CN107133922A - 一种基于机器视觉和图像处理的硅片计数方法 - Google Patents
一种基于机器视觉和图像处理的硅片计数方法 Download PDFInfo
- Publication number
- CN107133922A CN107133922A CN201610113272.1A CN201610113272A CN107133922A CN 107133922 A CN107133922 A CN 107133922A CN 201610113272 A CN201610113272 A CN 201610113272A CN 107133922 A CN107133922 A CN 107133922A
- Authority
- CN
- China
- Prior art keywords
- image
- mrow
- silicon chip
- cell piece
- edge
- 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.)
- Pending
Links
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 104
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 104
- 239000010703 silicon Substances 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000008569 process Effects 0.000 claims abstract description 32
- 235000012431 wafers Nutrition 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000000630 rising effect Effects 0.000 claims description 17
- 238000003705 background correction Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000006002 Pepper Substances 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000013039 cover film Substances 0.000 claims description 3
- 230000009021 linear effect Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000011282 treatment Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉和图像处理的硅片计数方法，属于图像处理技术领域，其包括如下步骤：步骤101、对层叠硅片或电池片的侧面图像进行预处理；步骤102、定位被测物，并由掩膜处理限定运算区域；步骤103、将掩膜后的图像复制，分别进行不同阈值处理，得到去噪二值化的图像；步骤104、对所得去噪二值化图像进行后处理；步骤105、差分统计计数与定位，求得所测层叠的太阳能硅片或电池片的数量；该方法采集层叠的太阳能硅片或电池片的侧面图像，使二值图像突显出缝隙而滤掉其他干扰噪声，最后以差分统计算法求得精确片数，该方法解决了由于获取图像质量不好和噪声较大时计数不准确的问题，提高了计数精度和效率。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种基于机器视觉和图像处理的硅片计数方法。
背景技术
在太阳能电池片的生产过程中，原料硅片的入厂检验、成品电池片的出厂验收以及电池片加工过程中的每一次工序之后都需要对硅片或电池片进行计数。目前广泛使用的计数方法是人工目视检测，由人工在短时间内快速数片完成，增加了人工成本的同时易操作不当或计数出错；而且太阳能硅片或电池片的厚度较薄，一般在180微米左右且硅片或电池片易碎怕污染，人工计数并不能满足以上要求。
随着机器视觉技术的发展，现有技术中有通过成像装置获取图像完成计数的方法，该方法将电脑机箱和屏幕与测试机箱融合在一起，使得测试机箱体积大，而且机箱扇热时风扇的震动将会影响成像装置图像获取的质量，此外成像装置并未使用光源，在机箱内部获取的电池片图像质量不太理想，从而影响计数精度，以上改进在实际操作中无法满足生产需要。
为减少外界条件所引起的误差，提高计数精度，必须解决如下几个问题：1)提高被测物摆放位置的灵活性：当硅片或电池片未按要求摆放整齐，所得其图像位置倾斜时，也能计数准确，不受其影响；2)提高环境适应性：当光照不均或成像条件不佳时，能改善获取的图像清晰度不高的问题；3)提高运算速度：减少运算量与运算时间，提高运算效率；4)去噪：由于硅片或电池片本身表面问题以及成像存在的一些干扰，获取图像中存在大量干扰噪声，这些噪声严重影响对硅片或电池片之间的缝隙检测；5)准确计数并定位：要求提高计数精度，准确检测硅片或电池片数量，并在图像中定位标注，方便复查。
