CN103134807A - 用于识别材料中的缺陷的系统和方法 - Google Patents
用于识别材料中的缺陷的系统和方法 Download PDFInfo
- Publication number
- CN103134807A CN103134807A CN2012102971006A CN201210297100A CN103134807A CN 103134807 A CN103134807 A CN 103134807A CN 2012102971006 A CN2012102971006 A CN 2012102971006A CN 201210297100 A CN201210297100 A CN 201210297100A CN 103134807 A CN103134807 A CN 103134807A
- Authority
- CN
- China
- Prior art keywords
- feature
- subimage
- defective
- chain
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Abstract
本发明所描述的是用于识别材料中的缺陷的基于计算机的方法和装置,包括计算机程序产品。基于材料的图像来识别一组特征,其中该组特征中的每个特征是材料中缺陷的候选部分。基于该组特征选择一组链式特征,其中每个链式特征包括表示材料中相同缺陷的候选部分的一个或多个特征。基于该组链式特征和图像来识别材料中的缺陷。
Description
技术领域
本发明大体涉及用于识别材料中的缺陷的基于计算机的方法和装置,包括计算机程序产品。
背景技术
自动化制造工艺可用于快速且有效地制造批量的材料。例如,基于硅的晶片和太阳能电池可使用自动化生产线来制造。虽然这种制造工艺可生产大量的材料,但是为了质量保证和/或工艺控制而检查最终产品通常是重要的,因为生产厂实现的收入通常与最终产品(或材料)的质量直接相关。因此,高质量制造工艺的关键因素通常是用于测试和筛选制造工艺的最终产品的高速和高精度检查装置。
例如,对于太阳能电池,转换效率(PV系统在将太阳光转换成电能方面如何有效)通常对电力的输出有直接影响。因此,太阳能电池制造商想要通过他们的生产线达到更高的转换效率,因为售价与转换效率相关。结果,太阳能电池制造商可采用检查装置来测试太阳能电池的充分转换效率。
制造商可使用计算机视觉来检查所生产的材料和/或产品。然而,许多制造的材料不具有均匀表面,这通常使得使用计算机视觉来检查这种材料(举例而言诸如裂缝之类的缺陷)变得困难。例如,多晶太阳能电池通常由不同的纹理和混乱的特征组成。因此,多晶太阳能电池中的缺陷(如裂缝)通常具有不均匀的外观(如不均匀的对比度、极性、宽度等)。此外,这些缺陷的部分通常可具有非常低的对比度(如1-2个灰度级)。
被配置成检测难以识别的缺陷的当前材料检查系统通常使用高分辨率图像来暴露缺陷。然而,使用高分辨率图像是更为数据密集的,因此需要更多的时间用于每次检查。
发明内容
使用机器视觉检测材料中缺陷(例如多晶太阳能电池的裂缝)的一种方法是首先检测缺陷的强特征(如在材料的图像中能以相对高的肯定度容易地识别的特征,如裂缝的大且容易识别的部分),并且然后使用强缺陷特征来引导对缺陷的弱特征的搜索(如较难以识别的特征,如裂缝的小且细的(如发丝裂纹)部分)。
在一个方面,表征一种用于识别材料中的缺陷的计算机化方法。该方法包括由计算设备基于材料的原始图像生成经预处理图像。该方法包括由计算设备将经预处理图像分割成一组子图像。该方法包括:对于该组子图像中的第一子图像,由计算设备确定第一子图像是否包括特征,其中该特征是材料中缺陷的候选部分,以及如果第一子图像包括特征,则由计算设备将第一子图像添加到一组特征子图像中。该方法包括由计算设备基于该组特征子图像选择链式特征,其中链式特征包括表示材料中相同缺陷的候选部分的一个或多个特征。该方法包括由计算设备基于链式特征和原始图像识别材料中的缺陷,包括基于链式特征计算缺陷的剩余部分。
在另一方面,表征一种计算机程序产品,其在非瞬态计算机可读介质中有形地实现。计算机程序产品包括被配置为使数据处理装置基于材料的原始图像生成经预处理图像的指令。计算机程序产品包括被配置为使数据处理装置将经预处理图像分割成一组子图像的指令。计算机程序产品包括被配置为使数据处理装置对于该组子图像中的第一子图像:确定第一子图像是否包括特征,其中特征是材料中缺陷的候选部分,以及如果第一子图像包括特征,则将第一子图像添加到一组特征子图像的指令。计算机程序产品包括被配置为使数据处理装置基于该组特征子图像选择链式特征的指令,其中链式特征包括表示材料中相同缺陷的候选部分的一个或多个特征。计算机程序产品包括被配置为使数据处理装置基于链式特征和原始图像识别材料中的缺陷,包括基于链式特征计算缺陷的剩余部分的指令。
在另一方面,表征一种用于识别材料中的缺陷的装置。该装置包括预处理模块,其被配置成基于材料的原始图像生成经预处理图像;该装置包括与预处理模块通信的强特征检测模块,其被配置成将经预处理图像分割成一组子图像。强特征检测模块进一步被配置成:对于该组子图像中的第一子图像,确定第一子图像是否包括特征,其中特征是材料中缺陷的候选部分,以及如果第一子图像包括特征,则将第一子图像添加到一组特征子图像。该装置包括与强特征检测模块通信的弱特征检测模块,其被配置成基于该组特征子图像选择链式特征,其中链式特征包括表示材料中相同缺陷的候选部分的一个或多个特征。弱特征检测模块被配置成基于链式特征和原始图像识别材料中的缺陷,包括基于链式特征计算缺陷的剩余部分。
在另一方面,表征一种用于识别太阳能电池中的缺陷的计算机化方法。该方法包括由计算设备基于太阳能电池的图像识别一组特征。太阳能电池包括多个纹理,并且该组特征中的每个特征是太阳能电池中缺陷的候选部分。该方法包括由计算设备基于该组特征选择一组链式特征,其中每个链式特征包括表示太阳能电池中相同缺陷的候选部分的一个或多个特征。该方法包括由计算设备基于该组链式特征和图像来识别太阳能电池中的缺陷。
在另一个方面,表征一种计算机程序产品,其在非瞬态计算机可读介质中有形地实现。计算机程序产品包括被配置为使数据处理装置基于太阳能电池的图像识别一组特征的指令。太阳能电池包括多个纹理,并且该组特征中的每个特征是太阳能电池中缺陷的候选部分。计算机程序产品包括被配置为使数据处理装置基于该组特征选择一组链式特征的指令,其中每个链式特征包括表示太阳能电池中相同缺陷的候选部分的一个或多个特征。计算机程序产品包括被配置为使数据处理装置基于该组链式特征和图像来识别太阳能电池中的缺陷的指令。
在另一方面,表征一种用于识别太阳能电池中的缺陷的装置。该装置包括强特征检测模块,其被配置成基于太阳能电池的图像识别一组特征。太阳能电池包括多个纹理,并且该组特征中的每个特征是太阳能电池中缺陷的候选部分。该装置包括与强特征检测模块通信的弱特征检测模块,其被配置成基于该组特征选择一组链式特征,其中每个链式特征包括表示太阳能电池中相同缺陷的候选部分的一个或多个特征。弱特征检测模块被配置成基于该组链式特征和图像来识别太阳能电池中的缺陷。
在其他示例中,以上方面中的任一方面均可包括以下特征中的一个或多个特征。生成经预处理图像包括生成经滤波的图像,包括使用滤波器去除一个或多个特征,以及通过从原始图像中减去经滤波的图像来生成经预处理图像以暴露原始图像中的一个或多个特征。经预处理图像可以是原始图像。经预处理图像可暴露材料的一个或多个特征。经预处理图像可包括暗像素和亮像素,其中基于灰度级阈值来识别暗像素和亮像素。
在一些示例中,确定子图像是否包括特征包括使用子图像中的亮像素、暗像素、或两者来执行线性拟合算法。可以确定特征是否满足第一组标准,以及可以确定缺陷的链式特征和所计算的剩余部分是否满足第二组标准。
在其他示例中,选择链式特征包括从该组特征子图像中选择特征子图像,识别与所选择的特征子图像毗邻的一个或多个子图像,每个所识别的子图像包括特征,以及基于一个或多个约束生成包括所选择的特征子图像和来自所识别的一个或多个子图像的子图像的链式特征。一个或多个约束可包括一个或多个特征的位置、取向、或两者。
在一些示例中,识别缺陷包括选择包含该链式特征的一对链式特征,确定该对链式特征是否满足指示该对链式特征在材料的相同缺陷上的第一标准,以及计算相同缺陷的在该对链式特征之间的剩余部分。第一标准可基于该对链式特征之间的距离、该对链式特征中每个特征的端点方向、该对链式特征中每个特征的转向角、该对链式特征中每个特征的长度、或它们的任何组合。
在其他示例中,识别该组特征包括基于图像生成经预处理图像,以(a)去除图像中太阳能电池的多个纹理中的一个或多个纹理,或(b)暴露多个纹理中缺陷的一个或多个特征,或者两者。可将经预处理图像分割成一组子图像。对于该组子图像中的一个或多个子图像,可确定子图像是否包括特征,其中该特征是太阳能电池中缺陷的候选部分。如果子图像包括特征,则可将该子图像添加到一组特征中。
在一些示例中,识别缺陷包括基于来自该组链式特征中的成对的链式特征来计算缺陷的剩余部分。识别缺陷可包括:对于来自该组链式特征中的每对链式特征,确定该对链式特征是否满足指示该对链式特征在太阳能电池的相同缺陷上的第一标准,以及计算相同缺陷的在该对链式特征之间的剩余部分,其中相同缺陷是缺陷的一部分。
