合，采用直线方程对每个集合中中心点进行拟合，如集合中实际边缘点到拟合直线的距离小于既定阈值，则认为实际边缘点在拟合直线上。

本发明提出的太阳能电池板裂痕检测方法，从微观、局部和总体三个层次上进行裂痕的分析，符合视觉中多尺度搜索的策略。灵活运用分块HOUGH变换进行局部裂痕搜索，避免了图像中不同痕迹的相互干扰，然后运用裂痕形态评价来综合分块HOUGH变换的结果，完成了电池板裂痕检测的任务。

附图说明

图1为本发明太阳能电池板裂痕检测方法的流程图；

图2为本发明太阳能电池板裂痕检测方法初始化流程图；

图3为本发明太阳能电池板裂痕检测方法实施例中电池板输入图像；

图4为本发明太阳能电池板裂痕检测方法实施例中电池板输入图像对应的直方图；

图5为本发明太阳能电池板裂痕检测方法对图像进行均衡化后的结果；

图6为本发明太阳能电池板裂痕检测方法对均衡化后的结果对应的直方图；

图7为本发明太阳能电池板裂痕检测方法中带方向HOUGH变换流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明采用了机器视觉检测方案，将太阳能电池板裂痕检测问题分解为几个图像处理和模式识别模块来解决，综合运用多种图像处理手段，完美地完成了电池板裂痕检测的任务。首先通过精心设计的预处理模块增强裂痕特征。然后根据裂痕与电池板正常纹理表征、亮度和边缘特性的不同，我们专门设计了特征提取算法和特征评价算法完成裂痕的检测与定位。很好的解决了快速准确地检测太阳能电池板裂痕的问题。

如图1所示，本发明太阳能电池板裂痕检测方法包括如下几个步骤：

步骤一：对电池板图像进行初始化；包括如下子步骤，如图2所示：

步骤a：对电池板图像进行归一化，消除由于环境变化导致的图像灰度误差。输入图像的灰度分布之所以存在变化，主要是由于光照的原因造成的。特别是光照量不足时，过暗的曝光会导致裂痕与背景难以区分，如图3所示；其直方图如图4所示，输入图像灰度分布不稳定也会给后续模块的参数设置造成困难。

针对输入图像存在灰度分布不一致的问题，采用灰度拉伸方法，将图像灰度统一归一化到[0，255]的范围内。这样可以给后续模块提供稳定的输入数据。如图5、6所示，从图中可以看出均衡化后裂痕比较明显的显现出来。经过处理后所有输入图像的直方图具有了近似的分布，有利于后面进行统一的算法处理。

步骤b：对归一化后的电池板图像进行边缘提取，得到边缘图像。采用常用的边缘提取方法，如Sobel、Robert、Prewitt、Kirsch、Laplace、Canny等，在归一化图像上提取边缘，得到图像中每一点的强度和边缘方向。通过测试，由这些方法提取的边缘图和方向图都可以作为后续模块的输入。

步骤c：对边缘图像中方向的一致性评价，去掉随机变化的噪音边缘点。由于图像中存在大量的干扰性边缘，而裂缝所形成的边缘通常具有局部方向的一致性。所以，需要对这些边缘在方向上的一致性做出评价，以便挑选出可能包含裂痕边缘的区域。

太阳能电池板表面裂痕通常表现为若干条较黑的细长痕迹，其灰度和边缘方向在其切线方向具有一定的连续性，其灰度在法线方向为中间低两边高的分布，而对于噪音点，其边缘方向在切线方向上通常是随机分布的，而其灰度分布在法线方向上也经常变化，通常不符合中间低两边高的分布。所以，根据边缘点方向及其邻域灰度的分布可以较好的排除一些噪音点。

具体步骤如下，首先将所有大于一定阈值的边缘点作为原点A₀，按照切线和法线方向分别采样。切线方向采样点的灰度之分别为A_-n，A_-(n-1)，......，A_n-1，A_n，角度分别为θ_-n，θ_-(n-1)，......，θ_n-1，θ_n。法线方向采样点灰度之分别为B_-n，B_-(n-1)，......，B_n-1，B_n

则切线方向的角度评价为 $\mathrm{\θ}=\frac{\underset{i=-n}{\overset{i=n}{\mathrm{\Σ}}}|\cos \left({\mathrm{\θ}}_i\right)*\cos \left({\mathrm{\θ}}_0\right)+\sin \left({\mathrm{\θ}}_i\right)*\sin \left({\mathrm{\θ}}_0\right)|}{2n+1}---\left(1\right)$

则切线方向的灰度评价为 $A=\frac{\underset{i=-n}{\overset{i=n}{\mathrm{\Σ}}}|A_i-A_0|}{2n}---\left(2\right)$

则法线方向的灰度评价为 $B=\frac{\underset{i=-n}{\overset{i=n}{\mathrm{\Σ}}}(B_i-B_0)}{2n}---\left(3\right)$