发明内容
发明目的：本发明的目的在于提供一种基于机器视觉和图像处理的硅片计数方法，对层叠硅片或电池片的侧面图像进行处理和运算，完成对每片之间的缝隙检测，检测抗干扰性好，计数准确快速。
技术方案：为实现上述发明目的，本发明采用如下技术方案：
一种基于机器视觉和图像处理的硅片计数方法，包括如下步骤：
步骤101、对层叠硅片或电池片的侧面图像进行预处理，其包括：
步骤1011，对层叠硅片或电池片的侧面图像进行中值滤波，采用中值滤波器将像素邻域内灰度的中值代替该像素的值，去除椒盐噪声，为查找条纹缝隙做准备；
步骤1012，对中值滤波处理之后的图像进行伽马变换，增强图像对比度；伽马变换的基本形式为：
s＝crγ (1)
其中，r为输入灰度级，s为输出灰度级，c和γ为正常数，当γ＞1时幂律曲线将较窄范围的暗色输入值映射为较宽范围的输出值，扩展图像灰度级，增强图像条纹特性；
步骤102、定位被测物，并由掩膜处理限定运算区域，其包括：
步骤1021，查找层叠的硅片或电池片的最上以及最下的边缘，得到边缘坐标信息；其方法是先确定一个搜索区域，在搜索区域内，设置从上到下的若干搜索线，根据每条搜索线上的线剖面图得到第一个灰度变化的峰值点以及最后一个灰度变化的峰值点；之后将所有搜索线上的第一个灰度变化的峰值点拟合为一条直线作为被测物的上边缘，所有搜索线上的最后一个灰度变化峰值点拟合为一条直线作为被测物的下边缘；所得到边缘坐标信息为：
up1＝(x0,y0),up2＝(x1,y1) (2)
down1＝(x2,y2),down2＝(x3,y3) (3)
其中up1,up2为最上边缘线两端坐标，down1,down2为最下边缘线两端坐标；
步骤1022，基于所得到的边缘信息对预处理之后的图像进行旋转，使层叠硅片或电池片的条纹图像水平分布，旋转之后所得到的边缘坐标信息变为：
up＝(x,Y0),down＝(x,Y1) (4)
其中Y0,Y1为最上边缘和最下边缘的纵坐标，x的值从0到图像像素横坐标的最大值，up,down表示两条水平直线，代表层叠硅片或电池片的最上以及最下的边缘所拟合的直线；
步骤1023，基于所得到的边缘信息对旋转之后的图像进行掩膜处理，使对图像的运算区域减至最小，提高运算效率；如式(5)所示，通过所得的层叠硅片或电池片的最上以及最下的边缘信息up,down，确定掩膜图像；
其中，H(x，y)为掩膜图像的灰度值，(x，y)为对应坐标，Y0,Y1为所得的最上边缘和最下边缘的纵坐标；在所检测到的被测物最上以及最下边缘所在的y坐标基础上，将各向上向下拓展20个像素之后的图像作为运算区域，得到掩膜后的图像；
步骤103、将掩膜后的图像复制，分别进行不同阈值处理，以对两幅阈值处理之后的结果图像进行逻辑或操作的方式完成去噪二值化，得到去噪二值化的图像，其包括：
步骤1031，将掩膜后的图像复制，由一份图像分为相同的两份图像；
步骤1032，对复制之后的其中一份图像采用Niblack局部阈值方法进行二值化，并将二值化后的图像进行粒子滤波，滤除由Niblack二值化处理带来的细节噪声，得到一个结果图像；Niblack二值化方法是基于局部均值和局部标准差的，它的基本公式如式(8)：
T(x,y)＝m(x,y)+k*s(x,y) (8)
对于图像I(x,y)，在(x,y)处的阈值T(x,y)由局部均值m(x,y)和局部标准差s(x,y)决定，k表示调整系数；
步骤1033，对复制之后的另一份图像采用背景校正方法进行二值化，查找缝隙暗区域，使用如下公式(9)进行计算：
B(x,y)＝m(x,y)-I(x,y) (9)
其中，B(x,y)为背景校正图像灰度值，m(x,y)为窗口的平均灰度值，I(x,y)为输入图像灰度值；之后使用组内方差自动阈值方法分割背景校正图像得到二值化图像，即为另一个结果图像；
步骤1034，将上述两份阈值处理之后的结果图像进行逻辑或操作，得到噪声较小且缝隙信息保留较完整的二值化图像，完成片间缝隙的查找；
步骤104、对所得去噪二值化图像进行后处理：采用形态学处理方法，通过先open操作后close操作将行方向缝隙连接，纵方向缝隙断开；之后通过骨架提取将二值化的缝隙细化，得到细化后的图像；
步骤105、差分统计计数与定位，求得所测层叠的太阳能硅片或电池片的数量：在计数之前先将图像中硅片或电池片的平均厚度求出，每隔20列获取图像的某一列的像素灰度分布图，对于获取每一列的灰度图，都将每一个上升沿的纵坐标减去上一个上升沿的纵坐标并根据下式进行计算：
其中，G为所测硅片或电池片的平均厚度，单位为pixel；(M+1)为所测所有上升沿的数量；yi,yi-1分别代表当前上升沿的纵坐标以及上一个上升沿的纵坐标；
求得当前所测的硅片或电池片的平均厚度G之后，硅片或电池片计数厚度的范围为[0.65G,2G]；在计数时每隔20列获取图像的某一列的像素灰度分布图，对于获取每一列的灰度图，根据所选取的厚度范围，以式(11)、(12)以及(13)所示方法求取每一列所得的硅片或电池片数量；