在其他示例中,在太阳能电池的图像上显示缺陷的表示。选择该组链式特征可包括基于该组特征选择子图像,识别与所选择的子图像毗邻的一个或多个子图像,每个所识别的子图像包括特征,以及基于一个或多个约束生成包括所选择的子图像和来自所识别的一个或多个子图像的子图像的链式特征。
本文描述的包括计算机化方法和装置两者的技术可提供一个或多个以下优点。在材料的图像中搜索强特征可被配置成具有高阈值,从而弱特征(如不能以高肯定度容易地检测到的特征)被快速排除。有利的是,对强特征的搜索可快速地执行,并且然后强特征可用于更详细方式的搜索(如具有较低的阈值,从而弱特征可被识别出),因为强特征被用作对弱特征的搜索的基线。此外,可对从中搜索缺陷的原始图像进行滤波和/或处理(如去除弱特征和/或其他噪声),从而可快速且容易地识别强特征。此外,分开识别的强特征可结合在一起以形成邻接的链式强特征,以定义缺陷的较大部分。
本发明的其他方面和优点将在结合仅以示例方式示出本发明原理的附图的以下详细描述中变得显而易见。
附图说明
当与附图一起被阅读时,从以下各实施例的描述中,将更全面地理解本发明的上述和其他方面、特征和优点以及本发明本身。
图1是用于检测材料中的缺陷的示例性计算机化系统;
图2A是具有两个缺陷的材料的示例性图像;
图2B是基于图2A的图像生成的示例性的经预处理图像;
图2C是图2B的经处理图像的放大部分,示出了图像的该部分的子图像;
图2D是基于图2A中的缺陷的强特征生成的缺陷的小部分的示例性图像;
图3是用于识别材料中的缺陷的示例性方法的图;
图4是用于针对材料中候选缺陷的一部分来识别一组链式特征的示例性方法的图;
图5是具有不均匀外观的多晶太阳能电池的示例性图。
具体实施方式
一般而言,提供一种计算机化系统和方法,用于使用机器视觉来检测和检查材料(例如太阳能电池)中的缺陷(例如微裂缝)。预处理原始图像(例如太阳能电池的图像)以生成主要包含一个或多个缺陷的强特征的经预处理图像。使用经预处理图像来检测一个或多个候选缺陷的强特征。然后,强特征和/或原始图像被用于引导候选缺陷的弱特征的检测。然后,组合强特征和弱特征以定义材料中完整的一组实际缺陷(例如,一组强特征与相关联的一组弱特征组合以定义实际缺陷)。
例如,使用暴露强特征的经预处理图像来识别裂缝的强特征(例如,可使用机器视觉容易地识别的裂缝的部分)。检测通裂(full crack)的强部分导致通裂中只有一部分被识别出。例如,检测到的裂缝的部分可被视为虚线,虚线的点部分表示检测到的强特征,而虚线的空白部分表示未检测到的弱特征。使用这些识别出的裂缝的强特征(例如虚线的点部分)来引导对剩余弱特征的检测(例如虚线的空白部分)。
特征可包括例如指示位置和角度的数据、长度(例如线段)、和/或附加信息,如极性和对比度。可使用特征(例如在本文描述的计算机化方法的决策点中)来识别缺陷或缺陷的部分。计算机化系统和方法可通过识别候选缺陷的部分(例如通过识别可指示缺陷的强特征)来识别候选缺陷。计算机化系统和方法可使用识别出的部分来搜索候选缺陷的剩余部分(例如弱特征),以确定候选缺陷是否是实际缺陷。
虽然本文的示例针对涉及检测多晶太阳能电池中的裂缝的实施例,但是所描述的计算机化系统和方法不限于此,并且可用于检测其他类型材料(或产品)(诸如硅晶片、印刷电路板、和/或任何其他类型的材料)中的缺陷。
图1是用于检测材料中的缺陷的示例性计算机化系统100。系统100包括与图像捕获设备112和显示设备114通信的缺陷检测计算设备102(缺陷检测设备102)。缺陷检测设备102包括预处理模块104、强特征检测模块106、弱特征检测模块108和数据库110。缺陷检测设备102可包括被配置成识别材料中的缺陷的处理器和存储器。
系统100是计算机化系统的示例,其被具体地配置成执行本文所描述的计算机化方法。然而,与图1相关地描述的系统结构和内容仅为示例性目的,且并不意在将其他示例限制于图1所示的特定结构。如对于本领域普通技术人员而言显而易见地,可在不背离本文所描述的计算机化系统和方法的情况下构建很多变化的系统结构。
此外,信息可使用任何技术在本文所描述的元件、组件和子系统之间流动。这样的技术包括,例如,在使用标准协议(诸如TCP/IP)的网络上传送信息、在存储器中的模块之间传送信息以及通过写入文档、数据库或一些其他非易失性存储设备来传送信息。此外,对于信息的指针或其他引用可替代信息副本或附加于信息副本而被发送和接收。反之,替代对于信息的指针或其他引用或附加于对于信息的指针或其他引用可交换信息。可在不背离本发明的范围的情况下使用用于传送信息的其他技术和协议。
图像捕获设备112可以是任何类型的图像捕获设备(如二维相机、三维相机、光电检测器等等),其被配置成捕获由缺陷检测设备102检查的材料的图像。例如,图像捕获设备112可位于制造工艺的传送带上方,在该处图像捕获设备112捕获代表数目的制造材料的图像以用于检查。
显示设备114显示从缺陷检测设备102(和/或从图像捕获设备112)接收到的图像。例如,显示设备114可显示由图像捕获设备112捕获的原始图像、由预处理模块104生成的经预处理图像、和/或具有高亮缺陷的图像(用线、颜色、文本或其他高亮手段进行高亮)。显示设备114可以例如是计算机监视器或电视屏幕。显示设备114可进一步包括接口(如鼠标、键盘或其他数据输入设备),供操作者与缺陷检测设备102交互。
预处理模块104暴露接收到的图像中的特征(例如包括弱特征和强特征)。例如,预处理模块104执行平滑函数(例如使用中值滤波)来去除特征和/或噪声,以生成经滤波的图像。预处理模块104可基于原始图像和经滤波的图像(例如通过从原始图像中减去经滤波的图像)来生成经预处理图像,以暴露原始图像中的特征。在一些实施例中,预处理模块104可被配置成不对从图像捕获设备102接收到的原始图像执行任何预处理。
强特征检测模块106基于预处理模块104的输出(例如基于子图像的局部特征)提取缺陷的候选部分的强特征(或特征的部分)。例如,强特征检测模块106可搜索图像中的能以高肯定度(少量的假阳性)快速并容易地识别的缺陷的候选部分。弱特征检测模块108基于提取的强特征来检测缺陷的弱特征,否则弱特征将与低肯定度相关联(例如由于弱特征具有低对比度、不均匀的极性或宽度等,从而使得弱特征的检测困难且费时)。有利的是,由于对弱特征的搜索由已知的强特征引导,因此通过在潜在的弱特征不与已知的强特征相关联时不搜索它们而降低了假阳性的风险并且节约了时间。以下参考图3和4更详细地描述预处理模块104、强特征检测模块106和弱特征检测模块108。
图2A是分别具有两个缺陷202和206(例如材料中的两条裂缝)的材料的示例性图像200。缺陷202包括强特征204A、204B和204C(统称为强特征204)。例如,强特征是可被容易识别的缺陷的较大部分。缺陷202的剩余部分是弱特征(例如与强特征204相比不容易被识别的特征)。缺陷206包括强特征208A、208B、208C、208D、208E和208F(统称为强特征208)。缺陷206的剩余部分是弱特征。
图2B是基于图2A的图像200生成的示例性的经预处理图像220。例如,预处理模块104基于图像200生成经预处理图像220。经预处理图像220包括缺陷202的强特征204和缺陷206的强特征208。经处理图像220不包括缺陷202或206的弱特征。参考图2C更详细地描述经预处理图像220的部分250。
图2C是图2B的经处理图像220的放大部分250,示出了经处理图像220的部分250的子图像。经放大部分250包括子图像250A、250B至250N(统称为子图像250)。每个子图像表示整个经处理图像220的一部分。每个子图像的大小可预先配置(例如经由操作者通过显示设备114)。例如,每个子图像可被配置成50像素宽乘以50像素高,40像素宽乘以60像素高等等。虽然图2C将子图像示为矩形、不重叠、且邻接的块,但这只是为了示例性的目的。子图像可以具有任何形状,并且可以相互重叠和/或不邻接。子图像252A、252B、252C、252D和252E(统称为子图像252)各自包含强特征204C的一部分。子图像254A、254B和254C(统称为子图像254)各自包含强特征204B的一部分。例如,子图像252C包含特征262,并且子图像252E包含特征260。虽然图2C将特征(例如特征260和262)主要示为跨过子图像的对角线,但这只是为了示例性的目的。例如,特征在子图像中可以是任何方向和/或取向的(例如,任何几何形状,如直线、曲线、椭圆、矩形等等)。
图2D是基于图2A中的缺陷202和206的强特征204和208生成的缺陷的小部分的示例性图像280。对于缺陷202,强特征204(例如如图2B中所示)用于引导弱特征282A和282B(统称为弱特征282)的检测。对于缺陷206,强特征208用于引导弱特征284A、284B、284C、284D和284E(统称为弱特征284)的检测。缺陷202由强特征204和弱特征282组成,并且缺陷206由强特征208和弱特征284组成(例如,对缺陷的强特征和弱特征的检测导致对整个缺陷的检测,这在以下将更详细地说明)。
图3是用于识别材料中的缺陷的示例性方法300的图。参考图2A-2D,在步骤302,缺陷检测设备102从图像捕获设备112接收材料的图像(例如图像200或图像220)。在步骤304,强特征检测模块106识别(或检测)材料的图像中的一个或多个缺陷202、204的一组强特征(强特征204和208)。在步骤306,弱特征检测模块108基于识别出的一组强特征204、208识别图像中的一组弱特征282、284。在步骤308,缺陷检测设备102基于材料中的一组弱特征282、284和一组强特征204、208输出指示一组缺陷202、206的数据。
