CN103258206A - 一种硅太阳能电池表面缺陷检测和识别方法 - Google Patents

Abstract

本发明公开了一种硅太阳能电池表面缺陷检测和识别方法，具体包括步骤为：（1）获取独立变量分析（ICA）重构分离矩阵和独立分量；（2）获取待检太阳能组件图像重构图像；（3）检测重构图像是否存在缺陷，定位并分割缺陷太阳能片；（4）获取待检太阳能电池片表面图像多元小波纹理特征并检测统计单元内是否含有缺陷；（5）提取待分类缺陷太阳能电池片图像独立分量基元（ICA）纹理特征；（6）训练支持向量机模型；（7）分类识别待分类缺陷太阳能电池片图像组合纹理特征。本发明操作简单，能够有效检测出微弱缺陷，提高缺陷检出率；利用ICA稀疏纹理特征描述太阳能电池片表面纹理的粗糙度和方向性，使分类器具有更强的鲁棒性和更高的识别精度。

Description

一种硅太阳能电池表面缺陷检测和识别方法

技术领域

本发明属于工业视觉检测和图像处理技术领域，具体地说涉及一种基于独立分量分析和纹理特征的硅太阳能电池表面缺陷的检测和识别方法。 

背景技术

在当今世界，随着能源的紧缺和环境危机，太阳能作为一种可再生的清洁能源，成为近年来发展最快，最具活力的研究领域。在不远的将来，太阳能光伏发电将在世界能源消费占据重要的位置，它不仅会替代部分常规能源，而且将成为世界能源供应的主体。预计到2030年，可再生能源在总能源结构中的比例将达到30％以上，而太阳能光伏发电在世界总电力供应中的占有率也将达到10％以上；到2040年，可再生能源在总能源结构中的比例将达到50％以上，太阳能光伏发电将占总电力的20％以上；到21世纪末，可再生能源的比例将超过80％，而太阳能发电将占其中的60％以上。一系列的数字可以看出太阳能光伏产业具有广阔的市场发展前景，在能源领域具有重要的战略地位。 

在光伏电池及组件的生产过程中，生产工艺的某个环节出现偏差都有可能导致生产的光伏电池效率及成品率降低，在生产过程中实现有效检测，根据检测结果合理调整生产工艺、提高光伏电池效率及成品率对于光伏企业有重要意义。针对太阳能电池检测已有一些研究， 但是大多数集中于电池成像和电性能测试方面，几乎没有针对太阳能电池片和太阳能电池组件表面质量检测的研究。光伏电池组件封装过程中可能会在太阳能电池组件中产生肉眼看不见的隐裂、断栅、碎片、虚焊等缺陷，这些缺陷在一定程度上影响了光伏电池组件的转换效率、输出性能、使用寿命和光伏系统的可靠性。太阳能组件表面的缺陷检测仍然依赖人工进行，不仅需要大量的人力物力资源，并且检测效率受到限制。随着太阳能生产过程的发展及其自动化程度的加深，采用自动检测系统将成为制造商提高工艺流程效率，改善设备性能和控制生产成本的一种重要途径。 

目前基于可见光图像的材料表面缺陷检测的研究已经较为成熟。但是基于红外图像的太阳能电池缺陷检测因其固有的特性而难以解决，图像特性与可见光图像不同，传统的检测方法不再适用，同时，太阳能电池生产环境复杂，导致难以有效分割背景区域和目标区域；太阳能电池组件图像展现规则的结构特性，较难从组件中分割出缺陷区域，太阳能电池片缺陷种类繁多，特别是一些隐形缺陷，传统方法难以检测。由上所述，解决太阳能电池缺陷、特别是隐形缺陷的检测与分析问题具有较高的理论研究和应用价值。 

发明内容

为了克服现有太阳能电池表面缺陷检测效率低、识别自动化水平低等问题，本发明提供一种能够提高缺陷的检测效率和识别效果的硅太阳能电池表面缺陷检测和识别方法 

为了解决上述问题，本发明所采取的技术方案是： 

一种硅太阳能电池表面缺陷检测和识别方法，其特征在于：包括以下步骤： 

（1）对一帧待检测太阳能组件图像进行预处理，然后通过训练得到的ICA分离矩阵重构待检图像，重构图像凸显缺陷信息滤除组件图像规律性纹理； 

（2）对（1）所述重构待检图像进行阈值二值化，根据其结果判别待检组件中是否含有缺陷，并定位缺陷、分割缺陷太阳能电池片，若无缺陷，则转入下一帧待检组件图像进行检测； 