Δy＝yi-yi-1 (11)
其中，Δy为上升沿之间的距离，单位为pixel；Pn为在所取的图像的第n列的灰度分布图下所得的硅片或电池片数量；对所取得的数量出现的次数进行概率统计，求得最大概率的数即为本次测量的硅片或电池片数量并将对应的坐标记下，定位硅片或电池片缝隙所在图中的位置。
在所述的步骤1023中，基于得到的所述的掩膜后的图像对层叠硅片或电池片图像进行掩膜处理，将掩膜后的图像与被处理图像进行灰度相与运算，并进行坐标调整，如下式(6)和(7)所示：
I1(x,y)＝I(x,y)∩H(x,y) (6)
I2(x,y)＝I1(x,y+(Y0-30)),(0≤y≤(Y1+30)-(Y0-30)) (7)
其中，I(x,y)为待处理图像的灰度值，H(x,y)为掩膜图像灰度值，I1(x,y)为掩膜图像与待处理图像相与的灰度值，保留了待测图像中与掩膜图像相对应的在所检测到的被测物最上以及最下边缘所在的y坐标基础上，各向上向下拓展20个像素之后的图像区域；之后通过(7)式的坐标变换，去除运算区域之外的图像，将对应层叠硅片或电池片的纹理特征区域提取出来，减少运算区域。
在所述的步骤1032中，当缝隙所占像素过多，缝隙过宽时，采用背景校正的阈值处理，与Niblack局部阈值处理一起完成二值化，使不同宽度以及灰度分布不均匀的缝隙从噪声中分辨出来。
有益效果：与现有技术相比，本发明的太阳能硅片和电池片的计数方法通过采用机器视觉检测方案，采集层叠的太阳能硅片或电池片的侧面图像，首先针对片间缝隙条纹特性进行滤波和增强处理，之后根据不同的阈值处理的优缺点，以取长补短的方式对条纹图像进行去噪二值化，即使图像成像不佳时也能使二值图像突显出缝隙而滤掉其他干扰噪声，最后以差分统计算法求得精确片数，该方法解决了由于获取图像质量不好和噪声较大时计数不准确的问题，提高了计数精度和效率。
附图说明
图1是基于图像处理的太阳能硅片和电池片的计数方法的流程图；
图2是对层叠硅片或电池片的侧面图像进行预处理的流程图；
图3为步骤1011中层叠硅片和电池片侧面的输入图像；
图4为层叠硅片和电池片侧面图像经过步骤101预处理之后的结果图像；
图5为太阳能硅片和电池片的计数方法中步骤102的流程图；
图6为层叠硅片和电池片侧面图像在步骤1021中查找最上及最下边缘的搜索图；
图7为步骤1021中查找最上及最下边缘的线剖面图；
图8步骤1023中掩膜处理算法示意图；
图9为层叠硅片和电池片侧面图像经过步骤1023之后的结果图像；
图10为太阳能硅片和电池片的计数方法中步骤103的流程图；
图11为层叠硅片和电池片侧面图像经过Niblack局部阈值处理之后的结果图像；
图12为层叠硅片和电池片侧面图像在步骤1033中进行背景校正阈值处理的流程图；
图13为层叠硅片和电池片侧面图像经过步骤1033中背景校正阈值处理之后的结果图像；
图14为层叠硅片和电池片侧面图像经过步骤103之后的结果图像；
图15为层叠硅片和电池片侧面图像经过步骤104之后的结果图像；
图16为层叠硅片和电池片计数与定位结果图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的说明。
如图1所示，基于图像处理的太阳能硅片和电池片的计数方法，包括如下步骤：
步骤101、对层叠硅片或电池片的侧面图像进行预处理，如图2所示：
步骤1011，对层叠硅片或电池片的侧面图像进行中值滤波，去除椒盐噪声，如图3所示，其中，图3中a部分图片为硅片侧面图像，b部分图片为太阳能电池片侧面图像；由于光照不均以及硅片和电池片侧面固有的特性，在获取的层叠硅片或电池片的侧面图像上经常出现以黑白点的形式叠加在图像上的椒盐噪声，对于处理这种具有一定类型特点的随机噪声，采用中值滤波器，中值滤波器是一种非线性空间滤波器，它将像素邻域内灰度的中值代替该像素的值；
基于图像条纹特性，如果直接选取滤波邻域为4邻域或8邻域，会导致滤波结果中图像的条纹被模糊，几乎不可分辨，这与我们滤除噪声保留条纹特性的初衷不符；因此，根据条纹缝隙所占像素空间，设计一长方形邻域，长为10个像素，加强条纹之间连接，宽1个像素，滤除小噪声；这样不仅不会在滤除噪声的同时模糊条纹特性，还会因行像素之间关联加强条纹特性，为查找条纹缝隙，完成精确计数奠定基础；
步骤1012，对中值滤波处理之后的图像进行伽马变换，增强图像对比度；伽马变换的基本形式为：
s＝crγ (1)
其中，r为输入灰度级，s为输出灰度级，c和γ为正常数，当γ＞1时幂律曲线将较窄范围的暗色输入值映射为较宽范围的输出值，扩展图像灰度级，增强图像条纹特性；
经步骤101预处理之后的图像如图4所示，其中，图4中c部分图像为硅片图像，d部分图像为太阳能电池片侧面图像，图4与图3相比，不仅滤除了较小噪声，而且并增强了条纹特性。
步骤102、如图5所示，定位被测物，并由掩膜处理限定运算区域：