例如,缺陷检测设备102可识别多晶太阳能电池中的裂缝。图5是具有不均匀外观的多晶太阳能电池500的示例性图。多晶太阳能电池500包括具有特征的不均匀外观,这些特征包括不同的对比度、极性、宽度等等(例如特征502和504,它们不是太阳能电池500中的缺陷)。缺陷检测设备可能将多晶太阳能电池500的特征不适当地归类为缺陷(例如,将特征502归类为缺陷)。此外,类似502、504的这种特征使得对缺陷的搜索和/或检测更困难,因为缺陷检测设备通常被配置成既检测又排除非缺陷特征,这导致许多缺陷检测设备检测和/或分析大量的特征。有利的是,缺陷检测设备102可搜索缺陷的强特征,并且然后使用强特征来引导对缺陷的弱特征的检测。这可允许缺陷检测设备102快速、有效且精确地对特征进行归类。
参考步骤304,方法可包括在材料的一组任何类型的缺陷中识别一组强特征(例如,裂缝、碎片、制造缺陷等等)。有利的是,缺陷的强特征可快速地并以高成功度(非缺陷特征的错误识别的机会较低)识别,并且然后被用于引导对缺陷的弱特征的搜索,否则弱特征将缓慢地且以低成功度识别(例如,由于系统不具有弱特征的任何先验信息,因此系统将需要考虑可能是弱特征的所有特征,并且然后将它们逐一归类为缺陷或不是缺陷)。
参考步骤304,强特征检测模块106可将经预处理的图像分割成子图像250,并搜索每个子图像250中的强特征的部分。强特征检测模块106可将每个子图像中所识别的强特征链接在一起以形成一组链式特征。强特征检测模块106可使用链式特征(例如,该链式特征表示完整的大缺陷)来搜索弱特征。
图4是用于识别材料中候选缺陷的一部分的一组链式特征的示例性计算机化方法400的图。参考图2A-2D,在步骤402,预处理模块104基于材料的原始图像200生成经预处理图像220,以去除材料的一个或多个特征(例如从图像中去除噪声和/或缺陷的弱特征)。在步骤404,强特征检测模块106将经预处理图像220分割成一组子图像250。在步骤406,对于该组子图像250中的一个或多个子图像,强特征检测模块106确定子图像是否包括特征,其中该特征是材料中缺陷的一部分。例如,如果材料中的缺陷是裂缝,则强特征检测模块106确定子图像是否包括表示裂缝的候选部分的线段。如果子图像包括特征,则强特征检测模块106将该子图像添加到一组特征子图像(例如一组一个或多个子图像,每个子图像包括强特征)中。在步骤408,强特征检测模块106基于该组特征子图像计算一组链式特征。每个链式特征包括表示材料中相同裂缝的部分的一个或多个特征。
参考步骤402,经预处理图像220去除背景纹理,因此强特征检测模块106可较佳地识别强特征(例如更快,因为强特征检测模块106分析较少的特征——只有强特征,并且更精确,因为强特征通常是缺陷的容易识别的特征)。例如,多晶太阳能电池通常具有不同的纹理,其外观如同太阳能电池是通过将不同的多晶片熔化在一起而制成的。因此,经预处理图像220可去除不同多晶片的边缘部分。有利的是,去除这种边缘部分和/或其他噪声(它们不指示多晶太阳能电池中的缺陷)允许强特征检测模块106快速并容易地识别缺陷的强特征,而不会对非缺陷(或潜在非缺陷)弱特征浪费处理时间。
预处理模块104可基于经滤波的图像生成经预处理图像。例如,预处理模块104可通过对从图像捕获设备112接收到的原始图像200执行滤波器而生成经滤波的图像。滤波器例如可以是被配置成保留背景特征和/或纹理(例如噪声和弱特征)并从原始图像200去除强特征的滤波器。例如,滤波器可以是低通滤波器、中值滤波器、和/或低频平滑函数。预处理模块104可通过从原始图像200减去经滤波图像(或反之)来生成经预处理图像220,以去除原始图像中的背景纹理、去除原始图像中的一个或多个弱特征,或者两者。在一些实施例中,预处理模块104可执行纹理滤波器,并使用增强滤波器的输出。
参考经预处理图像220,虽然图2B示出了背景具有白像素而强特征具有黑像素,但是经预处理图像可包括暗像素的背景和包括亮像素的一组强特征,其中暗像素和亮像素基于灰度级阈值来识别。例如,缺陷检测设备102可使用灰度级阈值来识别哪些像素与强特征相关联。例如,如果背景是黑色并且像素特征与较亮的像素相关联,则缺陷检测设备102可定义灰度级阈值,其中灰度级值大于灰度级阈值的所有像素被确定为表示可能与候选缺陷的强特征相关联的像素,而灰度级值小于灰度级阈值的像素被确定为不表示可能与强特征相关联的像素。
参考步骤404,经预处理图像220包括一组强特征204和208,并且强特征检测模块106需要检测强特征204和208并在必要时将它们连接在一起以形成完整的强特征。强特征检测模块106将经预处理图像220分割成一组子图像250(例如,以搜索每个子图像中强特征的部分)。在一些实施例中,强特征检测模块106并不实际将经预处理图像220分成不同的数据结构,而是相反强特征检测模块106以迭代方式考虑像素的某些组。在一些示例中,强特征检测模块106迭代地考虑经预处理图像220中的每个子图像。由于强特征检测模块106识别每个子图像中的特征的部分(例如强特征的部分),因此强特征检测模块106可将子图像中所识别的一组特征链接在一起以生成完整的特征(例如以生成完整的强特征),这在以下更详细地描述。
参考步骤406,强特征检测模块106生成一组特征子图像,每个特征子图像包括特征(该特征可以只是整个特征的一部分)。例如,强特征检测模块106分析一个或多个子图像250以确定子图像是否包括线段(其中线段是材料中裂缝的候选部分)。作为示例,强特征检测模块106确定子图像252E包括特征260。强特征检测模块106可将子图像252E添加到一组特征子图像中。例如,如果强特征检测模块106分析图2C的子图像250,则一组特征子图像将包括至少子图像252A、252C、252E、254A和254C,因为这些子图像中的每一个包括其中的特征(例如各自包括裂缝的候选部分的线段)。此外,如果强特征检测模块106确定子图像252B包括特征(由于子图像252B的左上角可包括特征),则强特征检测模块106将252B添加到特征。
在某些实施例中,强特征检测模块106可通过执行线性拟合算法来确定子图像是否包括线段。线性拟合算法可是轻型工具(例如对于计算机处理资源而言是计算成本低的),它取点的列表(例如最少量的二维点)作为输入。强特征检测模块106可分析每个子图像的像素以确定哪些像素被输入到线性拟合算法。例如,如果经处理图像220被配置成使得背景像素是暗像素(例如其中基于灰度级阈值来识别暗像素)并且因此强特征由较亮的像素定义(例如其中基于灰度级阈值来识别亮像素),则强特征检测模块106可使用子图像中的亮像素执行线性拟合算法。例如,强特征检测模块106可使用灰度级阈值来确定哪些像素要输入到线性拟合算法。在某些示例中,强特征检测模块106可使用子图像中的暗像素(和/或亮像素和暗像素的组合)执行线性拟合算法。
在一些实施例中,线性拟合算法可返回(a)线段(如具有方向和/或位置的直线段)或(b)指示子图像不包括线段的空值。如果线性拟合算法返回线段,则强特征检测模块106可将子图像添加到一组特征子图像(包括线段的一组子图像)。否则,强特征检测模块106可忽略正在分析的子图像(例如并且继续分析另一子图像)。
在某些实施例中,强特征检测模块106基于一组约束(例如,一个或多个约束)确定子图像是否包括特征。强特征检测模块106可确定子图像是否包含足够的特征像素(例如,基于最小值,在按灰度级阈值过滤子图像中的像素之后)。强特征检测模块106可计算特征拟合误差(例如,如果特征是线,则线性拟合误差是否小于阈值)。强特征检测模块106可确定在原始图像200中,子图像中的候选特征在其取向上是否具有足够的对比度。强特征检测模块106可确定在原始图像200中,候选特征的亮度变化在子图像中是否足够小。强特征检测模块106可确定在原始图像200中,候选特征的粗细度是否在粗细度范围内(例如,如果候选特征是裂缝的一部分的线段,则它可使用裂缝粗细度范围)。
在某些实施例中,线性检测工具之外的其他工具可用于检测子图像中的短线。例如,美国马萨诸塞州Natick的考戈奈克斯公司(Cognex)提供的CaliperTool(卡尺工具)可用于检测线的两个边缘。Caliper Tool可基于线的给定方向和位置来测量在图像中灰度级如何横跨该线改变以确定该线的位置。如果例如线的方向不是已知的,则Caliper Tool可迭代地测试子图像中的每个方向,并且使用最强的两个边缘来确定线在何处。
参考步骤408,强特征检测模块106确定是否将来自步骤406的一个或多个所识别的特征结合在一起(例如对于裂缝缺陷,强特征检测模块106可将来自各个子图像的相邻的裂缝特征链接在一起以识别完整的缺陷特征)。例如,强特征检测模块106从一组特征子图像中选择特征子图像252E。强特征检测模块106识别与所选择的特征子图像毗邻的一个或多个子图像,每个所识别的子图像包括特征。例如,特征子图像252E可具有与之毗邻的八个子图像(例如位于上方、下方、左方、右方和四个角的子图像)。特征子图像252C毗邻子图像252E,因为特征子图像252C的右上角与特征子图像252E的左下角相邻。强特征检测模块106生成包括特征子图像252C和特征子图像252E的链式特征(例如因此特征260和262结合在一起以形成链式特征)。有利的是,强特征检测模块106可将分开计算的特征结合在一起以形成邻接的链式特征。