（3）对（2）中分割得到的待检太阳能电池片图像XT在小波域下计算Hotelling T2多元统计量； 

（4）对（3）中计算得到的待检太阳能电池片多元统计值进行是否存在表面缺陷的置信度判别，，若无缺陷，则删除待检图像，若有缺陷则转入下一步进行缺陷的分类和识别； 

（5）对（4）检测出的待分类太阳能电池片缺陷图像提取图像的ICA基元纹理特征； 

（6）根据（5）所得待分类太阳能电池片缺陷图像纹理特征经已训练支持向量机模型进行分类识别。 

本发明的有益效果是：本发明提出一种基于独立变量分析和纹理特征的太阳能电池表面缺陷检测和识别方法，包括太阳能电池组件表面缺陷检测，太阳能电池片表面缺陷检测和识别分类。本发明的有益效果是：由于利用ICA重构检测破坏太阳能电池组件表面规则纹理结构的区域，不需要提取任何纹理特征即可实现缺陷的检测，与传统的基于 特征的表面缺陷检测方法相比，操作简单，大大提高检测效率；使用小波域下的Hotelling T2多元统计分析检测太阳能电池片表面缺陷，由于充分考虑太阳能电池片表面的主要缺陷（隐裂）缺乏明显的形状和结构信息、有效能量区域较小和图像渐变等因素对缺陷检测精度影响，与传统的阈值检测方法相比，具有更高的鲁棒性和可靠性，能够取得较低的误检率；由于ICA通过少量基函数实现图像的方向特征和局部特征的稀疏表示，且ICA基函数可表示比小波变换更多的方向特征，实验结果表明，采用ICA纹理特征进行太阳能电池片表面缺陷的分类和识别可以获得比传统方法更好的的分类效果。 

附图说明

附图1是硅太阳能电池表面缺陷检测和识别方法的流程图。 

具体实施方式

下面结合附图对本发明作进一步的描述。 

在实施本发明发之前，需要训练用于太阳能电池组件图像缺陷检测的重构矩阵和用于太阳能电池片缺陷分类的ICA基函数。 

一、用于太阳能电池组件图像的重构和缺陷检测，其具体步骤包括： 

（1）、参考图像预处理 

选择一幅无缺陷的太阳能电池组件图像对其进行去均值和白化预处理，对去均值后的图像进行线性变换，使原样本数据投射到新的子空间后变成白化向量，变化公式为：Z＝VX，其中，X是原始图像，Z是预处理后图像，线性变换矩阵C＝E(X X^T)是去均值后输入向量的协方差矩阵。白化后各向量互不相关且协方差矩阵为 单位阵E(z z^T)＝I，从而使问题更符合约束条件，简化问题，大大减少ICA计算量。 

（2）、粒子群搜索最佳分离矩阵和IC向量 

采用粒子群（PSO）选择参考图像ICA最佳分离矩阵的具体过程是：设定粒子数和迭代次数，随机生成粒子i的初始位置W_i和速度V_i。计算粒子i的最佳位置和所有粒子的最佳位置B_i和B^g。B_i＝(b_i1,b_i2,…,b_ik)＝W_i，其中W_i＝(w_i1,w_i2,…,w_ik)为输入参考图像的分离矩阵。

其中G(y)＝(1/α₁)·logcosh(α₁y)，X＝[X₁,X₂,…,X_h]，h为用于训练的子图像个数。X_i＝[(x_ik,x_ik,…,x_ik)]^T为预处理后的参考图像X的第i列，也是用于训练的子图像的 全部像素值矩阵。若训练子图像尺寸为m×n，则k＝m×n，i＝1,2,…,h。然后，使用公式 

$w_{\mathrm{ij}}^{\mathrm{new}}=w_{\mathrm{ij}}^{\mathrm{old}}+v_{\mathrm{ij}}^{\mathrm{new}}$