步骤1021，查找层叠的硅片或电池片的最上以及最下的边缘，得到边缘坐标信息；其方法是先确定一个搜索区域，如图6所示，在搜索区域内，设置从上到下的若干搜索线，根据每条搜索线上的线剖面图(直线对应的灰度图)得到第一个灰度变化的峰值点以及最后一个灰度变化的峰值点，如图7所示；之后将所有搜索线上的第一个灰度变化的峰值点拟合为一条直线作为被测物的上边缘，所有搜索线上的最后一个灰度变化峰值点拟合为一条直线作为被测物的下边缘；所得到边缘坐标信息为：
up1＝(x0,y0),up2＝(x1,y1) (2)
down1＝(x2,y2),down2＝(x3,y3) (3)
其中up1,up2为最上边缘线两端坐标，down1,down2为最下边缘线两端坐标；
步骤1022，基于所得到的边缘信息对预处理之后的图像进行旋转，使层叠硅片或电池片的条纹图像水平分布；旋转之后所得到的边缘坐标信息变为：
up＝(x,Y0),down＝(x,Y1) (4)
其中Y0,Y1为最上边缘和最下边缘的纵坐标，因旋转之后，条纹近水平分布，因此Y0,Y1为常值，而x的值从0到图像像素横坐标的最大值，up,down表示两条水平直线，代表层叠硅片的最上以及最下的边缘所拟合的直线；
步骤1023，基于所得到的边缘信息对旋转之后的图像进行掩膜处理，使对图像的运算区域减至最小，提高运算效率；如式(5)所示，通过所得的层叠硅片或电池片的最上以及最下的边缘信息up,down，确定掩膜图像；
其中，H(x，y)为掩膜图像的灰度值，(x，y)为对应坐标，Y0,Y1为所得的最上边缘和最下边缘的纵坐标；在所检测到的被测物最上以及最下边缘所在的y坐标基础上，将各向上向下拓展20个像素之后的图像作为运算区域，使在减小图像运算区域的同时也能保证运算正确率，避免因掩膜不当导致最上以及最下边缘被消除。
如图8所示，基于得到的掩膜图像对层叠硅片或电池片图像进行掩膜处理，将掩膜图像与被处理图像进行灰度相与运算，并进行坐标调整，如下式所示：
I1(x,y)＝I(x,y)∩H(x,y) (6)
I2(x,y)＝I1(x,y+(Y0-30)),(0≤y≤(Y1+30)-(Y0-30)) (7)
其中，I(x,y)为待处理图像的灰度值，H(x,y)为掩膜图像灰度值，I1(x,y)为掩膜图像与待处理图像相与的灰度值，保留了待测图像中与掩膜图像相对应的在所检测到的被测物最上以及最下边缘所在的y坐标基础上，各向上向下拓展20个像素之后的图像区域；之后通过(7)式的坐标变换，去除运算区域之外的图像，得到如图9所示的图像，其中，图9中e部分图为硅片侧面图像，f部分图为电池片侧面图像)，将对应层叠硅片或电池片的纹理特征区域提取出来，减少运算区域。
步骤103、如图10所示，将图像复制，分别进行不同阈值处理，以对两幅阈值处理之后的结果图像进行逻辑或操作的方式完成去噪二值化：
步骤1031，将图像复制，由一份图像分为相同的两份图像；
步骤1032，对复制之后的一份图像采用Niblack局部阈值方法进行二值化，并将二值化后的图像进行粒子滤波，滤除由Niblack二值化处理带来的细节噪声；Niblack二值化方法是基于局部均值和局部标准差的，它的基本公式如下：
T(x,y)＝m(x,y)+k*s(x,y) (8)
对于图像I(x,y)，在(x,y)处的阈值T(x,y)由局部均值m(x,y)和局部标准差s(x,y)决定，k表示调整系数；Niblack局部阈值处理方法能很好的保持图像细节，对条纹特性不明显的图像部分能提供很好的二值化效果，而同时的，其对噪声也有相同的处理结果，使噪声也能二值化为1，混淆缝隙；与Niblack二值化效果相关的是其窗口大小的选择，既要小到能保持足够的局部细节又要大到能抑制噪声。
在本系统中，根据图像条纹特性，缝隙所占最小像素，选取长方形窗口，使二值化后尽量保持条纹缝隙，使图像中几乎不可见的缝隙也能二值化为1，并且同一条缝隙相互连接，减少断开部分；对于二值化后产生的噪声，由于其孤立不连续的特性，可通过粒子滤波滤除，如图11所示，其中，图11中g部分图为硅片侧面图像，h部分图为电池片侧面图像。
但当缝隙所占像素过多，缝隙过宽时，Niblack局部阈值处理方法不能对其很好的二值化，对于灰度不均匀的硅片或电池片也不能很好的分辨，因此同时采用背景校正的阈值处理，与Niblack局部阈值处理一起完成二值化，使不同宽度以及灰度分布不均匀的缝隙都能很好的从噪声中分辨出来。
步骤1033，对复制之后的另一份图像采用背景校正方法进行二值化，该算法结合了图像分割的局部和全局阈值的概念，如图12所示，根据查找对象的不同，用不同方法计算背景校正图像，本系统查找的为缝隙，属于暗区域，因此使用如下公式进行计算：
B(x,y)＝m(x,y)-I(x,y) (9)
其中，B(x,y)为背景校正图像灰度值，m(x,y)为窗口的平均灰度值，I(x,y)为输入图像灰度值；之后使用组内方差自动阈值方法分割背景校正图像得到二值化图像；此二值化方法可以减小背景的影响，对于本系统，选取较大窗口，消去黑暗背景，同时二值化之后保持缝隙的特性，如图13所示，其中，i部分图为硅片侧面图像，j部分图为太阳能电池片侧面图像，虽然对于一些较细不易分辨的缝隙不能很好的二值化，但能解决Niblack局部阈值处理方法中不同宽度以及灰度分布不均匀的缝隙不能很好分辨的缺点。
步骤1034，将两份阈值处理之后的结果图像进行逻辑或操作，得到噪声较小且缝隙信息保留较完整的二值化图像，如图14所示，其中，k部分图为硅片侧面图像，l部分图为太阳能电池片侧面图像，背景校正二值化与Niblack局部阈值处理二值化相结合，取长补短，完成片间缝隙的查找。
步骤104、对所得二值化图像进行后处理：经过去噪二值化后的图像，虽然已经较好的突显片间缝隙，但有些缝隙仍间断不连续，并且因为硅片或电池片的侧面不平整原因，二值化后不同片间缝隙之间还会有一些连通区域，这些都会对计数造成影响；因此，采用形态学处理方法，通过先open操作后close操作将行方向缝隙连接，纵方向缝隙断开；之后通过骨架提取将二值化的缝隙细化，如图15所示，m部分图为硅片侧面图像，n部分图为太阳能电池片侧面图像，为之后精确计数奠定基础。
步骤105、差分统计计数与定位，求得所测层叠的太阳能硅片或电池片的数量：该计数方法是基于概率统计的自适应的差分计数，在计数之前先将图像中硅片或电池片的平均厚度求出，具体方法是每隔20列获取图像的某一列的像素灰度分布图，对于获取每一列的灰度图，都将每一个上升沿的纵坐标减去上一个上升沿的纵坐标并根据下式进行计算：
其中，G为所测硅片或电池片的平均厚度，单位为pixel；(M+1)为所测所有上升沿的数量；yi,yi-1分别代表当前上升沿的纵坐标以及上一个上升沿的纵坐标。
求得当前所测硅片或电池片的平均厚度G之后，根据多次实验发现，硅片图像中每一片的硅片厚度主要都在[0.65G，2G]范围内，而对于用于计数的图像的每一列中都会出现为1的噪声点，因此，用此范围来判断计数列中的1点是否为缝隙点，去除二值化图像中的残余噪声；与计算硅片或电池片厚度相似的，在计数时每隔20列获取图像的某一列的像素灰度分布图，对于获取每一列的灰度图，根据所选取的厚度范围，以式(11)、(12)以及(13)所示方法求取每一列所得的硅片或电池片数量；
Δy＝yi-yi-1 (11)
其中，Δy为上升沿之间的距离，单位为pixel；Pn为在所取的图像的第n列的灰度分布图下所得的硅片或电池片的数量。对所取得的数量出现的次数进行概率统计，求得最大概率的数即为本次测量的硅片或电池片数量，并将对应的坐标记下，定位硅片或电池片缝隙所在图中的位置，如图16所示，o部分图为硅片侧面图像，p部分图为太阳能电池片侧面图像，在图中标记出所测缝隙，便于对计数的检测；图o和p中局部放大部分的数据是对硅片或电池片计数结果在图中的标注，每一片上加黑缝隙显示，并每隔5片标注一次片数，从下往上数，便于审查计数是否准确，图中显示的正是第70片和第55片的标注情况。
经过以上五个步骤，使太阳能硅片和电池片计数摆脱人工检测带来的各种困扰，实现检测过程的全自动，达到了很高的计数精度，极大的提高了太阳能硅片和电池片的生产效率，保证了产品的质量。
Claims (1)
1.一种基于机器视觉和图像处理的硅片计数方法，其特征在于，包括如下步骤：
步骤101、对层叠硅片或电池片的侧面图像进行预处理，其包括：
步骤1011，对层叠硅片或电池片的侧面图像进行中值滤波，采用中值滤波器将像素邻域内灰度的中值代替该像素的值，去除椒盐噪声，为查找条纹缝隙做准备；
步骤1012，对中值滤波处理之后的图像进行伽马变换，增强图像对比度；伽马变换的基本形式为：
s＝crγ (1)
其中，r为输入灰度级，s为输出灰度级，c和γ为正常数，当γ＞1时幂律曲线将较窄范围的暗色输入值映射为较宽范围的输出值，扩展图像灰度级，增强图像条纹特性；
步骤102、定位被测物，并由掩膜处理限定运算区域，其包括：
步骤1021，查找层叠的硅片或电池片的最上以及最下的边缘，得到边缘坐标信息；其方法是先确定一个搜索区域，在搜索区域内，设置从上到下的若干搜索线，根据每条搜索线上的线剖面图得到第一个灰度变化的峰值点以及最后一个灰度变化的峰值点；之后将所有搜索线上的第一个灰度变化的峰值点拟合为一条直线作为被测物的上边缘，所有搜索线上的最后一个灰度变化峰值点拟合为一条直线作为被测物的下边缘；所得到边缘坐标信息为：
up1＝(x0,y0),up2＝(x1,y1) (2)
down1＝(x2,y2),down2＝(x3,y3) (3)
其中up1,up2为最上边缘线两端坐标，down1,down2为最下边缘线两端坐标；
步骤1022，基于所得到的边缘信息对预处理之后的图像进行旋转，使层叠硅片或电池片的条纹图像水平分布，旋转之后所得到的边缘坐标信息变为：
up＝(x,Y0),down＝(x,Y1) (4)
其中Y0,Y1为最上边缘和最下边缘的纵坐标，x的值从0到图像像素横坐标的最大值，up,down表示两条水平直线，代表层叠硅片或电池片的最上以及最下的边缘所拟合的直线；
步骤1023，基于所得到的边缘信息对旋转之后的图像进行掩膜处理，使对图像的运算区域减至最小，提高运算效率；如式(5)所示，通过所得的层叠硅片或电池片的最上以及最下的边缘信息up,down，确定掩膜图像；