强特征检测模块106可基于一个或多个约束来识别链式特征,以确保将特征链接在一起形成单个链式特征,只要它们表示相同缺陷(例如裂缝)的候选部分。一个或多个约束可包括强特征检测模块106正在分析的特征的位置、取向、或两者。例如,对于相邻子图像中裂缝的候选线段位置,强特征检测模块106被配置成将这些线段链接在一起。有利的是,强特征检测模块106可尽可能长地将分开的线段链接在一起(例如形成曲线),以定义裂缝的大候选部分。
强特征检测模块106可从其中存在特征(例如特征子图像)的单元开始链接过程。强特征检测模块106可基于约束分析特征子图像的相邻单元(例如八个相邻的子图像),以潜在地将特征子图像与一个或多个相邻的子图像链接在一起。例如,约束可包括验证相邻子图像中特征的方向是相容的(例如验证线从一个线段到另一个线段是连续的,而不是将两个平行的线段链接在一起)。
强特征检测模块106可基于相邻的子图像是否包括特征来分析相邻的子图像。例如,如果所选择的特征子图像具有一个具有特征的相邻子图像,则强特征检测模块106可连接各子图像中的两个特征。强特征检测模块106然后可分析新链接的子图像中的相邻子图像(例如使用用于分析原始子图像的相同过程)。
如果例如所选择的子图像具有多个具有特征的相邻子图像,则强特征检测模块106可基于评分机制选择多个子图像中的哪一个与所选择的子图像链接在一起,以断定哪一个是其相邻子图像(例如沿其四条边和四个角)周围的最佳候选。例如,可使用关于子图像中各个特征的已知信息,如子图像中特征的位置(例如特征的中点)以及特征的方向的角度。链接算法可使用得分来测量当前子图像的特征的信息与相邻子图像中的特征的匹配(或配对)有多好。强特征检测模块106可挑选具有最佳得分的相邻特征来与当前特征链接。强特征检测模块106可将所选择的相邻特征视为下一特征,以寻找任何附加特征来与该相邻特征链接在一起。例如,可基于特征为了与相邻特征连接必须“转向”多少来计算得分。例如,由于材料中的裂缝通常局部是直的(例如不具有许多高曲率的转向),因此可忽视具有大转向的特征。例如,可使用以下转向角评分函数:
S=|AC–AT|+|AT-AN|等式1
其中:
S=当前特征(正在分析的特征)的转向角得分;
AC=当前特征的角度;
AN=当前特征的相邻特征的角度;以及
AT=转向线段的角度,该转向线段是从当前特征的中点开始并在相邻特征的中点处结束的线段。
关于AC和AT,角度可指示图像坐标系中线的方向(例如角度可按由当前特征与坐标系的x轴形成的角度来测量)。低得分(S)0意味着当将当前特征连接到相邻特征时,当前特征不具有任何“转向”(例如可使用直线将当前特征的终点连接到相邻特征的起点)。高得分(S)意味着当将当前特征连接到相邻特征时,当前特征具有高“转向”角。强特征检测模块106可选择具有最小得分的相邻特征作为下一特征进行分析。
在某些实施例中,在强特征检测模块106将强特征链接在一起之后,可存在多个脱开的链式特征(例如强特征204和208)。然而,如原始图像200中所示,强特征204都是相同缺陷202中的部分,并且强特征208都是相同缺陷206中的部分。强特征检测模块106只检测强特征并将它们链接在一起,但是每个缺陷的弱特征(弱特征282和284)尚未被识别。有利的是,如图3中所描述地,弱特征检测模块108使用强特征来引导对弱特征的检测(如弱特征检测模块108分别使用强特征204和208来引导对弱特征282和284的检测)。
参考步骤306,弱特征检测模块108基于步骤304中所识别的一组强特征来计算缺陷的一组弱特征。在一些实施例中,弱特征检测模块108基于来自一组链式特征中的一对链式特征来识别缺陷(例如缺陷202和206)。弱特征检测模块108可递归地搜索缺陷的成对的链式特征以用于检测相同缺陷的弱特征。例如,弱特征检测模块108可确定所选择的一对链式特征是否满足指示该对链式特征在相同缺陷上的标准(例如,确定强特征204A和204B在相同缺陷202上,而强特征204A和208A分别在不同缺陷202和206上)。标准可基于例如该对链式特征之间的距离(例如强特征204A上的端点与强特征204B上的端点之间的像素距离)、该对链式特征中每个特征的端点方向(例如强特征上端点的线性方向)、该对链式特征中每个特征的转向角(例如基于等式1)、该对链式特征中每个特征的长度(例如沿强特征204A和强特征204B上的像素的数量)、和/或指示该对特征是否是相同缺陷的部分的其他标准。
弱特征检测模块108可使用对候选的成对强特征评分的选择算法来选择成对的链式特征(或强特征)(例如,并且选择最高得分的成对的强特征)。弱特征检测模块108可基于一个链式特征的端点与其他链式特征的端点之间的距离对成对的链式特征评分(例如,如果两个链式特征的端点分开得太远,则弱特征检测模块108可不考虑这两个链式特征)。弱特征检测模块108可基于链式特征的端点方向对成对的链式特征评分(例如,基于每个链式特征的最后两个点)。例如,如果链式特征是裂缝的一部分的线段,则该线段可能是曲线并因此不具有固定方向,但是可计算线段的两个点的切线方向,并与作比较的其他链式特征的切线方向相比较。弱特征检测模块108可基于链式特征的转向角对成对的链式特征评分。
弱特征检测模块108可基于每个链式特征的端点选择成对的链式特征(在此称为“链端”,其中每个链式特征包括头端和尾端)。链端可包括例如单个像素或一个以上的像素(例如链端可以是属于构成强特征的端部的子图像的整个特征)。对于给定的一组N个链式特征,存在总共(2*N)个链端。为了确定哪个链端应当与另一链端配对,弱特征检测模块108可执行用以选择最佳候选链端的算法。
例如,在一些实施例中,算法可如下地进行。在分析任何链端之前,存在(2*N)个链端的初始池。弱特征检测模块108选择链端并比较所选择的链端与剩余的链端以确定链端中的一个是否可与所选择的链端配对。在一些实施例中,弱特征检测模块108可被配置成在挑选出一对链端之前不穷举搜索所有存在的链端。例如,对于给定链端,弱特征检测模块108可搜索其他链端,并且一旦弱特征检测模块108发现可配对的链端就挑选出第二链端(这在以下将详细描述)。在一些实施例中,弱特征检测模块108被配置成穷举地搜索潜在的每组链端,并选择最佳的一对链端。例如,可设计统一标准的得分以考虑每对链端的各个特征(例如链端距离和共线性两者,如以下进一步讨论的)。弱特征检测模块108可穷举地评价所有其他链端,计算每一个的统一标准的得分,并且然后挑选具有最佳得分的链端。
弱特征检测模块108可基于一个或多个测试(例如距离测试、转向角测试、和/或可提供和/或确定关于成对链端的信息的任何其他测试)来确定两个链端是否可配对。例如,弱特征检测模块108可执行距离测试,该距离测试确定两个链端的端点距离是否小于最大距离阈值(最大距离阈值可以是预先配置的(或硬编码的)、由操作者提供的、等等)。如果距离小于最大距离阈值,则弱特征检测模块108可确定该对链端满足距离测试,否则弱特征检测模块108拒绝不可配对的两个链端。
作为另一示例,弱特征检测模块108可检查两个链端的共线性。例如,弱特征检测模块108可确定两个链端处前几个特征如何共线(例如,通过测量拟合前几个特征点的直线的拟合误差、和/或通过测量这些特征偏离连接两个链端的线段有多远)。作为另一示例,弱特征检测模块108可通过执行转向角测试来确定两个链端的转向角得分是否小于最大转向角得分阈值,从而确定共线性。如果转向角得分小于最大转向角得分阈值,则弱特征检测模块108可确定该对链端满足转向角测试,否则弱特征检测模块108拒绝不可配对的两个链端。例如可使用上述等式1来计算转向角得分。在一些示例中,转向角得分使用等式2来计算:
S=|AC–AT|+|AT-AN|等式2
其中:
S=两个链端中第一链端的转向角得分;
AC=第一链端的切角;
AN=两个链端中第二链端的切角;以及
AT=线段的角度,该线段是在第一链端的端点处开始并在第二链端的中点处结束的线段。
弱特征检测模块108可使用测试的组合来确定两个链端是否可配对。例如,弱特征检测模块108可使用距离测试和共线性测试两者来确定两个链端是否可配对(例如,如果弱特征检测模块108确定不满足两个测试中的一个或多个,则弱特征检测模块108拒绝不可配对的两个链端)。有利的是,弱特征检测模块108可被配置成将可配对性定义为(a)包括不是太大的缺陷的未检测部分(例如,裂缝的弱片段(或部分)不是太长),以及(b)缺陷不包括不太可能定义缺陷的特征(例如,算法可被配置成将裂缝的趋向于延伸的部分配对,而不是转向的部分,因为具有急剧转向和/或曲折转向的裂缝是不太可能的)。
如果发现了可配对的链端,则弱特征检测模块108接着确定两个链端是否可实际配对。如果配对成功(例如,如果弱特征检测模块108检测到配对的强特征之间的一个或多个弱特征),则弱特征检测模块108结合这两个链式特征(例如通过任何中间特征)来形成新链。这两个链端(弱特征检测模块108所连接的)被从链端的池中去除。
弱特征检测模块108可针对池中下一所选择的链端重复算法的上述步骤(例如,该池现在具有(2*(N-1))个链端)。弱特征检测模块108可被配置成在池中不剩下链端时,或者在弱特征检测模块108确定所有剩余链端不能与任何其他链端配对时,完成对可配对的链端的搜索。