更新每一个粒子的位置和速度，并对已求的的分离矩阵进行正交化处理。之后，评估新的适应度值，更新局部和全局最佳位置。计算第i个粒子的局部适应度值

如果那么 

否则，保留当前值，更新全局最佳位置

同时，将这个全局最佳位置B^g做为最佳分离矩阵，求解独立分量Ic＝B^g·X＝[Ic₁,Ic₂,…,Ic_h]，重复进行分离矩阵和独立分量的计算过程，直到满足最大迭代次数和限制条件。PSO搜索过程中为了让还原信号与原始信号的偏差最小，对ICA模型进行约束， 此处约束条件为 $\underset{j}{\max }\left\{y_j\right\}<{\mathrm{\&mu;}}_y+K{\mathrm{\&sigma;}}_y,$ $\underset{j}{\min }\left\{y_j\right\}<{\mathrm{\&mu;}}_y+K{\mathrm{\&sigma;}}_y,$ K取值为3。其中 ${\mathrm{\&mu;}}_y=\frac{1}{h}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{y}_j,$ ${\mathrm{\&sigma;}}_y={\left\{\frac{1}{h-1}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{(y_j-{\mathrm{\&mu;}}_y)}^2\right\}}^{1/2}.$

最终得到的全局最佳位置B^g即为求解的最佳分离矩阵W^*，独立分量IC＝B^g·X。 

（3）、差值重构IC分量和分离矩阵 

对PSO搜索得到的IC分量计算峰值和谷值的差值d_i＝max(IC_i)-min(IC_i)， 

按照差值d_i作降序排序，并重新组织IC分量，得到新的IC分量IC′_i,i＝1,2,…,M；对原IC的前m个IC分量进行替换，则重构的分离矩阵为 

${w^{\&prime;}}_i^{*}=\left\{\begin{array}{cc}{w}_M& i=\mathrm{1,2},...,m\\ w_i^{\&prime;}& i=m+1,m+2,..,M\end{array}\right.$

通过对无缺陷样图像进行ICA变换，计算分离矩阵W和IC分量，并对IC分量的差值进行排序，前40个变化最大的IC分量如表1所示，IC_i为原始IC分量，IC′_i为排序后的IC分量。从表中可以看出IC₅的变化最大，相反，IC₃₇的变化最小。前40个IC分量的变化值较大，因此选用40个IC分量被替代，对应的前40个分离矩阵行向量也被替代。对IC分量重新组织后，IC′₁₂₈的变化值最小，则对应的分离矩阵行向量w′₁₂₈被用来代替

i＝1,2,…,40。 

表1IC分量的差值排序 

二、用于太阳能电池片的缺陷分类特征提取的ICA基函数构造过程为： 

首先选取一组太阳能电池表面缺陷图像，作为样本集，该样本集应尽可能地涵盖所有的缺陷类型。将每一幅样本图像（尺寸为m×n）的灰度值从二维矩阵转换为一维行向量。即： 

若图像中共包含k个样本，则用于ICA变换的样本为： 

将训练样本X作为PSO-ICA方法的输入，可以得到最佳的分离矩阵W，分离矩阵的每一行都是一个基函数。一组太阳能电池缺陷图像实例使用PSO-ICA变换得到的一组基函数包一共含144个特征基函数， 这组基函数是一组具有局部特征、方向特征、带宽特征等特征的滤波器。可见，基于高阶统计的ICA方法可以提取图像的方向特征和局部特征。 

如图1所示，本发明所述缺陷检测和识别方法的实现包括以下过程： 

第一步：太阳能电池组件缺陷检测 

对一帧待检测太阳能组件图像进行去均值和白化预处理后，采用上述训练过程得到的分离矩阵通过矩阵运算重构待检图像，重构图像凸显缺陷信息滤除组件图像规律性纹理。然后按照公式对重构图像进行阈值二值化。 

其中y_ij是重构图像Y在坐标(i,j)处的灰度值，μ_i和σ_i是第i行图像灰度值的均值和标准差，t为3-sigma标准常数，t＝3。 

缺陷区域设为白，无缺陷区域设为黑，根据二值化结果判别待检组件中是否含有缺陷，并定位缺陷、分割缺陷太阳能电池片，若无缺陷，则转入下一帧待检组件图像进行检测。 

太阳能电池组件缺陷样本实例进行ICA重构和二值化，能够有效检测出缺陷的位置。但是该方法仅能检测出缺陷的位置，不能检测出缺陷的形状和尺寸。 

第二步：太阳能电池片缺陷检测 

一帧太阳能电池组件图像是由一组太阳能电池片排列而成，有缺陷的区域只占少数几片或一片太阳能电池片，经过第一步的检测和分割后有疑似缺陷的太阳能电池片被分离出来，为了提高太阳能电池片不同 程度隐裂缺陷的检出率，还需对分割的包含疑似缺陷太阳能电池片通过多元小波纹理特征进行缺陷检测。 

