CN104112269A - 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 - Google Patents

Abstract

本发明涉及了一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统，该方法基于机器视觉技术对太阳能电池板激光刻线图像进行视觉分析，提取激光刻线的边缘，实现对刻线宽度和相邻刻线间隔的高精度测量。实验表明，该方法稳定可靠，测量精度和重复精度指标都能满足工业应用要求。本发明还公开了用于实现所述方法的系统。

Description

一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统

技术领域

本发明涉及太阳能电池激光刻线参数检测领域。 

背景技术

随着计算机技术的普及，传统工业领域正发生着巨大的变化。这些变化对工业计量与工业检测提出了更高的要求。原有的依靠人工的计量和检测技术因工作量大、易受到检测人员主观因素的影响而越来越难于适应工业领域的现代化发展。如何改变传统检测与计量方式以满足现实的复杂需要已是当前计算机、工业测控领域内非常重要和实用的研究内容。在这样的背景下，以工业图像处理技术、计算机视觉和自动识别技术为基础的新型工业计量与检验技术因高效、实用、准确而脱颖而出。随着高清晰度CCD、数字图像和模式识别技术的快速发展，自动完成测量和判别工作也成为可能。尤其是近二十年来，随着激光技术、精密计量光栅制造技术、计算机技术以及图像处理技术的发展，将它们应用到精确测量领域，形成了一种新的精密测量技术——计算机视觉检测，极大的满足了现代工业制造业的发展在速度和精度上对精密复杂工件几何参数的精密测量的要求。 

发明内容

为了解决上述问题，本发明提供一种基于机器视觉的太阳能电池激光刻线参数检测系统，包括： 

图像采集子系统、 

太阳能电池板图像预处理模块、 

边缘检测模块、 

激光刻线边缘直线检测模块、 

刻线宽度和刻线间隔测量模块五部分组成。 

优选的是：所述图像采集子系统采用包括CCD相机、光学镜头、光源。 

在上述任一方案中优选的是，所述CCD相机包括单色CCD数字摄像机，分辨率达到1280×1024；所述CCD相机可直接将光学信号转换为数字电信号， 实现图像的获取、存储、传输、处理及复现。 

在上述任一方案中优选的是，所述光学镜头将被测工件及周围背景反射光线折射后成像在CCD上。 

在上述任一方案中优选的是，进行图像采集需要对所述相机进行标定；由于相机相对于工件平台位置不变，相机的标定值即为采集图像单位像素在工件中的实际距离。计算公式为公式(1) 

scale＝dis/|cp1-cp2|   (1) 

其中dis为标尺的实际距离距离(mm)；cp1为其中一个标尺刻度线坐标点；cp2为另一点标尺刻度线坐标点，scale为该相机的实际标定值(mm/pixl)。 

在上述任一方案中优选的是，所述太阳能电池板图像预处理模块通过以下步骤对图像进行预处理： 

第一步采用3x3的模板对图像做中值滤波进行图像平滑； 

第二步采用直方图归一化方法对图像做初步的增强处理； 

第三步采用基于人工神经网络的图像锐化处理。 

在上述任一方案中优选的是，所述基于人工神经网络的图像锐化处理采用微分法对图像做锐化处理；所述图像处理中的微分方法包括梯度；对于图像g(x,y)，它的每一个像素的梯度是一个二维向量，采用Sobel算子来计算图像梯度。 

在上述任一方案中优选的是，所述基于人工神经网络的图像锐化处理可以由公式(2)表示 

R(x,y)＝f(P(x,y),G(x,y))   (2) 

其中f(x，y)为一个非线性回归函数。 

在上述任一方案中优选的是，所述基于人工神经网络的图像锐化处理使用了说明书中公式(3)所定义的扩展特征 

$\left[\begin{array}{c}P(x,y)\\ G(x,y)\end{array}\right]\→\left[\begin{array}{c}P(x,y)\\ G[x,y]\\ P{(x,y)}^2\\ G{(x,y)}^2\\ P(x,y)G(x,y)\\ P{(x,y)}^3\\ G{(x,y)}^3\\ P{(x,y)}^{2}G(x,y)\\ P(x,y)G{(x,y)}^2\\ 1\end{array}\right]---\left(3\right)$

，把扩展后的特征向量作为人工神经网络的输入向量，并根据标注的训练数据，利用反向传播算法训练神经网络各层神经元的连接权值，利用训练得到的人工神经网络即可对图像进行锐化处理。 

在上述任一方案中优选的是，所述基于人工神经网络的图像锐化处理使用了公式(4)所定义的后处理方法 

$\left\{\begin{array}{cc}{P}^{\&prime;}(x,y)=0,& \mathrm{if\; N}(x,y)<-1\\ P^{\&prime;}(x,y)=255,& \mathrm{if\; N}(x,y)>1\\ P^{\&prime;}(x,y)=255*(N(x,y)+1)/2& \mathrm{else}\end{array}\right.---\left(4\right)$