弱特征检测模块108可计算一对链式特征之间的相同缺陷的剩余部分。例如,对于缺陷202,弱特征检测模块108基于强特征204A和204B计算弱特征282A,并基于强特征204B和204C计算弱特征282B。例如,如果缺陷202是裂缝,则特征检测模块106计算强裂缝特征204的链式线段,并使用强裂缝特征204来引导对弱裂缝特征282的识别,从而导致对通裂202的识别。
有利的是,强特征检测模块106可被配置成只检测强特征,并且弱特征检测模块108可被配置成使用检测到的强特征来检测未检测的弱特征。例如,强特征检测模块106可能无法检测弱特征,因为它具有被配置成确保该模块只检测缺陷特征而不检测其他特征(例如,以及不检测非缺陷特征,如太阳能电池的不同纹理)的某些参数。因此,强特征检测模块106可被配置成不检测弱特征和/或噪声。
在某些实施例中,弱特征检测模块108使用原始图像200来检测弱特征(例如,而不使用经预处理图像220)。弱特征检测模块108可使用原始图像200,而不是经预处理图像220,因为弱特征在经预处理图像220中可能具有低对比度(例如由于通过使用中值滤波器来改变原始图像200中的像素的滤波)。有利的是,强特征检测模块106可快速搜索强特征(例如,因为搜索经预处理图像220只需处理较少的数据,并且因为强特征检测模块106可被配置成在不满足约束时停止处理数据(例如子图像),从而使得对数据的更粗略查看变成足够)。弱特征检测模块108可被配置成执行对原始图像220的更详细搜索,因为缺陷的强特征已被检测出,这些强特征用于引导对缺陷的弱特征的搜索(例如,因此虽然原始图像200中可能存在其他弱特征,但是弱特征检测模块108可只考虑基于检测到的强特征而识别出的弱特征)。
在一些实施例中,弱特征检测模块108使用比强特征检测模块106所使用的更宽松的约束来检测弱特征。在一些实施例中,强特征检测模块106和弱特征检测模块108使用不同的工具来检测弱特征。例如,强特征检测模块106可使用上述Caliper Tool。弱特征检测模块108基于周围的强特征已知弱特征中的方向(例如,强特征204C延伸至弱特征282B)。Caliper Tool可应用于预期区域(例如预期弱特征282B之处)。Caliper Tool可报告(a)在足够强的情况下的弱特征的位置(例如缺陷202的弱特征282B的位置),和/或(b)空(例如由于不存在匹配,如搜索在强特征204C以下的缺陷202的部分)。Caliper Tool可逐个像素地检测弱特征282B(例如通过检测邻近强特征204C的第一像素,并且然后基于前一像素迭代地搜索每个下一像素)。
在一些实施例中,弱特征检测模块可被配置成在候选像素较接近于已知强特征时搜索较少的候选像素(例如在弱特征的端点处),并且在候选像素较远离强特征时搜索较多的候选像素(例如在弱特征的中心处)。例如,在两个强特征之间具有间隔的成对的一组强特征可暗示,接近强特征的弱特征的端部应在大特征的接合端附近出现,而在弱特征的中部,不太知晓弱特征的该部分在何处(例如,弱特征可能是曲线,因此在中部,弱特征的该部分可能在非预期的位置)。
参考图3的步骤308,缺陷检测设备102将检测到的弱特征和强特征组合在一起以识别实际缺陷。例如,缺陷检测设备102将强特征204与弱特征282组合以识别缺陷202(例如太阳能电池中的通裂)。
以上描述的技术可在数字和/或模拟电子电路中、或在计算机硬件、固件、软件、或它们的组合中实现。该实现可以作为计算机程序产品,即,有形地实施在机器可读存储设备中用于由诸如可编程处理器、计算机和/或多台计算机之类的数据处理装置来执行或控制该数据处理装置的操作的计算机程序。计算机程序可以按任何形式的计算机或编程语言来编写,包括源代码、经编译代码、经解释代码和/或机器代码,并且该计算机程序可按任何形式来部署,包括作为独立程序或作为子例程、元件或适于在计算环境中使用的其他单元。计算机程序可被部署以在一台计算机上或在一个或多个地点处的多台计算机上执行。
方法步骤可由执行计算机程序以通过操作输入数据和/或生成输出数据来执行本发明的功能的一个或多个处理器来执行。方法步骤还可由专用逻辑电路执行并且装置可被实现为专用逻辑电路,例如,FPGA(现场可编程门阵列)、FPAA(现场可编程模拟阵列)、CPLD(复杂可编程逻辑器件)、PSoC(可编程片上系统)、ASIP(专用指令集处理器)、或ASIC(专用集成电路)。子例程可指计算机程序的诸部分和/或实现一个或多个功能的处理器/专用电路。
作为示例,适于计算机程序的执行的处理器包括通用微处理器和专用微处理器两者,以及任何类型的数字或模拟计算机中的任何一个或多个处理器。一般而言,处理器从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本元件是用于执行指令的处理器和用于存储指令和/或数据的一个或多个存储器设备。诸如高速缓存之类的存储器设备可被用于临时存储数据。存储器设备也可被用于长期数据存储。一般而言,计算机还包括或在操作上耦合以从和/或向用于存储数据的诸如磁盘、磁光盘或光盘之类的一个或多个大容量存储设备接收数据或转送数据或两者。计算机还可在操作上耦合至通信网络以从该网络接收指令和/或数据和/或向该网络转送指令和/或数据。适于实施计算机程序指令和数据的计算机可读存储设备包括所有形式的易失性和非易失性存储器,作为示例,包括诸如DRAM、SRAM、EPROM、EEPROM和闪存设备之类的半导体存储器设备;诸如内部硬盘或可移除盘之类的磁盘;诸如CD、DVD、HD-DVD和蓝光盘之类的光盘。处理器和存储器可由专用逻辑电路补充和/或被纳入专用逻辑电路。
为了提供与用户的交互,以上描述的技术可在与诸如CRT(阴极射线管)、等离子体、或LCD(液晶显示器)监视器之类的用于向用户显示信息的显示设备、和键盘以及诸如鼠标、跟踪球、触摸板、或运动传感器之类的可由用户用来向计算机提供输入(例如,与用户界面元素交互)的指示设备处于通信的计算机上实现。其他类型的设备也可用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的感觉反馈,例如,视觉反馈、听觉反馈、或触觉反馈;以及来自用户的输入可按任何形式接收,包括声音、语音和/或触觉输入。
以上描述的技术可在包括后端组件的分布式计算系统中实现。例如,后端组件可以是数据服务器、中间件组件、和/或应用服务器。以上描述的技术可在包括前端组件的分布式计算系统中实现。例如,前端组件可以是具有图形用户界面的客户机计算机、通过其用户可与示例实现交互的Web浏览器、和/或发送设备的其他图形用户界面。上述技术可被实现在包括这样的后端、中间件、或前端组件的任何组合的分布式计算系统中。
计算系统可包括客户机和服务器。客户机和服务器一般相距甚远且通常通过通信网络交互。客户机和服务器的关系根据在相应计算机上运行的且彼此具有客户机-服务器关系的计算机程序来产生。
计算系统的组件可通过任何形式或介质的数字或模拟数据通信(例如,通信网络)来互连。通信网络的示例包括基于线路的和基于分组的网络。基于分组的网络可包括例如因特网、载波网际协议(IP)网络(例如,局域网(LAN)、广域网(WAN)、校园区域网(CAN)、城域网(MAN)、家庭区域网(HAN))、专用IP网络、IP专用交换分机(IPBX)、无线网络(例如无线电接入网络(RAN)、802.11网络、802.16网络、通用分组无线业务(GPRS)、HiperLAN)和/或其它基于分组的网络。基于线路的网络可包括例如公共电话交换网(PSTN)、专用交换分机(PBX)、无线网络(例如,RAN、蓝牙、码分多址(CDMA)网络、时分多址(TDMA)网络、全球移动通信系统(GSM)网络)和/或其它基于线路的网络。
计算系统的设备和/或计算设备可包括,例如,计算机、具有浏览器设备的计算机、电话、IP电话、移动设备(如,手机、个人数字助理(PDA)设备、膝上型计算机、电子邮件设备)、服务器、具有一个或多个处理卡的机架、专用电路、和/或其他通信设备。浏览器设备包括例如具有万维网浏览器(例如,可从微软公司获得的Internet可从Mozilla公司获得的Firefox)的计算机(例如,台式计算机、膝上型计算机)。移动计算设备包括,例如,(黑莓)。IP电话包括,例如,可从Cisco System有限公司获得的Unified IP Phone 7985G(统一IP电话7985G)、和/或可从Cisco System有限公司获得的Unified Wireless Phone7920(统一无绳电话7920)。
本领域的技术人员将意识到本发明可体现为其它具体形式,而不背离本发明的精神和本质特性。因此认为上述实施例在各方面均是说明性的而非限制本文描述的本发明。因此,本发明的范围由所附权利要求而不是由上述描述指定,且因此在该权利要求的等价技术方案的含义和范围内的所有变形都旨在包含于此。
Claims (22)
1.一种用于识别材料中的缺陷的计算机化方法,包括:
由计算设备基于材料的原始图像生成经预处理图像;
由所述计算设备将所述经预处理图像分割成一组子图像;
对于所述一组子图像中的第一子图像:
由所述计算设备确定所述第一子图像是否包括特征,其中所述特征是所述材料中缺陷的候选部分;以及
如果所述第一子图像包括所述特征,则由所述计算设备将所述第一子图像添加到一组特征子图像中;