对待检太阳能电池片图像X_T在小波域下计算Hotelling T2多元统计量。首先将一幅256×256的待检太阳能电池片图像X_T划分成4×4统计单元M(x,y)，然后将每个统计单元划分成2×2的小波单元W(x₁，y₁)，W(x₁,y₂)，W(x₂，y₁)，W(x₂,y₂)，在每个小波单元内进行一维Haar小波变换，过程如下： 

行变换： 

$\left\{\begin{array}{c}{f}_R(i,j)=\left[\frac{f(i,2j)+f(i,2j+1)}{2}\right]\\ f_R(i,j+[\frac{T}{2}\left]\right)=\left[\frac{f(i,2j)+f(i,2j+1)}{2}\right]\end{array}\right.$

其中，0≤i≤(S-1),

[]为高斯符号. 

列变换： 

$\left\{\begin{array}{c}{f}_c(i,j)=\left[\frac{f_R(2i,j)+f_R(2i+1,j)}{2}\right]\\ f_c(i+[\frac{S}{2}],j)=\left[\frac{f_R(2i,j)-f_R(2i+1,j)}{2}\right]\end{array}\right.$

其中，

0≤j≤T-1，[]为高斯符号. 

f(i,j)代表一副数字图像，f_c(i,j)是f(i,j)的行变换，f_R(i,j)是f_c(i,j)的列变换。 

经上述变换得到4个小波系数： 

$\left\{\begin{array}{c}{A}_1(i,j)=f_c(i,j)\\ D_1(i,j)=f_c(i,j+[\frac{T}{2}\left]\right)\\ D_2(i,j)=f_c(i+[\frac{S}{2}],j)\\ D_3(i,j)=f_c(i+[\frac{S}{2}],j+[\frac{T}{2}\left]\right)\end{array}\right.$

$0\&le;i\&le;\left[\frac{S}{2}\right]-1,$ $0\&le;j\&le;\left[\frac{T}{2}\right]-1.$

其中，A₁(i,j)表示原图像的最佳逼近，D₁(i,j)、D₂(i,j)、D₃(i,j)反应了图像水平方向、垂直方向与对角线方向的边缘、轮廓和纹理。 

于是，一个统计单元M(x,y)的多小波变量表示记为 

$X=\left[\begin{array}{c}A(x_i,y_j)\\ D_1(x_i,y_j)\\ D_2(x_i,y_j)\\ D_3(x_i,y_j)\end{array}\right]$

一个统计单元M(x,y)的多小波变量均值

记为 

$\stackrel{\&OverBar;}{X}=\left(\begin{array}{c}\stackrel{\&OverBar;}{A}(x,y)\\ \stackrel{\&OverBar;}{D_1}(x,y)\\ \stackrel{\&OverBar;}{D_2}(x,y)\\ \stackrel{\&OverBar;}{D_3}(x,y)\end{array}\right]=\left[\begin{array}{c}\frac{1}{a\&times;b}\underset{i=1}{\overset{a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{b}{\mathrm{\&Sigma;}}}A(x_i,y_j)\\ \frac{1}{a\&times;b}\underset{i=1}{\overset{a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{b}{\mathrm{\&Sigma;}}}{D}_1(x_i,y_j)\\ \frac{1}{a\&times;b}\underset{i=1}{\overset{a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{b}{\mathrm{\&Sigma;}}}{D}_2(x_i,y_j)\\ \frac{1}{a\&times;b}\underset{i=1}{\overset{a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{b}{\mathrm{\&Sigma;}}}{D}_3(x_i,y_j)\end{array}\right]$

整幅图像的均值记为 

$\stackrel{\&OverBar;}{\stackrel{\&OverBar;}{X}}=\begin{array}{c}\left[\begin{array}{c}\stackrel{\&OverBar;}{\stackrel{\&OverBar;}{A}}\\ {\stackrel{\&OverBar;}{\stackrel{\&OverBar;}{D}}}_2\\ {\stackrel{\&OverBar;}{\stackrel{\&OverBar;}{D}}}_3\\ {\stackrel{\&OverBar;}{\stackrel{\&OverBar;}{D}}}_4\end{array}\right]=\left[\begin{array}{c}\frac{1}{g\&times;h}\underset{i=1}{\overset{g}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{A}(x,y)\\ \frac{1}{g\&times;h}\underset{i=1}{\overset{g}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{D}}_1(x,y)\\ \frac{1}{g\&times;h}\underset{i=1}{\overset{g}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{D}}_2(x,y)\\ \frac{1}{g\&times;h}\underset{i=1}{\overset{g}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{D}}_3(x,y)\end{array}\right]\end{array}$