其中N(x,y)为人工神经网络输出值，P′(x,y)为处理后的像素灰度值。 

在上述任一方案中优选的是，所述边缘检测模块对传统的Canny边缘检测方法进行了如下改进： 

第一是用Sobel算子来计算图像的梯度，代替了经典Canny边缘检测算法中的高斯滤波和一阶差分梯度算子； 

第二是在确定边缘检测的全局阈值时，用基于图像金字塔的OSTU全局阈值计算方法来代替传统的OSTU方法； 

第三是用局部自适应双阈值边缘连接来代替全局双阈值边缘连接方法。 

在上述任一方案中优选的是，所述激光刻线边缘直线检测模块利用局部直线拟合与边缘像素点合并的方法来实现边缘直线的检测。 

在上述任一方案中优选的是，所述激光刻线边缘直线检测模块基于激光刻线的先验知识，利用动态规划的方法，实现固定数目平行等间隔直线的搜索决策。 

在上述任一方案中优选的是，所述搜索决策的方法包括 

1)计算边缘像素点的梯度直方图，搜索其梯度主方向，通过梯度主方向，将边缘图像旋转到主方向与X轴垂直。 

2)根据图像的旋转角度，调整边缘拟合直线的参数。 

3)用旋转后的边缘图像对X轴投影，计算投影直方图，通过计算投影直方图的自相关系数并搜索其最大值对应的像素间隔，得到垂直平行线的间隔T。 

4)计算边缘拟合直线对应的像素点与Y轴的平均距离，并按距离由小到大对边缘拟合直线进行排序。 

5)计算边缘拟合直线与给定的两条与X轴平行并相隔一定距离的两条直线的交点，并计算这两个交点到Y轴的距离，记为D1(i)和D2(i)，其中i表示第i条边缘拟合直线。 

6)假定已检测到的边缘直线为M个，当前待检测的平行直线为N条，如果边缘检测结果正常的情况下，有M>＝N。设定动态规划的状态为M个，待匹配特征就是N条待检测平行直线。 

7)匹配搜索的规则是，在一条搜索路径中，状态只能向前，不能存在向后或者平行的路径；搜索路径可以跨状态跳转。 

8)动态规划的起始状态可以是任何一个状态，但如果搜索路径在第N个匹配特征之前就已经到达最后一个状态，则该搜索路径非法，并将之从搜索路径中删除。 

9)当搜索到达第N个匹配特征时，根据搜索规则，搜索路径必然在不小于N的M-N+1个状态中结束。从第N到第M个状态中搜索匹配距离最小的一条搜索路径，通过回溯得到N个状态序列，这N个状态序列对应就是最优的N条边缘拟合直线。 

10)匹配距离定义为搜索路径中相邻直线的平均间隔误差与平均长度误差之和，其中间隔误差定义为(||D1(i)-D1(j)|-T|+||D2(i)-D2(j)|-T|)/2，长度误差则是两条边缘拟合直线所属的边缘像素点个数之差的绝对值。 

11)假定激光刻线为N条，则刻线的边缘直线为2N条，根据搜索得到的N条边缘直线，再利用平行和等长特性，可以很容易的找到另外N条边缘直线。 

在上述任一方案中优选的是，所述刻线宽度和刻线间隔测量模块利用边缘检测结果，在不同的位置测量刻线的宽度和刻线间隔，并及时发现激光刻线出现的问题。 

本发明还提供一种基于机器视觉的太阳能电池激光刻线参数检测方法，用于 实现上述系统，包括步骤： 

第一步是图像采集， 

第二步是对相机进行标定， 

第三步是对采集的太阳能电池板图像进行预处理， 

第四步进行边缘检测， 

第五步进行直线检测， 

第六步根据直线检测结果得到刻线边缘，进行刻线宽度和刻线间隔的测量。 

优选的是，所述图像采集需要CCD相机、光学镜头、光源。 

在上述任一方案中优选的是，所述CCD相机包括单色CCD数字摄像机，分辨率达到1280×1024；所述CCD相机可直接将光学信号转换为数字电信号，实现图像的获取、存储、传输、处理及复现。 

在上述任一方案中优选的是，所述光学镜头将被测工件及周围背景反射光线折射后成像在CCD上。 

在上述任一方案中优选的是，所述对采集的太阳能电池板图像进行预处理包括以下步骤： 

第一步采用3x3的模板对图像做中值滤波进行图像平滑； 

第二步采用直方图归一化方法对图像做初步的增强处理； 

第三步采用基于人工神经网络的图像锐化处理。 

在上述任一方案中优选的是，进行图像采集需要对所述相机进行标定；由于相机相对于工件平台位置不变，相机的标定值即为采集图像单位像素在工件中的实际距离。计算公式为公式(1) 

scale＝dis/|cp1-cp2|   (1) 