根据以上三个公式，θ表示切线方向上采样点与当前点方向的差，差越小θ值越大。A表示切线方向上采样点与当前点灰度的差，差越小A值越小。B表示法线方向上采样点与当前点灰度的差，差越大B值越大。根据这些指标，设定阈值即可将明显的噪音点删除。这是从微观的角度，第一次对图像中裂痕进行筛选。

步骤二：将初始化后的电池板图像分成固定尺寸的图像块，计算每块图像的主方向，提取出可能存在裂痕的区域作为候选图像块。

由于裂痕通常并不连续，所以通常的一些边缘搜索方法并不能很好的找到这些裂痕。为了更准确地发现裂痕，并减少裂痕搜索的计算量，我们将这些区域分成标准尺寸的小块图像，比如64×64大小，再设法找出每块图像的主要方向。

删除部分噪音点后，包含裂痕的图像块内通常具有一条边缘方向一致的裂痕。所以对每个小块图像内的边缘点方向进行直方图统计，算出角度分布的均值和方差。根据其均值确定图像块内角度的主方向，通常不包含裂痕的图像块，其方向方差较大，而包含裂痕的图像块通常具有一个主要方向，并且其方向方差较小。所以根据方差可以排除一部分不包含裂痕的图像块。

除了统计裂痕的方向之外，包含裂痕的图像块内必然存在一定长度的边缘，所以再根据边缘点数量所占图像面积的比例，可以排除那些不包含裂痕的图像块。

经过以上两次筛选后，剩下的图像块为可能包含裂痕的候选图像块。这是从局部的角度，第二次对图像中裂痕进行筛选。

步骤三：针对候选图像块中的主方向进行带有方向的hough变换，得到准确的候选裂痕位置和方向。

在已经分块的边缘图像中进行HOUGH变换，可以很好的避免图像中不同边缘之间的相互干扰。由于已经知道了每个候选图像块的主要方向，则可以在一定角度范围内进行HOUGH变换，这样可以极大地节约计算量，从而节约检测时间。并且，因为每个边缘点的方向已知，通过边缘点方向与图像块住方向的交集，可以进一步缩小HOUGH变换的投影范围，减少计算时间。具体步骤如图7所示。

经过HOUGH变换后，可以准确地找到每个图像块中的线段，并可以确定裂痕的方向、位置以及与背景区域的最比度。这些参数作为后期的裂痕评价输入参数。

步骤四：对相邻图像块中的候选裂痕位置和方向进行分析评价，确定裂痕。由于在太阳能电池板中，裂痕长度大于图像块的尺寸，并且每个裂痕在形态上呈现直线形状。所以需要对相邻的图像模块进行形状的拟合以及评价。从总体形态判断图像中是否存在裂痕。

在删除了噪音点的图像中，将具有相似方向并且相邻的图像块分别找出，并形成若干图像块的集合。针对每个集合，找出其中图像块所包含线段的中心点，并采用直线方程AX+BY+C＝0对这些中心点进行拟合，形成一条长度远大于单个图像块尺寸的长线。计算集合中实际边缘点到拟合直线的距离，若长度小于一定阈值，则认为实际边缘点在拟合直线上。设在直线上的点总数为m，直线段长度为N，则最终裂痕的评价指标为：

$\mathrm{Score}=\frac{m*100}{N}---\left(4\right)$

当Score大于一定阈值时，则认定电池板图像内存在裂痕。这是从整体的角度，第三次对图像中裂痕进行分析。

经过以上六个步骤，使太阳能电池板裂痕检测摆脱人工检测带来的各种困扰，实现检测过程的全自动，达到了很高的识别率，极大的提高产品质量，保证设备的运行安全。

Claims (3)

1.一种太阳能电池板裂痕检测方法，其特征在于，包括如下步骤：

步骤一：对电池板图像进行初始化；

步骤二：将初始化后的电池板图像分成固定尺寸的图像块，计算每块图像的主方向，提取出可能存在裂痕的区域作为候选图像块；

步骤三：针对候选图像块中的主方向进行带有方向的hough变换，得到准确的候选裂痕位置和方向；

步骤四：对相邻图像块中的候选裂痕位置和方向进行分析评价，确定裂痕；所述对相邻图像块中的候选裂痕位置和方向进行分析评价确定裂痕包括：将具有相似方向并且相邻的图像块作为图像块集合，采用直线方程对每个集合中中心点进行拟合，如集合中实际边缘点到拟合直线的距离小于既定阈值，则认为实际边缘点在拟合直线上；设在所述拟合直线上的实际边缘点总数为m，直线段长度为N，则最终裂痕的评价指标为：

当Score大于一定阈值时，则认定电池板图像内存在裂痕。

2.根据权利要求1所述的方法，其特征在于：所述步骤一中对图像进行初始化，包括如下步骤：

步骤a：对电池板图像进行归一化，消除由于环境变化导致的图像灰度误差；

步骤b：对归一化后的电池板图像进行边缘提取，得到边缘图像；

步骤c：对边缘图像中方向的一致性做出评价，去掉随机变化的噪音边缘点。

3.根据权利要求2所述的方法，其特征在于：所述步骤b的边缘提取中采用边缘提取算子提取出边缘图像。

Images