整幅图像的协方差矩阵记为 

$C=\left[\begin{array}{cccc}{C}_A^2& C_{A,D_1}& C_{A,D_2}& C_{A,D_3}\\ C_{D_1,A}& C_{D_1}^2& C_{D_1,D_2}& C_{D_1,D_3}\\ C_{D_2,A}& C_{D_2,D_1}& C_{D_2}^2& C_{A,D_1}\\ C_{D_3,A}& C_{D_3,D_1}& C_{D_3,D_2}& C_{D_3}^2\end{array}\right]$

其中，

为统计单元X中第c个特征值的方差，

为第c个小波特征和第d个特征的协方差。 

则有Hotelling T2为 

$T^2=a\&times;b\&times;{[\stackrel{\&OverBar;}{X}-\stackrel{\&OverBar;}{\stackrel{\&OverBar;}{X}}]}^{\&prime;}{C}^{-1}[\stackrel{\&OverBar;}{X}-\stackrel{\&OverBar;}{\stackrel{\&OverBar;}{X}}]$

$\mathrm{UCL}=\frac{p(m-1)(n-1)}{\mathrm{mn}-m-p+1}{F}_{\mathrm{\&theta;},p,(\mathrm{mn}-m-p+1)}$

其中，UCL为Hotelling T2统计量的上限,F_{θ，p,(mn-m-p+1)}是置信度为θ，自由度为p和mn-m-p+1的F分布。其中，m为样本组个数，n为样本组观察值的个数，p为品质特质个数。 

T2的值越大说明该统计单元所代表的子图像与去缺陷图像的距离越大，该图像为缺陷图像的概率也越大，当T2值大于UCL时，认为该区域存在缺陷。 

为了说明本发明使用的小波Hotelling T2统计法的有效性，分别采用主观评价和客观评价进行检测性能分析。 

主观评价 

分别采用本发明方法与X2距离法进行缺陷检测，为了得到最佳的统计法参数设置，选用20幅缺陷图像进行参数选取，对于T2统计法，改变置信度的值，统计检测结果；对于小波X2方法，改变标准差的系数，统计检测结果。由统计结果可知，当置信度取值为0.03时，小波T2方法可达最高检测率97.6%，标准差系数为1.85时，小 波X2的识别率最高可达93.5%。在最佳参数设置时，T2统计法的理论检测精度高于小波X2距离法。在最佳参数设置下，峰值处即为缺陷位置，Hotelling T2方法能更形象的反映缺陷形状，凸显缺陷区域和非缺陷区域。而X2方法对缺陷区域和非缺陷区域的区分度较弱，图中存在将非缺陷区域判别为缺陷区域的情况。 

客观评价 

为进一步定量分析本发明所述Hotelling T2统计法的缺陷检测方法性能，分别采用T2统计法、X2统计法和阈值分割方法对20幅无缺陷图像和80幅有缺陷图像进行对比检测实验，不同方法的检测率和误检率如表所示。 

表2三种缺陷检测方法比较 

分析表2可以看出，T2统计法能取得100%的检测率和0%的误检率，即达到最佳的检测性能，X2统计法次之，阈值分割方法检测效果最差。在生产线产品质量控制过程中，为了保证产品质量，保证缺陷产品的100%的检测率和最低的误检率是很重要的。 

太阳能电池片表面存在大量的隐裂缺陷，这种缺陷的表面亮度变化极小，给传统检测方法造成困难，另外，由于太阳能电池片表面图 像的脏污等影响表面图像的亮度值，从而导致了对于不包含缺陷的表面图像产生较高的误检率。不同于传统的阈值检测方法，基于小波多元统计分析的检测方法考虑到图像亮度渐变特性，具有更高的鲁棒性和可靠性，能够取得较低的误检率。 