其中dis为标尺的实际距离距离(mm)；cp1为其中一个标尺刻度线坐标点；cp2为另一点标尺刻度线坐标点，scale为该相机的实际标定值(mm/pixl)。 

在上述任一方案中优选的是，所述基于人工神经网络的图像锐化处理采用微分法对图像做锐化处理；所述图像处理中的微分方法包括梯度；对于图像g(x,y)，它的每一个像素的梯度是一个二维向量，采用Sobel算子来计算图像梯度。 

在上述任一方案中优选的是，所述基于人工神经网络的图像锐化处理可以由 公式(2)表示 

R(x,y)＝f(P(x,y),G(x,y))   (2) 

其中f(x，y)为一个非线性回归函数。 

在上述任一方案中优选的是，所述基于人工神经网络的图像锐化处理使用了说明书中公式(3)所定义的扩展特征 

$\left[\begin{array}{c}P(x,y)\\ G(x,y)\end{array}\right]\&RightArrow;\left[\begin{array}{c}P(x,y)\\ G[x,y]\\ P{(x,y)}^2\\ G{(x,y)}^2\\ P(x,y)G(x,y)\\ P{(x,y)}^3\\ G{(x,y)}^3\\ P{(x,y)}^{2}G(x,y)\\ P(x,y)G{(x,y)}^2\\ 1\end{array}\right]---\left(3\right)$

，把扩展后的特征向量作为人工神经网络的输入向量，并根据标注的训练数据，利用反向传播算法训练神经网络各层神经元的连接权值，利用训练得到的人工神经网络即可对图像进行锐化处理。 

如权利要求24所述的一种基于机器视觉的太阳能电池激光刻线参数检测方法，其特征在于：所述基于人工神经网络的图像锐化处理使用了公式(4)所定义的后处理方法 

$\left\{\begin{array}{cc}{P}^{\&prime;}(x,y)=0,& \mathrm{if\; N}(x,y)<-1\\ P^{\&prime;}(x,y)=255,& \mathrm{if\; N}(x,y)>1\\ P^{\&prime;}(x,y)=255*(N(x,y)+1)/2& \mathrm{else}\end{array}\right.---\left(4\right)$

其中为人工神经网络输出值，为处理后的像素灰度值。 

在上述任一方案中优选的是，所述边缘检测对传统的Canny边缘检测方法进行了如下改进： 

第一是用Sobel算子来计算图像的梯度，代替了经典Canny边缘检测算法中的高斯滤波和一阶差分梯度算子； 

第二是在确定边缘检测的全局阈值时，用基于图像金字塔的OSTU全局阈值计算方法来代替传统的OSTU方法； 

第三是用局部自适应双阈值边缘连接来代替全局双阈值边缘连接方法。 

在上述任一方案中优选的是，所述激光刻线边缘直线检测模块利用局部直线 拟合与边缘像素点合并的方法来实现边缘直线的检测。 

在上述任一方案中优选的是，所述激光刻线边缘直线检测模块基于激光刻线的先验知识，利用动态规划的方法，实现固定数目平行等间隔直线的搜索决策。 

在上述任一方案中优选的是，所述搜索决策的方法包括 

1)计算边缘像素点的梯度直方图，搜索其梯度主方向，通过梯度主方向，将边缘图像旋转到主方向与X轴垂直。 

2)根据图像的旋转角度，调整边缘拟合直线的参数。 

3)用旋转后的边缘图像对X轴投影，计算投影直方图，通过计算投影直方图的自相关系数并搜索其最大值对应的像素间隔，得到垂直平行线的间隔T。 

4)计算边缘拟合直线对应的像素点与Y轴的平均距离，并按距离由小到大对边缘拟合直线进行排序。 

5)计算边缘拟合直线与给定的两条与X轴平行并相隔一定距离的两条直线的交点，并计算这两个交点到Y轴的距离，记为D1(i)和D2(i)，其中i表示第i条边缘拟合直线。 

6)假定已检测到的边缘直线为M个，当前待检测的平行直线为N条，如果边缘检测结果正常的情况下，有M>＝N。设定动态规划的状态为M个，待匹配特征就是N条待检测平行直线。 

7)匹配搜索的规则是，在一条搜索路径中，状态只能向前，不能存在向后或者平行的路径；搜索路径可以跨状态跳转。 

8)动态规划的起始状态可以是任何一个状态，但如果搜索路径在第N个匹配特征之前就已经到达最后一个状态，则该搜索路径非法，并将之从搜索路径中删除。 

9)当搜索到达第N个匹配特征时，根据搜索规则，搜索路径必然在不小于N的M-N+1个状态中结束。从第N到第M个状态中搜索匹配距离最小的一条搜索路径，通过回溯得到N个状态序列，这N个状态序列对应就是最优的N条边缘拟合直线。 

10)匹配距离定义为搜索路径中相邻直线的平均间隔误差与平均长度误差之和，其中间隔误差定义为(||D1(i)-D1(j)|-T|+||D2(i)-D2(j)|-T|)/2，长度误差则是两条边缘拟合直线所属的边缘像素点个数之差的绝对值。 