由所述计算设备基于所述一组特征子图像选择链式特征,其中所述链式特征包括表示所述材料中相同缺陷的候选部分的一个或多个特征;以及
由所述计算设备基于所述链式特征和所述原始图像识别所述材料中的缺陷,包括基于所述链式特征计算所述缺陷的剩余部分。
2.如权利要求1所述的方法,其特征在于,生成所述经预处理图像包括:
生成经滤波的图像,包括使用滤波器去除一个或多个特征;以及
通过从所述原始图像中减去所述经滤波的图像来生成所述经预处理图像,以暴露所述原始图像中的所述一个或多个特征。
3.如权利要求1所述的方法,其特征在于,所述经预处理图像是所述原始图像。
4.如权利要求1所述的方法,其特征在于,所述经预处理图像暴露所述材料的一个或多个特征。
5.如权利要求1所述的方法,其特征在于,所述经预处理图像包括暗像素和亮像素,其中基于灰度级阈值来识别所述暗像素和所述亮像素。
6.如权利要求1所述的方法,其特征在于,确定所述子图像是否包括所述特征包括使用所述子图像中的所述亮像素、所述暗像素、或两者来执行线性拟合算法。
7.如权利要求1所述的方法,其特征在于,还包括:
确定所述特征是否满足第一组标准;以及
确定所述缺陷的所述链式特征和所计算的剩余部分是否满足第二组标准。
8.如权利要求1所述的方法,其特征在于,选择所述链式特征包括:
从所述一组特征子图像中选择特征子图像;
识别与所选择的特征子图像毗邻的一个或多个子图像,每个所识别的子图像包括特征;以及
基于一个或多个约束,生成包括所选择的特征子图像和来自所识别的一个或多个子图像的子图像的链式特征。
9.如权利要求8所述的方法,其特征在于,所述一个或多个约束包括所述一个或多个特征的位置、取向、或两者。
10.如权利要求1所述的方法,其特征在于,识别所述缺陷包括:
选择包括所述链式特征的一对链式特征;
确定所述一对链式特征是否满足指示所述一对链式特征在所述材料的相同缺陷上的第一标准;以及
计算所述相同缺陷的在所述一对链式特征之间的剩余部分。
11.如权利要求10所述的方法,其特征在于,所述第一标准基于所述一对链式特征之间的距离、所述一对链式特征中每个特征的端点方向、所述一对链式特征中每个特征的转向角、所述一对链式特征中每个特征的长度、或它们的任何组合。
12.一种计算机程序产品,其在非瞬态计算机可读介质中有形地实现,所述计算机程序产品包括被配置为使得数据处理装置执行如下的指令:
基于材料的原始图像生成经预处理图像;
将所述经预处理图像分割成一组子图像;
对于所述一组子图像中的第一子图像:
确定所述第一子图像是否包括特征,其中所述特征是所述材料中缺陷的候选部分;以及
如果所述第一子图像包括所述特征,则将所述第一子图像添加到一组特征子图像中;
基于所述一组特征子图像选择链式特征,其中所述链式特征包括表示所述材料中相同缺陷的候选部分的一个或多个特征;以及
基于所述链式特征和所述原始图像识别所述材料中的缺陷,包括基于所述链式特征计算所述缺陷的剩余部分。
13.一种用于识别材料中的缺陷的装置,包括:
预处理模块,被配置成基于材料的原始图像生成经预处理图像;
与所述预处理模块通信的强特征检测模块,被配置成:
将所述经预处理图像分割成一组子图像;以及
对于所述一组子图像中的第一子图像:
确定所述第一子图像是否包括特征,其中所述特征是所述材料中缺陷的候选部分;以及
如果所述第一子图像包括所述特征,则将所述第一子图像添加到一组特征子图像;以及
与所述强特征检测模块通信的弱特征检测模块,被配置成:
基于所述一组特征子图像选择链式特征,其中所述链式特征包括表示所述材料中相同缺陷的候选部分的一个或多个特征;以及
基于所述链式特征和所述原始图像识别所述材料中的缺陷,包括基于所述链式特征计算所述缺陷的剩余部分。
14.一种用于识别太阳能电池中的缺陷的计算机化方法,包括:
由计算设备基于太阳能电池的图像识别一组特征,其中:
所述太阳能电池包括多个纹理;以及
所述一组特征中的每个特征是所述太阳能电池中缺陷的候选部分;
由所述计算设备基于所述一组特征选择一组链式特征,其中每个链式特征包括表示所述太阳能电池中相同缺陷的候选部分的一个或多个特征;以及
由所述计算设备基于所述一组链式特征和所述图像来识别所述太阳能电池中的缺陷。
15.如权利要求14所述的方法,其特征在于,识别所述一组特征包括基于所述图像生成经预处理图像,以(a)去除所述图像中所述太阳能电池的所述多个纹理中的一个或多个纹理,或(b)暴露所述多个纹理中缺陷的一个或多个特征,或者两者。
16.如权利要求15所述的方法,其特征在于,还包括:
将所述经预处理图像分割成一组子图像;
对于所述一组子图像中的一个或多个子图像:
确定所述子图像是否包括特征,其中所述特征是所述太阳能电池中缺陷的候选部分;以及
如果所述子图像包括所述特征,则将所述子图像添加到一组特征。
17.如权利要求14所述的方法,其特征在于,识别所述缺陷包括基于来自所述一组链式特征中的成对的链式特征计算所述缺陷的剩余部分。
18.如权利要求17所述的方法,其特征在于,识别所述缺陷包括,对于来自所述一组链式特征中的每对链式特征:
确定所述一对链式特征是否满足指示所述一对链式特征在所述太阳能电池的相同缺陷上的第一标准;以及
计算所述相同缺陷在所述一对链式特征之间的剩余部分,其中所述相同缺陷是所述缺陷的一部分。
19.如权利要求14所述的方法,其特征在于,还包括在所述太阳能电池的所述图像上显示所述缺陷的表示。
20.如权利要求14所述的方法,其特征在于,选择所述一组链式特征包括:
基于所述一组特征选择子图像;
识别与所选择的子图像毗邻的一个或多个子图像,每个所识别的子图像包括特征;以及
基于一个或多个约束,生成包括所选择的子图像和来自所识别的一个或多个子图像的子图像的链式特征。
21.一种计算机程序产品,其在非瞬态计算机可读介质中有形地实现,所述计算机程序产品包括被配置为使得数据处理装置执行如下的指令:
基于太阳能电池的图像识别一组特征,其中:
所述太阳能电池包括多个纹理;以及
所述一组特征中的每个特征是所述太阳能电池中缺陷的候选部分;
基于所述一组特征选择一组链式特征,其中每个链式特征包括表示所述太阳能电池中相同缺陷的候选部分的一个或多个特征;以及
基于所述一组链式特征和所述图像来识别所述太阳能电池中的缺陷。
22.一种用于识别太阳能电池中的缺陷的装置,包括:
强特征检测模块,被配置成基于太阳能电池的图像识别一组特征,其中:
所述太阳能电池包括多个纹理;以及
所述一组特征中的每个特征是所述太阳能电池中缺陷的候选部分;以及
与所述强特征检测模块通信的弱特征检测模块,被配置成:
基于所述一组特征选择一组链式特征,其中每个链式特征包括表示所述太阳能电池中相同缺陷的候选部分的一个或多个特征;以及
基于所述一组链式特征和所述图像来识别所述太阳能电池中的缺陷。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/213,993 US8750596B2 (en) | 2011-08-19 | 2011-08-19 | System and method for identifying defects in a material |
US13/213,993 | 2011-08-19 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103134807A true CN103134807A (zh) | 2013-06-05 |
CN103134807B CN103134807B (zh) | 2016-03-16 |
Family
ID=47625364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210297100.6A Active CN103134807B (zh) | 2011-08-19 | 2012-08-20 | 用于识别材料中的缺陷的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (2) | US8750596B2 (zh) |
CN (1) | CN103134807B (zh) |
DE (1) | DE102012107287B4 (zh) |
TW (1) | TWI557650B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345743A (zh) * | 2013-06-18 | 2013-10-09 | 宁波成电泰克电子信息技术发展有限公司 | 一种用于电池尾端智能探伤的图像分割算法 |
CN106959293A (zh) * | 2015-11-13 | 2017-07-18 | 康耐视公司 | 通过视觉系统检测反光面上缺陷的系统及方法 |
CN108198766A (zh) * | 2017-12-29 | 2018-06-22 | 英特尔产品(成都)有限公司 | 芯片封装缺陷自动识别和处理方法、系统及存储设备 |
CN108492291A (zh) * | 2018-03-12 | 2018-09-04 | 苏州天准科技股份有限公司 | 一种基于cnn分割的太阳能光伏硅片瑕疵检测系统及方法 |
CN111784667A (zh) * | 2020-06-30 | 2020-10-16 | 北京海益同展信息科技有限公司 | 一种裂纹识别方法及装置 |