第三步：太阳能电池片缺陷识别 

（一）特征提取 

将上述过程检测到的太阳能电池片缺陷图像f(x,y)与训练得到的ICA基函数（滤波器）

进行卷积，得到 

$F_n(x,y)=f(x,y)*W_n^{*}(x-x_1,y-y_1)\mathrm{dxdy}$

其中，n为基函数的个数。 

卷积后的图像提取均值μ_n和方差σ_n作为图像的纹理特征： 

μ_n＝∫∫|F_n(x，y)|dxdy 

σ_n＝∫∫(|W_n(x，y)|-μ_n)²dxdy 

（二）支持向量机模型训练 

鉴于支持向量机在解决小样本、非线性及高维模式识别问题中有特有的优势，本发明采用支持向量机对缺陷图像进行特征分类。在支持向量机中，必须先选择核函数，然后经样本训练确定最佳核参数。本发明采用径向基核函数 

$K(x,x_i)=\exp \{-\frac{{|x-x_i|}^2}{{\mathrm{\&sigma;}}^2}\}=\mathrm{\&Phi;}\left(x_i\right)\mathrm{\&Phi;}\left(x_j\right)$

其模型参数为核参数γ以及惩罚因子C。 

然后，选择128×128的缺陷图像600幅以及无缺陷图像200幅，其 中7/8用于训练，1/8用于测试。并使用“一对一”多类分类方法，基于交叉验证的网格搜索得到参数C和γ的最佳组合。实验中，设置支持向量机的参数变化范围为C~{2^-5~2¹⁵}，γ~{2³~2^-15}，参数C的指数以2为步进依次递增，参数γ的指数以2为步进依次递减，将(C,γ)绑定成对计算交叉验证精度，然后选取交叉验证精度最高的一组参数进行训练和测试。为验证分类器性能分别使用三种特征向量进行分类测试：度共生矩阵包括能量、熵、惯性矩、相关度以及标准差；频谱特征包括S(θ)曲线的最大值、最小值、均值、标准差和最大值与均值的差值；基于ICA基元的纹理特征包括均值和方差。交叉验证网络搜索得到灰度共生矩阵、频谱度量特征和ICA特征的最佳参数组合。最后，根据灰度共生矩阵、频谱度量特征和ICA特征三种特征搜索得到的最佳参数组合，建立SVM模型，模型参数如表3所示。SVM分类器的性能主要由支持向量的个数和训练识别率决定，从表3可以看出，虽然ICA特征需要的支持向量个数最多，但是训练识别率也最高。 

表3使用不同特征的SVM分类器模型参数 

（三）支持向量机分类 

对待识别太阳能电池片缺陷图像进行支持向量机分类的过程为： 

（a）对于给定的待识别缺陷样本，提取其缺陷特征向量； 

（b）将待识别样本的特征向量M代入线性分类支持向量机的模型函 数，如果f(M)＞τ，则可确定待识别样本的种类，τ为训练所获得的分类阈值。若f(M)＜τ则转步骤(c)； 

（c）将待识别样本的特征向量M代入非线性分类支持向量机的模型函数，将f_max(M)归到相应的缺陷类中。 

为了测试缺陷识别效果，将100个太阳能电池片缺陷类型的测试赝本输入分类器，分别采用灰度共生矩阵、频谱度量特征、ICA特征以及三种特征的组合分别进行分类实验。由ROC曲线可见灰度共生矩阵、频谱度量特征、ICA特征以及组合特征的AUC值分别为0.8647、0.8832、0.9560和0.9664。也就是说使用组合特征时可以取得最佳的分类效果，ICA特征分类效果次之，灰度共生矩阵的分类结果与频谱度量不相上下。但是，组合特征和ICA特征的分类效果相差无几，使用组合特征进行训练和测试时使用时间远远大于ICA特征，因此，在偏重考虑实时性的情况下，本发明仅使用ICA纹理特征进行分类。使用ICA纹理特征作为SVM的输入，100幅测试样本的分类精度总识别率达到96%。 

表4分类实验结果 

上述的本发明的太阳能电池缺陷检测和识别方法的技术创新，对于现今同行业的技术人员来说均具有许多可取之处，而确实具有技术进步性。 

本发明具有以下特点：通过独立分量重构待检太阳能组件图像，无需提取纹理特征就可以确定组件中是否包含缺陷，操作简单；采用多元小波纹理特征进行太阳能片缺陷检测与人眼对局部不规则纹理的感知过程相似，能够有效检测出微弱缺陷，提高缺陷检出率；利用ICA稀疏纹理特征描述太阳能电池片表面纹理的粗糙度和方向性，使分类器具有更强的鲁棒性和更高的识别精度。 

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。 

Claims (6)

1.一种硅太阳能电池表面缺陷检测和识别方法，其特征在于：包括以下步骤：

（1）、对一帧待检测太阳能组件图像进行预处理，然后通过训练得到的ICA分离矩阵重构待检图像，重构图像凸显缺陷信息滤除组件图像规律性纹理；

（2）、对（1）所述重构待检图像进行阈值二值化，根据其结果判别待检组件中是否含有缺陷，并定位缺陷、分割缺陷太阳能电池片，若无缺陷，则转入下一帧待检组件图像进行检测；

（3）、对（2）中分割得到的待检太阳能电池片图像X_T在小波域下计算Hotelling T2多元统计量；

（4）、对（3）中计算得到的待检太阳能电池片多元统计值进行是否存在表面缺陷的置信度判别，若无缺陷，则删除待检图像，若有缺陷则转入下一步进行缺陷的分类和识别；

（5）、对（4）检测出的待分类太阳能电池片缺陷图像提取图像的ICA基元纹理特征，；

（6）、根据（5）所得待分类太阳能电池片缺陷图像纹理特征经已训练支持向量机模型进行分类识别。

2.根据权利要求1所述的一种硅太阳能电池表面缺陷检测和识别方法，其特征在于：步骤（1）训练ICA重构分离矩阵具体包括如下步骤：首先选择一幅无缺陷太阳能组件参考图像进行均值和白化预处理后，做为粒子群搜索的输入向量指导粒子群中粒子的局部和全局最佳位置更新，经一定次数的迭代搜索得到的全局最佳位置矩阵正交化之后即得输入参考图像的最佳分离矩阵，对输入图像进行ICA分解得到IC分量，参考图像IC分量经峰谷差值降序重排得到重构IC分量和分离矩阵。

3.根据权利要求2所述的一种硅太阳能电池表面缺陷检测和识别方法，其特征在于：在使用粒子群优化方法搜索分离矩阵的过程中，为了让还原信号与原始信号的偏差最小，对ICA模型进行约束，此处约束条件为 $\underset{j}{\max }\left\{y_j\right\}<{\mathrm{\&mu;}}_y+K{\mathrm{\&sigma;}}_y,$ $\underset{j}{\min }\left\{y_j\right\}<{\mathrm{\&mu;}}_y+K{\mathrm{\&sigma;}}_y,$ K取值为3，其中y_i为分离信号， ${\mathrm{\&mu;}}_y=\frac{1}{h}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{y}_j,$ ${\mathrm{\&sigma;}}_y={\left\{\frac{1}{h-1}\underset{j=1}{\overset{h}{\mathrm{\&Sigma;}}}{(y_j-{\mathrm{\&mu;}}_y)}^2\right\}}^{1/2}.$

4.根据权利要求3所述的一种硅太阳能电池表面缺陷检测和识别方法，其特征在于：步骤（2）中对重构图像进行二值化的公式为：

其中y_ij是重构图像Y在坐标(i,j)处的灰度值，μ_i和σ_i是第i行图像灰度值的均值和标准差，t为3-sigma标准常数，t＝3。

5.根据权利要求4所述的一种硅太阳能电池表面缺陷检测和识别方法，其特征在于：步骤（3）中，按照以下过程获取小波域下待检太阳能电池片的Hotelling T2统计量：将待检的256×256太阳能电池片图像XT先进行4×4统计单元的划分，然后将每个统计单元划分成2×2的小波单元，再对每一个统计单元内的所有小波单元进行一维Haar小波变换，一个小波单元可以得到4个小波系数，4个小波系数为一个逼近系数和三个方向的细节系数，最后，计算一个统计单元内的4×4小波系数矩阵的Hotelling T2统计量。

6.根据权利要求5所述的一种硅太阳能电池表面缺陷检测和识别方法，其特征在于：步骤（5）中，按照以下过程对支持向量机模型进行训练：选择一组包含各类缺陷和无缺陷的样本图像，提取要求1所述组合纹理特征构成训练样本库，选用径向基核（RBF）函数，采用一对一的多类分类方法，经交叉验证得到RBF的核参数γ惩罚因子C最佳组合。

Images