11)假定激光刻线为N条，则刻线的边缘直线为2N条，根据搜索得到的N条边缘直线，再利用平行和等长特性，可以很容易的找到另外N条边缘直线。 

在上述任一方案中优选的是，所述刻线宽度和刻线间隔测量模块利用边缘检测结果，在不同的位置测量刻线的宽度和刻线间隔，并及时发现激光刻线出现的问题。 

附图说明

图1是根据实施例示出的一种基于机器视觉的太阳能电池激光刻线参数检测方法的流程示意图； 

图2a是根据实施例示出的改进的Canny算法中的原图； 

图2b是根据实施例示出的改进的Canny算法中的Canny边缘检测的效果图； 

图2c是根据实施例示出的改进的Canny算法中的改进Canny边缘检测效果图； 

图3a是根据实施例示出的基于动态规划的固定数目平行等间隔直线的搜索决策方法的存在干扰边缘直线的5条激光刻线的示意图； 

图3b是根据实施例示出的基于动态规划的固定数目平行等间隔直线的搜索决策方法基于动态规划的固定数目平行等间隔直线的搜索决策结果的效果图。 

具体实施方式

本发明的研究是对太阳能电池板激光刻线边缘参数的检测。太阳能电池板在生产过程中，要在太阳能电池板玻璃上刻若干条线，一般多采用激光刻线。由于激光刻线在镀膜后检测，加上玻璃表面的反光以及镀膜表层磨损等物理因素影响，刻线边缘与背景分界相当模糊，加上噪声影响，使得模糊边缘的精确提取成为一个难题。本发明着力开发一款自动检测系统，用于实现工业太阳能电池板激光刻线边缘的在线精确检测。本发明的检测系统测量任务：1.分别测量每条刻线的宽度；2.分别测量相邻两条刻线之间的距离；3.实现精确测量，测量精度要求达到为5um；4.实现高重复精度，重复精度要求达到5um。 

基于机器视觉的太阳能电池激光刻线参数检测系统，主要由图像采集子系统、太阳能电池板图像预处理模块、边缘检测模块、激光刻线边缘直线检测模块、刻线宽度和刻线间隔测量模块五部分组成。 

一种基于机器视觉的太阳能电池激光刻线参数检测方法分为以下六个步骤， 首先是图像采集子系统的设计， 

第二步是对相机进行标定， 

第三步是对采集的太阳能电池板图像进行预处理， 

第四步进行边缘检测， 

第五步进行直线检测， 

最后根据直线检测结果得到刻线边缘，进行刻线宽度和刻线间隔的测量。 

图像采集子系统的设计 

1)CCD相机的选择：本发明的图像采集子系统采用了单色CCD数字摄像机，分辨率达到1280×1024，满足视觉测量的测量精度要求。CCD相机可直接将光学信号转换为数字电信号，实现图像的获取、存储、传输、处理及复现。其显著特点是：体积小，重量轻，功耗小，工作电压低，抗冲击与震动，性能稳定，寿命长；灵敏度高，噪声低；响应速度快，有白扫描功能，图像畸变小，无残像；应用超大规模集成电路工艺技术生产，像素集成度高，尺寸精确。目前的数码摄像、数码照相、遥感测量和工业非接触光电测量系统大多以CCD为光电传感器并辅以其它设备构成。 

2)光学镜头的选择：光学镜头在视觉系统采集图像中占有非常重要的地位，光学镜头将被测工件及周围背景反射光线折射后成像在CCD上。光学镜头的作用是：1.尽可能不失真地清晰成像；2.调整成像比例即放大倍数以满足系统对被测工件分辨率的要求及视野要求。镜头的分辨率是一个重要的参数，它反映了镜头成像后可分辨工件对象细节的能力，用单位长度内均匀宽度的黑白间隔线来衡量(1p/mm)，它主要受衍射和像差的影响。光圈减少，衍射较重，分辨率下降，但像差也会减少，像差的减少提高分辨率。光圈减少的同时景深增大，所以适当的光圈下会取得最大分辨率。镜头的分辨率必须高于整个检测系统要求的分辨率，才能保证系统达到所要求的分辨率。本系统要求分辨率为5um/pixel，即要求镜头可分辨的线对宽度应小于5um，这样镜头的分辨率应高于50lp/mm。本发明选择的是工业镜头，分辨率100lp/mm，焦距25mm。 

3)光源与照明方案的选择：光源应该尽可能地突出物体特征量，在物体需要检测的部分与背景尽可能的产生明显的区别，增加对比度，同时还应该保证足够的整体亮度，物体位置的变化不应该影响成像的质量。由于没有通用的机器视 觉照明设备，所以针对每个特定的应用选择相应的照明装置，以达到最佳效果。本系统光源选用高亮LED作为光源，主要因为LED光源的单色性好，使用寿命长，功耗小灯特点，便于提高测量精度，适用于工业检测。由于检测对象电池板为玻璃材质，光源采用背光源方式加前置光源。本测量方案采用I/O控制光源开关的方法即光源在成像测量时开启，用后关闭，避免了能源浪费，提高光源寿命。效果显著。照明方案采用背光源加环形光源的方案，110mm工作距离，2倍放大。 