其中，H(x，y)为掩膜图像的灰度值，(x，y)为对应坐标，Y0,Y1为所得的最上边缘和最下边缘的纵坐标；在所检测到的被测物最上以及最下边缘所在的y坐标基础上，将各向上向下拓展20个像素之后的图像作为运算区域，得到掩膜后的图像；
步骤103、将掩膜后的图像复制，分别进行不同阈值处理，以对两幅阈值处理之后的结果图像进行逻辑或操作的方式完成去噪二值化，得到去噪二值化的图像，其包括：
步骤1031，将掩膜后的图像复制，由一份图像分为相同的两份图像；
步骤1032，对复制之后的其中一份图像采用Niblack局部阈值方法进行二值化，并将二值化后的图像进行粒子滤波，滤除由Niblack二值化处理带来的细节噪声，得到一个结果图像；Niblack二值化方法是基于局部均值和局部标准差的，它的基本公式如式(8)：
T(x,y)＝m(x,y)+k*s(x,y) (8)
对于图像I(x,y)，在(x,y)处的阈值T(x,y)由局部均值m(x,y)和局部标准差s(x,y)决定，k表示调整系数；
步骤1033，对复制之后的另一份图像采用背景校正方法进行二值化，查找缝隙暗区域，使用如下公式(9)进行计算：
B(x,y)＝m(x,y)-I(x,y) (9)
其中，B(x,y)为背景校正图像灰度值，m(x,y)为窗口的平均灰度值，I(x,y)为输入图像灰度值；之后使用组内方差自动阈值方法分割背景校正图像得到二值化图像，即为另一个结果图像；
步骤1034，将上述两份阈值处理之后的结果图像进行逻辑或操作，得到噪声较小且缝隙信息保留较完整的二值化图像，完成片间缝隙的查找；
步骤104、对所得去噪二值化图像进行后处理：采用形态学处理方法，通过先open操作后close操作将行方向缝隙连接，纵方向缝隙断开；之后通过骨架提取将二值化的缝隙细化，得到细化后的图像；
步骤105、差分统计计数与定位，求得所测层叠的太阳能硅片或电池片的数量：在计数之前先将图像中硅片或电池片的平均厚度求出，每隔20列获取图像的某一列的像素灰度分布图，对于获取每一列的灰度图，都将每一个上升沿的纵坐标减去上一个上升沿的纵坐标并根据下式(10)进行计算：
<mrow>
<mi>G</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mi>M</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，G为所测硅片或电池片的平均厚度，单位为pixel；(M+1)为所测所有上升沿的数量；yi,yi-1分别代表当前上升沿的纵坐标以及上一个上升沿的纵坐标；
求得当前所测的硅片或电池片的平均厚度G之后，硅片或电池片计数厚度的范围为[0.65G,2G]；在计数时每隔20列获取图像的某一列的像素灰度分布图，对于获取每一列的灰度图，根据所选取的厚度范围，以式(11)、(12)以及(13)所示方法求取每一列所得的硅片或电池片的数量；
Δy＝yi-yi-1 (11)
<mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo><</mo>
<mn>0.65</mn>
<mi>G</mi>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mn>0.65</mn>
<mi>G</mi>
<mo>&le;</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>&le;</mo>
<mn>2</mn>
<mi>G</mi>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>2</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>&Delta;</mi>
<mi>y</mi>
<mo>></mo>
<mn>2</mn>
<mi>G</mi>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</msubsup>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Δy为上升沿之间的距离，单位为pixel；Pn为在所取的图像的第n列的灰度分布图下所得的硅片或电池片的数量；对所取得的数量出现的次数进行概率统计，求得最大概率的数即为本次测量的硅片或电池片的数量，并将对应的坐标记下，定位硅片或电池片缝隙所在图中的位置；
在所述的步骤1023中，基于得到的所述的掩膜后的图像对层叠硅片或电池片图像进行掩膜处理，将掩膜后的图像与被处理图像进行灰度相与运算，并进行坐标调整，如下式(6)和(7)所示：
I1(x,y)＝I(x,y)∩H(x,y) (6)
I2(x,y)＝I1(x,y+(Y0-30)),(0≤y≤(Y1+30)-(Y0-30)) (7)
其中，I(x,y)为待处理图像的灰度值，H(x,y)为掩膜图像灰度值，I1(x,y)为掩膜图像与待处理图像相与的灰度值，保留了待测图像中与掩膜图像相对应的在所检测到的被测物最上以及最下边缘所在的y坐标基础上，各向上向下拓展20个像素之后的图像区域；之后通过(7)式的坐标变换，去除运算区域之外的图像，将对应层叠硅片或电池片的纹理特征区域提取出来，减少运算区域；
在所述的步骤1032中，当缝隙所占像素过多，缝隙过宽时，采用背景校正的阈值处理，与Niblack局部阈值处理一起完成二值化，使不同宽度以及灰度分布不均匀的缝隙从噪声中分辨出来。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610113272.1A CN107133922A (zh) | 2016-02-29 | 2016-02-29 | 一种基于机器视觉和图像处理的硅片计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610113272.1A CN107133922A (zh) | 2016-02-29 | 2016-02-29 | 一种基于机器视觉和图像处理的硅片计数方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107133922A true CN107133922A (zh) | 2017-09-05 |
Family
ID=59721563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610113272.1A Pending CN107133922A (zh) | 2016-02-29 | 2016-02-29 | 一种基于机器视觉和图像处理的硅片计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107133922A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107749059A (zh) * | 2017-11-08 | 2018-03-02 | 贵州航天计量测试技术研究所 | 一种基于连通域识别的电子元器件自动计数方法 |
| CN109754410A (zh) * | 2019-01-03 | 2019-05-14 | 北京化工大学 | 一种基于机器视觉的铁路车辆车厢计数方法 |
| CN110428401A (zh) * | 2019-07-16 | 2019-11-08 | 南京农业大学 | 一种梨种质资源表型果点数据的测量与分析方法 |
| CN110473045A (zh) * | 2019-03-18 | 2019-11-19 | 刘剑 | 区块链数据采集平台 |
| CN110956737A (zh) * | 2020-01-07 | 2020-04-03 | 武汉卓目科技有限公司 | 一种安全线识别方法和装置 |
| CN111401505A (zh) * | 2020-03-31 | 2020-07-10 | 江苏芯智电子科技有限公司 | 一种纸张计数设备及其控制系统 |
| CN112017157A (zh) * | 2020-07-21 | 2020-12-01 | 中国科学院西安光学精密机械研究所 | 一种光学元件激光损伤阈值测试中损伤点识别方法 |
| CN112907482A (zh) * | 2021-03-17 | 2021-06-04 | 浙江理工大学 | 一种美图图像去噪的方法 |
| CN113686261A (zh) * | 2020-05-13 | 2021-11-23 | 苏州阿特斯阳光电力科技有限公司 | 硅片绒面的测试方法、装置、电子设备及可读存储介质 |
| CN115424062A (zh) * | 2022-08-29 | 2022-12-02 | 广东高景太阳能科技有限公司 | 一种自动识别斜线网的方法及装置、设备及存储介质 |
-
2016
- 2016-02-29 CN CN201610113272.1A patent/CN107133922A/zh active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107749059A (zh) * | 2017-11-08 | 2018-03-02 | 贵州航天计量测试技术研究所 | 一种基于连通域识别的电子元器件自动计数方法 |
| CN109754410B (zh) * | 2019-01-03 | 2020-12-11 | 北京化工大学 | 一种基于机器视觉的铁路车辆车厢计数方法 |
| CN109754410A (zh) * | 2019-01-03 | 2019-05-14 | 北京化工大学 | 一种基于机器视觉的铁路车辆车厢计数方法 |
| CN110473045A (zh) * | 2019-03-18 | 2019-11-19 | 刘剑 | 区块链数据采集平台 |
| CN110428401A (zh) * | 2019-07-16 | 2019-11-08 | 南京农业大学 | 一种梨种质资源表型果点数据的测量与分析方法 |
| CN110956737A (zh) * | 2020-01-07 | 2020-04-03 | 武汉卓目科技有限公司 | 一种安全线识别方法和装置 |
| CN111401505A (zh) * | 2020-03-31 | 2020-07-10 | 江苏芯智电子科技有限公司 | 一种纸张计数设备及其控制系统 |
| CN113686261A (zh) * | 2020-05-13 | 2021-11-23 | 苏州阿特斯阳光电力科技有限公司 | 硅片绒面的测试方法、装置、电子设备及可读存储介质 |
| CN112017157A (zh) * | 2020-07-21 | 2020-12-01 | 中国科学院西安光学精密机械研究所 | 一种光学元件激光损伤阈值测试中损伤点识别方法 |
| CN112017157B (zh) * | 2020-07-21 | 2023-04-11 | 中国科学院西安光学精密机械研究所 | 一种光学元件激光损伤阈值测试中损伤点识别方法 |
| CN112907482A (zh) * | 2021-03-17 | 2021-06-04 | 浙江理工大学 | 一种美图图像去噪的方法 |
| CN115424062A (zh) * | 2022-08-29 | 2022-12-02 | 广东高景太阳能科技有限公司 | 一种自动识别斜线网的方法及装置、设备及存储介质 |
| CN115424062B (zh) * | 2022-08-29 | 2024-01-30 | 高景太阳能股份有限公司 | 一种自动识别斜线网的方法及装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107133922A (zh) | 一种基于机器视觉和图像处理的硅片计数方法 | |
| CN104240204B (zh) | 一种基于图像处理的太阳能硅片和电池片的计数方法 | |
| CN103729632B (zh) | 一种基于连通区域滤波的圆形Mark点的定位方法 | |
| CN103345755B (zh) | 一种基于Harris算子的棋盘格角点亚像素提取方法 | |
| CN102883175B (zh) | 深度图提取、判断视频场景切换及深度图边缘优化方法 | |
| CN107301661A (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
| CN106770362A (zh) | 基于aoi的宏观缺陷检测装置及方法 | |
| CN106157310A (zh) | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 | |
| CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
| CN108007388A (zh) | 一种基于机器视觉的转盘角度高精度在线测量方法 | |
| CN110569857B (zh) | 一种基于质心距离计算的图像轮廓角点检测方法 | |
| CN109816673A (zh) | 一种非极大值抑制、动态阈值计算及图像边缘检测方法 | |
| CN110189314A (zh) | 基于机器视觉的汽车仪表盘图像定位方法 | |
| CN110111387B (zh) | 一种基于表盘特征的指针表定位及读数方法 | |
| CN103679672A (zh) | 基于边缘垂直距离匹配的全景图像拼接方法 | |
| CN110111711A (zh) | 屏幕的检测方法及装置、计算机可读存储介质 | |
| CN103293168B (zh) | 基于视觉显著性的水果表面缺陷检测方法 | |
| CN109712123A (zh) | 一种污渍检测方法 | |
| CN105701491A (zh) | 固定格式文档图像模版的制作方法及其应用 | |
| CN109978940A (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
| CN104599288A (zh) | 一种基于肤色模板的特征跟踪方法及装置 | |
| CN112583999A (zh) | 相机模块的镜头脏污检测方法 | |
| CN108088381A (zh) | 一种基于图像处理的非接触式微小间隙宽度测量方法 | |
| CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
| CN115880288B (zh) | 电子元件焊接的检测方法、系统及计算机设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170905 |
|
| WD01 | Invention patent application deemed withdrawn after publication |