CN113252682A (zh) * | 2021-04-15 | 2021-08-13 | 首钢集团有限公司 | 提高表面质量检测系统识别带钢表面缺陷准确率的方法 |
CN117368210A (zh) * | 2023-12-08 | 2024-01-09 | 荣旗工业科技(苏州)股份有限公司 | 一种基于多维复合成像技术的缺陷检测方法 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI511084B (zh) * | 2012-01-20 | 2015-12-01 | Asml Netherlands Bv | 可自組聚合物及用於微影之方法 |
DE102013005489B4 (de) | 2013-04-02 | 2019-06-27 | Capex Invest GmbH | Verfahren und Vorrichtung zur automatischen Fehlerstellenerkennung bei biegeschlaffen Körpern |
TWI514883B (zh) * | 2013-07-31 | 2015-12-21 | Coretronic Corp | 投影裝置及其投影畫面的亮度控制方法 |
US9528945B2 (en) * | 2014-08-28 | 2016-12-27 | The Boeing Company | Systems and methods for detecting crack growth |
JP2016090548A (ja) * | 2014-11-11 | 2016-05-23 | 株式会社東芝 | ひび割れ情報収集方法及びひび割れ情報収集プログラム |
JP2016090547A (ja) * | 2014-11-11 | 2016-05-23 | 株式会社東芝 | ひび割れ情報収集装置及びひび割れ情報を収集するためのサーバ装置 |
JP6702097B2 (ja) * | 2016-09-02 | 2020-05-27 | 富士通株式会社 | 画像処理プログラム、画像処理方法および画像処理装置 |
WO2019150799A1 (ja) * | 2018-01-31 | 2019-08-08 | 富士フイルム株式会社 | 補修長の決定方法及び補修長の決定装置 |
US20220364423A1 (en) * | 2019-10-08 | 2022-11-17 | Schlumberger Technology Corporation | Methods and systems for controlling operation of wireline cable spooling equipment |
US11919754B2 (en) | 2020-11-10 | 2024-03-05 | Schlumberger Technology Corporation | Automated spooling control system using stochastic inference |
CN112785594B (zh) * | 2021-03-16 | 2022-08-30 | 合肥工业大学 | 基于图像二维幅值估计的桥梁自动结构裂缝识别方法 |
CN116934746B (zh) * | 2023-09-14 | 2023-12-01 | 常州微亿智造科技有限公司 | 划伤缺陷检测方法、系统、设备及其介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6028948A (en) * | 1997-12-29 | 2000-02-22 | Lockheed Martin Corporation | Surface anomaly-detection and analysis method |
US6941016B1 (en) * | 2001-12-31 | 2005-09-06 | Cognex Technology And Investment | Method for finding contours in an image of an object |
US20100177191A1 (en) * | 2007-06-22 | 2010-07-15 | Oliver Stier | Method for optical inspection of a matt surface and apparatus for applying this method |
CN102099833A (zh) * | 2008-04-07 | 2011-06-15 | 皇家飞利浦电子股份有限公司 | 网格冲突避免 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3612268A1 (de) | 1986-04-11 | 1987-10-15 | Licentia Gmbh | Verfahren zum auffinden von in einem vergleichsbild vorhandenen flaechen in einem bild |
FR2686697B1 (fr) * | 1992-01-27 | 1994-04-29 | Aerospatiale | Dispositif de detection de defauts dans des pieces bicouches, notamment dans des cellules solaires. |
JPH07201946A (ja) | 1993-12-28 | 1995-08-04 | Hitachi Ltd | 半導体装置等の製造方法及びその装置並びに検査方法及びその装置 |
US6122397A (en) | 1997-07-03 | 2000-09-19 | Tri Path Imaging, Inc. | Method and apparatus for maskless semiconductor and liquid crystal display inspection |
US6539106B1 (en) | 1999-01-08 | 2003-03-25 | Applied Materials, Inc. | Feature-based defect detection |
US20050252545A1 (en) | 2004-05-12 | 2005-11-17 | Spire Corporation | Infrared detection of solar cell defects under forward bias |
US7804993B2 (en) | 2005-02-28 | 2010-09-28 | Applied Materials South East Asia Pte. Ltd. | Method and apparatus for detecting defects in wafers including alignment of the wafer images so as to induce the same smear in all images |
TW200940977A (en) | 2008-03-19 | 2009-10-01 | Viswell Technology Co Ltd | Optical imaging apparatus and method for inspection of solar cells |
CN104022056B (zh) | 2008-03-31 | 2017-04-12 | Bt成像股份有限公司 | 用于晶片成像及处理的方法和设备 |
JP5324181B2 (ja) * | 2008-10-07 | 2013-10-23 | 日清紡ホールディングス株式会社 | 太陽電池の検査装置、太陽電池の検査方法、プログラム、太陽電池の検査システム |
-
2011
- 2011-08-19 US US13/213,993 patent/US8750596B2/en not_active Expired - Fee Related
-
2012
- 2012-08-06 TW TW101128312A patent/TWI557650B/zh active
- 2012-08-08 DE DE102012107287.6A patent/DE102012107287B4/de active Active
- 2012-08-20 CN CN201210297100.6A patent/CN103134807B/zh active Active
-
2014
- 2014-02-27 US US14/191,606 patent/US20140177938A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6028948A (en) * | 1997-12-29 | 2000-02-22 | Lockheed Martin Corporation | Surface anomaly-detection and analysis method |