相机的标定 

相机标定是计算机视觉实现的前提和基本问题。根据是否需要放置标定参照物，相机标定技术一般可以分为两类：传统的相机标定技术和自标定技术。机器视觉系统从采集的图像数据来反映被测物体对象或获取该物体的信息，必须正确建立获取图像数据和实际物体对象间的成像模型。相机的标定就是求解相机内部的几何参数及其光学特性，以及相机坐标系对于空间坐标系的位置关系。经过准确的相机标定后，才能够精确的测量出工件的实际几何参数，取得预期的效果。由于相机相对于工件平台位置不变，相机的标定值即为采集图像单位像素在工件中的实际距离。计算公式为： 

scale＝dis/|cp1-cp2|   (1) 

其中dis为标尺的实际距离距离(mm)；cp1为其中一个标尺刻度线坐标点；cp2为另一点标尺刻度线坐标点，scale为该相机的实际标定值(mm/pixl)。 

相机分辨率为1280×1024，视野尺寸6.56x5.532(mm)，根据公式(1)计算可得scale＝O.0052(mm/pixl)，其中Mdis＝4mm，cp1＝982pixel，cp2＝213pixel。即测量宽度、长度相机标定值为O.0052mm/pixl，经过亚像素算法处理，线性精度达到要求。经实际测量长度、宽度，Sigmal值不大于0.001，重复精度为3*Sigmal，(Max-Min)≤0.005，即最大最小值在O.005之内，符合重复精度要求。 

图像预处理 

太阳能电池板图像预处理，其特征在于使用了如下的处理流程： 

第一步采用3x3的模板对图像做中值滤波进行图像平滑， 

第二步采用直方图归一化方法对图像做初步的增强处理， 

第三步采用基于人工神经网络的图像锐化处理。 

图像预处理的目的是使边缘和轮廓线模糊的图像变得清晰，使其细节更加清楚。提高图像清晰度的常用的图像处理方法是图像增强，但在图像增强的同时也会使得图像中的噪声得到增强，在某些情况下，图像增强反而会降低图像的信噪比，因此在对图像做增强处理前，必须先去除噪声。为了在降噪的同时不使边缘变得模糊，本发明对图像使用了模板尺寸为3×3的二维中值滤波。然后采用直方图归一化方法对图像做初步的增强处理，提高图像的对比度。然后采用微分法对图像做锐化处理，图像处理中常用的微分方法是梯度。对于图像g(x,y)，它的每一个像素的梯度是一个二维向量，本发明采用Sobel算子来计算图像梯度。图像锐化处理由下式来表示： 

R(x,y)＝f(P(x,y),G(x,y))   (2) 

其中函数f(·)为一个非线性回归函数。为了简化问题，即把非线性回归问题简化为一个线性回归问题，本发明对回归函数的输入特征P(x,y)和G(x,y)进行了如下多项式扩展： 

$\left[\begin{array}{c}P(x,y)\\ G(x,y)\end{array}\right]\&RightArrow;\left[\begin{array}{c}P(x,y)\\ G[x,y]\\ P{(x,y)}^2\\ G{(x,y)}^2\\ P(x,y)G(x,y)\\ P{(x,y)}^3\\ G{(x,y)}^3\\ P{(x,y)}^{2}G(x,y)\\ P(x,y)G{(x,y)}^2\\ 1\end{array}\right]---\left(3\right)$

把扩展后的特征向量作为人工神经网络的输入向量，并根据标注的训练数据，利用反向传播算法训练神经网络各层神经元的连接权值，利用训练得到的人工神经网络即可对图像进行锐化处理。由于神经网络的输出值范围为归一化区间[-1,1]，因此需要对图像锐化后的像素值按下式进行变换处理： 

$\left\{\begin{array}{cc}{P}^{\&prime;}(x,y)=0,& \mathrm{if\; N}(x,y)<-1\\ P^{\&prime;}(x,y)=255,& \mathrm{if\; N}(x,y)>1\\ P^{\&prime;}(x,y)=255*(N(x,y)+1)/2& \mathrm{else}\end{array}\right.---\left(4\right)$

其中N(x,y)为人工神经网络输出值，P′(x,y)为处理后的像素灰度值。 

基于人工神经网络的图像锐化处理，其特征在于使用了说明书中公式(3) 所定义的扩展特征，以及公式(4)所定义的后处理方法。 

边缘检测 

其特征在于对传统的Canny边缘检测方法进行了如下改进：第一是用Sobel算子来计算图像的梯度，代替了经典Canny边缘检测算法中的高斯滤波和一阶差分梯度算子；第二是在确定边缘检测的全局阈值时，用基于图像金字塔的OSTU全局阈值计算方法来代替传统的OSTU方法；第三是用局部自适应双阈值边缘连接来代替全局双阈值边缘连接方法。 

常用的图像边缘检测算子有：Robots算子、Sobel算子、Prewitt算子、Kirsch算子、LOG算子等，其中前四个算子为一阶差分算子，最后一个算子为二阶差分算子。上述边缘检测算子简单易于实现，具有很好的实时性，但对噪声较敏感，抗干扰性差，边缘不够精细。 

Canny于1986年提出了基于最优化准则的边缘检测算子，具有很好的信噪比和检测精度，成为近年来在数字图像处理中广泛应用的边缘检测算子。Canny认为一个优良的边缘检测算子应具有以下三个特性： 

1)好的检测性能。不遗漏真的边缘，也不误检测非边缘点，使输出的信噪比最大。 

2)好的定位性能。检测到边缘点与实际边缘点位置最近。 

3)唯一性。对于单个边缘点仅有一个响应，即边缘线应为单像素宽度。 

在以上三个准则的指导下，Canny给出Canny边缘检测算法的实现过程： 

1)利用高斯滤波器平滑图像； 

2)用一阶偏导的有限差分来计算梯度的幅值及其方向； 

3)对梯度幅值进行非极大值抑制； 

4)用双阈值法检测和连接边缘。 

与其它边缘检测算法相比，通过梯度幅值的非极大值抑制，Canny边缘检测算法的边缘检测结果为单像素宽度的曲线；通过双阈值法和边缘连接能够在一定程度上解决边缘漏检的问题，但是对于亮度变化比较大的图像，依然存在边缘漏检的情况。另外，虽然Canny边缘检测算法是依据最优化准则提出的，但是算法的实现过程依然体现出人为因素的影响，而不仅仅是依据经验数据得到，比如高斯滤波器的方差的取值、为什么采用双阈值、高低阈值的取值的确定等等。 

本发明提出一种改进的Canny边缘检测算法，消除了实现过程中需要人为设定的参数，实现上更简单，并且对于图像的亮度变化具有更好的适应性。 

首先是用Sobel算子来计算图像的梯度，代替了经典Canny边缘检测算法的第1)和第2)步，因为Sobel算子本身就是考虑了领域平滑的一阶差分算子，并且是边缘检测算子中使用最为广泛的简单算子之一。 

在全局阈值的确定方面，传统的方法是OSTU，该方法在多数情况下是行之有效的，但是根据其原理，当图像中的边缘像素点比较少，而背景噪声又较强时，阈值会被误确定为一个较低的值，从而导致过多的边缘噪声被误检测出来。本发明提出了一种基于图像金字塔的OSTU方法，即把原梯度幅值图像按长宽各1/2的比例缩小，在缩小的过程中，消除梯度幅值较小的像素，保留梯度幅值较大的像素，从而得到高一层的图像，其更高一层的图像则在其低层的图像基础之上用同样的方法得到。对图像金字塔中每一层梯度图像使用OSTU方法计算阈值，并得到该阈值对应的类间距离和类内距离的比值，挑选类间距离和类内距离最大的阈值作为最后的全局阈值。 

传统的Canny边缘检测算法在处理一个局部亮度差异很大的图片时容易发生边缘漏检的情况，这主要是因为Canny算法只是使用了全局阈值，仅通过低阈值和边缘连接来找回高阈值漏检的边缘像素点，因此当边缘点的梯度幅值低于低阈值时，则必然会发生漏检的情况，而把低阈值定得过低，又容易造成边缘点的误检测。本发明提出了一种局部自适应双阈值方法，具体实现方法是，先在全局高阈值的基础上，对梯度图像进行初步的边缘检测；然后利用全局低阈值进行边缘连接；当边缘连接结束时，则以边缘连接结束的像素点为中心，在其9x9邻域图像内利用OSTU方法计算其局部高阈值，并根据该局部高阈值计算其局部低阈值，然后继续进行边缘连接，直到在局部低阈值下边缘连接结束。本发明提出的局部自适应双阈值方法可以很好的解决Canny边缘检测算法对于亮度差异较大图像的适应性。如图2a、图2b、图2c所示。 

激光刻线的边缘直线的检测 

其特征在于利用局部直线拟合与边缘像素点合并的方法来实现边缘直线的检测。其特征在于基于激光刻线的先验知识，利用动态规划的方法，实现固定数目平行等间隔直线的搜索决策。 

传统的直线检测方法可以采用Hough变换法来实现，但是Hough变换本质上是在离散的参数空间中的一种投票方法，而参数的离散刻度需要人为确定，刻度过小，则投票结果缺乏统计意义，刻度过大，则参数匹配精度满足不了要求。本发明提出了基于局部边缘点直线拟合的直线检测方法，对每一个边缘像素点，在其7x7的邻域图像中搜索其连通域，根据其连通域中的像素点，通过基于最小二乘原理的线性拟合得到拟合直线，如果拟合误差满足线性度要求，则把该直线当做通过该点的边缘直线。得到所有边缘像素点的拟合边缘直线后，如果同一连通域中的相邻两个像素点的拟合直线的斜率的变化值小于规定的曲率，则把这两个像素点合并为同一条直线上的两个像素点，并根据这两个点邻域连通域点重新计算拟合直线，然后用同样的方法对边缘直线的两个端点的相邻点进行合并和更新拟合直线，直到该直线的合并终止，则得到一条候选边缘直线。搜索图像中是否还有不属于已拟合得到的直线的边缘像素点，用同样的方法对这些边缘像素点进行合并和直线拟合处理，从而得到所有的边缘直线段。 

如图3a和图3b所示，本发明改进后的Canny边缘检测方法可以较好的提高边缘的检出率，但是在背景和图像噪声的干扰下，仍然不可避免地会误检测到一些边缘噪声，这些边缘噪声会直接影响对哪些边缘直线是激光刻线边缘的决策。考虑到太阳能电池板表面的刻线存在这样的规律：1)刻线数目固定；2)每条刻线平行并且等间隔；3)每条刻线的长度相等；4)刻线宽度远小于刻线间隔。根据这些先验知识，本发明提出了一种基于动态规划的固定数目平行等间隔直线的搜索决策方法，解决了存在严重干扰边缘直线情况下的激光刻线边缘的决策问题。该方法的具体实现过程是： 

1、计算边缘像素点的梯度直方图，搜索其梯度主方向，通过梯度主方向，将边缘图像旋转到主方向与X轴垂直。 

2、根据图像的旋转角度，调整边缘拟合直线的参数。 

3、用旋转后的边缘图像对X轴投影，计算投影直方图，通过计算投影直方图的自相关系数并搜索其最大值对应的像素间隔，得到垂直平行线的间隔T。 

4、计算边缘拟合直线对应的像素点与Y轴的平均距离，并按距离由小到大对边缘拟合直线进行排序。 

5、计算边缘拟合直线与给定的两条与X轴平行并相隔一定距离的两条直线的交点，并计算这两个交点到Y轴的距离，记为D1(i)和D2(i)，其中i表示第i条边缘拟合直线。 

6、假定已检测到的边缘直线为M个，当前待检测的平行直线为N条，如果边缘检测结果正常的情况下，有M>＝N。设定动态规划的状态为M个，待匹配特征就是N条待检测平行直线。 

7、匹配搜索的规则是，在一条搜索路径中，状态只能向前，不能存在向后或者平行的路径；搜索路径可以跨状态跳转。 

8、动态规划的起始状态可以是任何一个状态，但如果搜索路径在第N个匹配特征之前就已经到达最后一个状态，则该搜索路径非法，并将之从搜索路径中删除。 

9、当搜索到达第N个匹配特征时，根据搜索规则，搜索路径必然在不小于N的M-N+1个状态中结束。从第N到第M个状态中搜索匹配距离最小的一条搜索路径，通过回溯得到N个状态序列，这N个状态序列对应就是最优的N条边缘拟合直线。 

10、匹配距离定义为搜索路径中相邻直线的平均间隔误差与平均长度误差之和，其中间隔误差定义为(||D1(i)-D1(j)|-T|+||D2(i)-D2(j)|-T|)/2，长度误差则是两条边缘拟合直线所属的边缘像素点个数之差的绝对值。 

11、假定激光刻线为N条，则刻线的边缘直线为2N条，根据搜索得到的N条边缘直线，再利用平行和等长特性，可以很容易的找到另外N条边缘直线。 

本发明提出的基于动态规划的固定数目平行等间隔直线的搜索决策方法，可以鲁棒地从存在复杂干扰的边缘直线中搜索出激光刻线的边缘直线。 

刻线宽度与刻线间隔测量 

利用本发明提出的边缘检测方法检测到的激光刻线边缘具有定位准确，鲁棒性高的特点，因此利用边缘检测结果，可以很方便地在不同的位置测量刻线的宽度和刻线间隔，并及时发现激光刻线出现的问题。 

实验数据分析结果显示，本系统测量精度及重复精度可控范围在’pm之内，可以满足工业要求。测量数据基本满足工业要求的重复精度，即3*sigma≤0.05。 误差率≤0.5％，符合工业检测要求。测量值均在上下限内，测量精度≤0.5％亦满足测量要求。 

Claims (10)

1.一种基于机器视觉的太阳能电池激光刻线参数检测系统，包括：

图像采集子系统、

太阳能电池板图像预处理模块、

边缘检测模块、

激光刻线边缘直线检测模块、

刻线宽度和刻线间隔测量模块五部分组成。

2.如权利要求1所述的一种基于机器视觉的太阳能电池激光刻线参数检测系统，其特征在于：所述图像采集子系统采用包括CCD相机、光学镜头、光源。

3.如权利要求2所述的一种基于机器视觉的太阳能电池激光刻线参数检测系统，其特征在于：所述CCD相机包括单色CCD数字摄像机，分辨率达到1280×1024；所述CCD相机可直接将光学信号转换为数字电信号，实现图像的获取、存储、传输、处理及复现。

4.如权利要求3所述的一种基于机器视觉的太阳能电池激光刻线参数检测系统，其特征在于：所述光学镜头将被测工件及周围背景反射光线折射后成像在CCD上。

5.如权利要求4所述的一种基于机器视觉的太阳能电池激光刻线参数检测系统，其特征在于：进行图像采集需要对所述相机进行标定；由于相机相对于工件平台位置不变，相机的标定值即为采集图像单位像素在工件中的实际距离。计算公式为公式(1)

scale＝dis/|cp1-cp2|   (1)

其中dis为标尺的实际距离距离(mm)；cp1为其中一个标尺刻度线坐标点；cp2为另一点标尺刻度线坐标点，scale为该相机的实际标定值(mm/pixl)。

6.一种基于机器视觉的太阳能电池激光刻线参数检测方法，用于实现上述系统，包括步骤：

第一步是图像采集，

第二步是对相机进行标定，

第三步是对采集的太阳能电池板图像进行预处理，

第四步进行边缘检测，

第五步进行直线检测，

第六步根据直线检测结果得到刻线边缘，进行刻线宽度和刻线间隔的测量。

7.如权利要求6所述的一种基于机器视觉的太阳能电池激光刻线参数检测系方法，其特征在于：所述边缘检测对传统的Canny边缘检测方法进行了如下改进：

第一是用Sobel算子来计算图像的梯度，代替了经典Canny边缘检测算法中的高斯滤波和一阶差分梯度算子；

第二是在确定边缘检测的全局阈值时，用基于图像金字塔的OSTU全局阈值计算方法来代替传统的OSTU方法；

第三是用局部自适应双阈值边缘连接来代替全局双阈值边缘连接方法。

8.如权利要求6所述的一种基于机器视觉的太阳能电池激光刻线参数检测方法，其特征在于：所述激光刻线边缘直线检测模块利用局部直线拟合与边缘像素点合并的方法来实现边缘直线的检测。

9.如权利要求7所述的一种基于机器视觉的太阳能电池激光刻线参数检测方法，其特征在于：所述激光刻线边缘直线检测模块基于激光刻线的先验知识，利用动态规划的方法，实现固定数目平行等间隔直线的搜索决策。

10.如权利要求8所述的一种基于机器视觉的太阳能电池激光刻线参数检测方法，其特征在于：所述搜索决策的方法包括

1)计算边缘像素点的梯度直方图，搜索其梯度主方向，通过梯度主方向，将边缘图像旋转到主方向与X轴垂直。

2)根据图像的旋转角度，调整边缘拟合直线的参数。

3)用旋转后的边缘图像对X轴投影，计算投影直方图，通过计算投影直方图的自相关系数并搜索其最大值对应的像素间隔，得到垂直平行线的间隔T。

4)计算边缘拟合直线对应的像素点与Y轴的平均距离，并按距离由小到大对边缘拟合直线进行排序。

5)计算边缘拟合直线与给定的两条与X轴平行并相隔一定距离的两条直线的交点，并计算这两个交点到Y轴的距离，记为D1(i)和D2(i)，其中i表示第i条边缘拟合直线。

6)假定已检测到的边缘直线为M个，当前待检测的平行直线为N条，如果边缘检测结果正常的情况下，有M>＝N。设定动态规划的状态为M个，待匹配特征就是N条待检测平行直线。

7)匹配搜索的规则是，在一条搜索路径中，状态只能向前，不能存在向后或者平行的路径；搜索路径可以跨状态跳转。

8)动态规划的起始状态可以是任何一个状态，但如果搜索路径在第N个匹配特征之前就已经到达最后一个状态，则该搜索路径非法，并将之从搜索路径中删除。

9)当搜索到达第N个匹配特征时，根据搜索规则，搜索路径必然在不小于N的M-N+1个状态中结束。从第N到第M个状态中搜索匹配距离最小的一条搜索路径，通过回溯得到N个状态序列，这N个状态序列对应就是最优的N条边缘拟合直线。

10)匹配距离定义为搜索路径中相邻直线的平均间隔误差与平均长度误差之和，其中间隔误差定义为(||D1(i)-D1(j)|-T|+||D2(i)-D2(j)|-T|)/2，长度误差则是两条边缘拟合直线所属的边缘像素点个数之差的绝对值。

11)假定激光刻线为N条，则刻线的边缘直线为2N条，根据搜索得到的N条边缘直线，再利用平行和等长特性，可以很容易的找到另外N条边缘直线。