US6941016B1 (en) * | 2001-12-31 | 2005-09-06 | Cognex Technology And Investment | Method for finding contours in an image of an object |
US20100177191A1 (en) * | 2007-06-22 | 2010-07-15 | Oliver Stier | Method for optical inspection of a matt surface and apparatus for applying this method |
CN102099833A (zh) * | 2008-04-07 | 2011-06-15 | 皇家飞利浦电子股份有限公司 | 网格冲突避免 |
Non-Patent Citations (2)
Title |
---|
DU-MING TSAI ET AL.: "Micro-crack inspection in heterogeneously textured solar wafers", 《IMAGE AND VISION COMPUTING》, no. 28, 31 December 2010 (2010-12-31) * |
张舞杰等: "硅太阳能电池纹理缺陷检测", 《计算机应用》, vol. 30, no. 10, 31 October 2010 (2010-10-31) * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345743A (zh) * | 2013-06-18 | 2013-10-09 | 宁波成电泰克电子信息技术发展有限公司 | 一种用于电池尾端智能探伤的图像分割算法 |
CN103345743B (zh) * | 2013-06-18 | 2016-05-25 | 宁波成电泰克电子信息技术发展有限公司 | 一种用于电池尾端智能探伤的图像分割方法 |
CN106959293A (zh) * | 2015-11-13 | 2017-07-18 | 康耐视公司 | 通过视觉系统检测反光面上缺陷的系统及方法 |
CN108198766A (zh) * | 2017-12-29 | 2018-06-22 | 英特尔产品(成都)有限公司 | 芯片封装缺陷自动识别和处理方法、系统及存储设备 |
CN108492291A (zh) * | 2018-03-12 | 2018-09-04 | 苏州天准科技股份有限公司 | 一种基于cnn分割的太阳能光伏硅片瑕疵检测系统及方法 |
CN108492291B (zh) * | 2018-03-12 | 2022-07-22 | 苏州天准科技股份有限公司 | 一种基于cnn分割的太阳能光伏硅片瑕疵检测系统及方法 |
CN111784667A (zh) * | 2020-06-30 | 2020-10-16 | 北京海益同展信息科技有限公司 | 一种裂纹识别方法及装置 |
CN111784667B (zh) * | 2020-06-30 | 2023-09-26 | 京东科技信息技术有限公司 | 一种裂纹识别方法及装置 |
CN113252682A (zh) * | 2021-04-15 | 2021-08-13 | 首钢集团有限公司 | 提高表面质量检测系统识别带钢表面缺陷准确率的方法 |
CN113252682B (zh) * | 2021-04-15 | 2022-12-16 | 首钢集团有限公司 | 提高表面质量检测系统识别带钢表面缺陷准确率的方法 |
CN117368210A (zh) * | 2023-12-08 | 2024-01-09 | 荣旗工业科技(苏州)股份有限公司 | 一种基于多维复合成像技术的缺陷检测方法 |
CN117368210B (zh) * | 2023-12-08 | 2024-02-27 | 荣旗工业科技(苏州)股份有限公司 | 一种基于多维复合成像技术的缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201310359A (zh) | 2013-03-01 |
US20140177938A1 (en) | 2014-06-26 |
DE102012107287B4 (de) | 2019-09-05 |
US8750596B2 (en) | 2014-06-10 |
CN103134807B (zh) | 2016-03-16 |
US20130044936A1 (en) | 2013-02-21 |
DE102012107287A9 (de) | 2013-10-10 |
DE102012107287A1 (de) | 2013-02-21 |
TWI557650B (zh) | 2016-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103134807B (zh) | 用于识别材料中的缺陷的系统和方法 | |
EP4280153A1 (en) | Defect detection method, apparatus and system | |
EP3502966B1 (en) | Data generation apparatus, data generation method, and data generation program | |
CN112734691B (zh) | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 | |
JP5718781B2 (ja) | 画像分類装置および画像分類方法 | |
CN1991343A (zh) | 检查图形的方法 | |
JP2011158373A (ja) | 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置 | |
CN101727239A (zh) | 用于检测触摸点的方法和装置以及显示设备 | |
Zhou et al. | Deep learning-based crack segmentation for civil infrastructure: Data types, architectures, and benchmarked performance | |
JP2006098152A (ja) | 欠陥検出装置および欠陥検出方法 | |
JP2016181098A (ja) | 領域検出装置および領域検出方法 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
JP3756507B1 (ja) | 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体 | |
Geetha et al. | Fast identification of concrete cracks using 1D deep learning and explainable artificial intelligence-based analysis | |
Wu et al. | An end-to-end learning method for industrial defect detection | |
Zheng et al. | Image processing and edge detection techniques to quantify shock wave dynamics experiments | |
CN104680185A (zh) | 基于边界点重分类的高光谱图像分类方法 | |
Choi et al. | Deep learning based defect inspection using the intersection over minimum between search and abnormal regions | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN1839306A (zh) | 使用微检查输入的微缺陷检测 | |
Dlamini et al. | Developing a surface mount technology defect detection system for mounted devices on printed circuit boards using a MobileNetV2 with Feature Pyramid Network | |
Anitha et al. | SMT component inspection in PCBA’s using image processing techniques | |
CN113016023B (zh) | 信息处理方法以及计算机可读的非暂时性记录介质 | |
CN117252861A (zh) | 一种晶圆表面缺陷的检测方法、装置及系统 | |
Luo et al. | Adaptive canny and semantic segmentation networks based on feature fusion for road crack detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |