CN107727662A - 一种基于区域生长算法的电池片el黑斑缺陷检测方法 - Google Patents
一种基于区域生长算法的电池片el黑斑缺陷检测方法 Download PDFInfo
- Publication number
- CN107727662A CN107727662A CN201710900575.2A CN201710900575A CN107727662A CN 107727662 A CN107727662 A CN 107727662A CN 201710900575 A CN201710900575 A CN 201710900575A CN 107727662 A CN107727662 A CN 107727662A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- algorithm
- blackspot
- solar battery
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Abstract
本发明主要用于检测多晶硅太阳能电池片EL图像表面黑斑缺陷。该方法根据近红外相机采集到的电池片EL图像，通过二值化提取感兴趣目标电池片，针对多晶硅形成的复杂多样的背景干扰，通过区域生长方式对图像进行分割，得到可能的缺陷连通域，之后通过两种方式来排除误检，一种是进行连通域分析提取连通域的面积和空洞面积特征，另一种是对连通域所对应的图像进行曲线检测即从图像纹理分析的角度来解决误检问题。通过以上所述方法处理，能够准确判断太阳能电池片黑斑缺陷，并将黑斑缺陷位置标记出来。
Description
技术领域
本发明属于工业视觉检测和图像处理技术的领域，具体地说是一种对多晶硅太阳能电池片EL图像表面黑斑缺陷进行检测的方法。
背景技术
太阳能作为一种新的可再生的清洁能源能，它的来源广泛，经济效益好而且不受地理位置环境的限制，可以很好的获取的特点已经成为近年来发展最快，研究最具有活力的领域。
目前由于光伏产业生产过程工艺过程复杂，经常出现颜色色差或者生产出来的电池片会存在诸如断栅、裂纹、低效、黑斑、隐裂、漏电等缺陷。现阶段国内主要依靠人工肉眼来识别这些缺陷，受主观性影响较大，而且会提高企业的成本和降低生产效率。通过利用晶体硅具有电致发光(Electroluminescence，简称EL)的特性，配合高分辨的红外相机来采集多晶硅电池片的近红外图像，也就是电池片的EL图像；再利用算法来识别图像如断栅、黑斑、隐裂等的内部缺陷。由于缺陷硅片做成电池不仅降低电池片的整体效率，而且电池片的衰减效率也会大大超过正常的电池片，严重影响整块组件的功率稳定性。
中国专利CN102313865A提出了一种黑心硅片的检测方法，主要是对制成黑心硅片的原料硅棒的头、尾两端分别切一薄片，并使用碘酒对薄片钝化后再使用少子寿命测试仪进行测试确定其少子的寿命。同一块电池片碘酒涂抹的多少盒均匀程度会对图像的质量造成一定的影响，每块电池片都需要碘酒涂抹对生产效率也会造成影响。
因此，通过机器视觉这种非接触的检测方式，对电池片能够减少由于接触造成的额外损害，能够提高多晶硅太阳能电池片的检测效率，提升生产水平。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是：多晶硅在电致发光的时候会产生多种多样不规则的背景，而且不同效率的电池片采集到的EL图像亮度不一，这些干扰使得自动识别电池片EL缺陷变的困难，为此我们提出了一种基于区域生长算法的多晶硅电池片EL图像黑斑检测方法。该方法根据近红外相机采集到的电池片EL图像，提取感兴趣目标区域，通过区域生长方式对图像进行分割，得到可能的缺陷连通域，之后通过两种方式来排除误检，一种是进行连通域分析提取连通域的特征，另一种是对连通域所对应的图像进行曲线检测即从图像纹理分析的角度来解决误检问题。
本发明分为两个部分，第一部分是得到可能的缺陷连通域；第二部分是排除误检的连通域，得到检测结果。其具体实现步骤如下：
第一部分，得到可能的缺陷连通域
第一部分，得到可能的缺陷连通域
1-1、采集图像：由近红外相机对EL检测太阳能电池片进行采集灰度图像，计算机读取；
1-2、二值化图像：在步骤1-1的基础上对采集到的图像进行二值化，得到前景图像的连通域；
1-3、开运算：在步骤1-2的基础上，对得到的前景图像的连通域进行开运算，先腐蚀再膨胀，排除噪声干扰；
1-4、提取感兴趣区域：在步骤1-3的基础上，对开运算之后的连通域求其最小外界矩形，将此矩形看作要处理的区域，即感兴趣区域；
1-5、灰度均值：在步骤1-4的基础上，计算由步骤1-4获得的感兴趣区域的灰度均值mean；
1-6、区域分割：在步骤1-3的基础上，对图像进行基于区域生长的自适应分割，得到可能的缺陷区域。
第二部分，排除误检的连通域
2-1、区域集合:在步骤1-6的基础上，针对步骤1-6分割出可能的缺陷连通域，提取区域面积和区域空洞面积大小两个特征，设定阈值，将不满足条件的区域排除出去，得到区域集合Θ；
2-2、计算连通域的大小：在步骤2-1的基础上，提取区域集合Θ中所有连通域的最小外接矩形的宽width和高height；
2-3、曲线检测：在步骤2-1的基础上，对Θ所对应的图像区域进行曲线检测，获得XLD轮廓区域，以此来排除表面不均匀的背景阴影区域；
2-4、边缘计算：在步骤2-4的基础上，对XLD轮廓区域进行边缘检测，得到曲线区域的边缘；
2-5、黑斑缺陷边缘获取：在步骤2-1和步骤2-4的基础上，将步骤2-1得到的区域同步骤2-4得到的曲线边缘信息图像取交点，从而获得黑斑缺陷边缘；
2-6、判断缺陷区域：在步骤2-5的基础上，计算黑斑区域的形状特征L，将该形状特征同区域集合中的连通域外接矩形的长和宽通过数学公式来判断是否是缺陷区，如果是，将该缺陷区域用红色标出。
具体的，适用的太阳能电池片大小为156mm*156mm,相机采集的图像大小为1024*1024。
具体的，所述方法检测的黑斑可以是多种形状，多种尺度，最小的为占电池片面积3％。
具体的，在步骤1-3中，图像进行开运算所用的模板为矩形，宽和高分别为2和40。
具体的，在步骤1-6中，区域生长规则的定义和其阈值最大值的设定为动态值即感兴趣区域灰度均值的一半，生长规则为：
其中g1，g2分别为相邻像素的灰度值，MinT，MaxT分别为设定的最小阈值和最大阈值。本方案设定MinT＝0，MaxT＝mean/2。
具体的，在步骤2-1中，排除非缺陷连通域时提取的特征为面积和区域空洞面积，面积最小值设定为400，空洞面积最大值为50。
具体的，在所述步骤2-6中，在进行黑斑形状特征计算之后，判断公式的定义：
L≤(height+width)/2
其中，height和width的值为步骤2-2中提取的height和weight的值。此时是缺陷区域，否则，不是缺陷区域。
具体的，基于区域生长的黑斑缺陷检测方法，其判定条件是在感兴趣区域分别提取后，对感兴趣区域阈值处理，处理后的图像假如有区域集合，则进行黑斑缺陷检测，假如没有获得阈值处理后的区域集合，则判定该感兴趣区域为无损块。
具体的，该算法在步骤1-3上，提取出来多个感兴趣区域，在缺陷检测的过程中采用的是循环判定检测的方式，即将所有感兴趣区域全部检测完毕改算法才结束。
具体的，该算法依托的是HDevelope软件，版本13版。
本发明方法通过对EL检测图像提取感兴趣区域，进行区域生长方式进行图像分割后，对疑似缺陷区域利用连通域的特征和图像纹理检测进行排除无缺陷区域，从而得到缺陷区域。
本发明的使用领域以及重要意义是：
本方法适用于多晶硅太阳能电池片EL图像黑斑缺陷的检测，电池片EL检测是必不可少的环节，电池片内部如果存在缺陷，会严重影响电池片效率值，而且通过EL检测可以帮助去查找生产工艺中出现的问题，提高生产的稳定性。并且近年来光伏行业发展迅速，对太阳能电池片的需求与日俱增，而目前阶段对于电池片EL缺陷的检测，只能通过人来进行识别，效率低下，不能满足需求。我们提供的方法通过自适应分割，连通域分析，图像纹理分析，能够在多晶硅复杂的背景下识别黑斑缺陷，有效的避免误检，大大提高了检测的准确性以及适应性，能够满足判断准确性的要求，更适用于工业应用。
附图说明
图1为基于区域生长算法的多晶硅电池片EL图像黑斑检测方法的图像处理过程的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1所示，图1为本发明检测方法的流程图，
一种基于区域生长算法的多晶硅太阳能电池片EL图像黑斑缺陷检测方法，该方法分为两个步骤：
1-1、采集图像：由近红外相机对EL检测太阳能电池片进行采集灰度图像，计算机读取；
1-2、二值化图像：在步骤1-1的基础上对采集到的图像进行二值化，得到前景图像的连通域；
1-3、开运算：在步骤1-2的基础上，对得到的前景图像的连通域进行开运算，先腐蚀再膨胀，排除噪声干扰；
1-4、提取感兴趣区域：在步骤1-3的基础上，对开运算之后的连通域求其最小外界矩形，将此矩形看作要处理的区域，即感兴趣区域；
1-5、灰度均值：在步骤1-4的基础上，计算由步骤1-4获得的感兴趣区域的灰度均值mean；
1-6、区域分割：在步骤1-3的基础上，对图像进行基于区域生长的自适应分割，得到可能的缺陷区域。
第二部分，排除误检的连通域
2-1、区域集合:在步骤1-6的基础上，针对步骤1-6分割出可能的缺陷连通域，提取区域面积和区域空洞面积大小两个特征，设定阈值，将不满足条件的区域排除出去，得到区域集合Θ；
2-2、计算连通域的大小：在步骤2-1的基础上，提取区域集合Θ中所有连通域的最小外接矩形的宽width和高height；
2-3、曲线检测：在步骤2-1的基础上，对Θ所对应的图像区域进行曲线检测，获得XLD轮廓区域，以此来排除表面不均匀的背景阴影区域；
2-4、边缘计算：在步骤2-4的基础上，对XLD轮廓区域进行边缘检测，得到曲线区域的边缘；
2-5、黑斑缺陷边缘获取：在步骤2-1和步骤2-4的基础上，将步骤2-1得到的区域同步骤2-4得到的曲线边缘信息图像取交点，从而获得黑斑缺陷边缘；
2-6、判断缺陷区域：在步骤2-5的基础上，计算黑斑区域的形状特征L，将该形状特征同区域集合中的连通域外接矩形的长和宽通过数学公式来判断是否是缺陷区，如果是，将该缺陷区域用红色标出。
具体的，适用的太阳能电池片大小为156mm*156mm,相机采集的图像大小为1024*1024。
具体的，所述方法检测的黑斑可以是多种形状，多种尺度，最小的为占电池片面积3％。
具体的，在步骤1-3中，图像进行开运算所用的模板为矩形，宽和高分别为2和40。
具体的，在步骤1-6中，区域生长规则的定义和其阈值最大值的设定为动态值即感兴趣区域灰度均值的一半，生长规则为：
其中g1，g2分别为相邻像素的灰度值，MinT，MaxT分别为设定的最小阈值和最大阈值。本方案设定MinT＝0，MaxT＝mean/2。
具体的，在步骤2-1中，排除非缺陷连通域时提取的特征为面积和区域空洞面积，面积最小值设定为400，空洞面积最大值为50。
具体的，在所述步骤2-6中，在进行黑斑形状特征计算之后，判断公式的定义：
L≤(height+width)/2
其中，height和width的值为步骤2-2中提取的height和weight的值。此时是缺陷区域，否则，不是缺陷区域。
具体的，基于区域生长的黑斑缺陷检测方法，其判定条件是在感兴趣区域分别提取后，对感兴趣区域阈值处理，处理后的图像假如有区域集合，则进行黑斑缺陷检测，假如没有获得阈值处理后的区域集合，则判定该感兴趣区域为无损块。
具体的，该算法在步骤1-3上，提取出来多个感兴趣区域，在缺陷检测的过程中采用的是循环判定检测的方式，即将所有感兴趣区域全部检测完毕，该算法才结束。
具体的，该算法依托的是HDevelope软件，版本13版。
本发明方法通过对EL检测图像提取感兴趣区域，进行区域生长方式进行图像分割后，对疑似缺陷区域利用连通域的特征和图像纹理检测进行排除无缺陷区域，实现太阳能电池片EL测试黑斑缺陷的检测。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种基于区域生长算法的多晶硅太阳能电池片EL图像黑斑缺陷检测方法，其特征在于，该方法包括两个步骤单元：
第一部分，得到可能的缺陷连通域
1-1、采集图像：由近红外相机对EL检测太阳能电池片进行采集灰度图像，计算机读取；
1-2、二值化图像：在步骤1-1的基础上对采集到的图像进行二值化，得到前景图像的连通域；
1-3、开运算：在步骤1-2的基础上，对得到的前景图像的连通域进行开运算，先腐蚀再膨胀，排除噪声干扰；
1-4、提取感兴趣区域：在步骤1-3的基础上，对开运算之后的连通域求其最小外界矩形，将此矩形看作要处理的区域，即感兴趣区域；
1-5、灰度均值：在步骤1-4的基础上，计算由步骤1-4获得的感兴趣区域的灰度均值mean；
1-6、区域分割：在步骤1-3的基础上，对图像进行基于区域生长的自适应分割，得到可能的缺陷区域。
第二部分，排除误检的连通域
2-1、区域集合:在步骤1-6的基础上，针对步骤1-6分割出可能的缺陷连通域，提取区域面积和区域空洞面积大小两个特征，设定阈值，将不满足条件的区域排除出去，得到区域集合Θ；
2-2、计算连通域的大小：在步骤2-1的基础上，提取区域集合Θ中所有连通域的最小外接矩形的宽width和高height；
2-3、曲线检测：在步骤2-1的基础上，对Θ所对应的图像区域进行曲线检测，获得XLD轮廓区域，以此来排除表面不均匀的背景阴影区域；
2-4、边缘计算：在步骤2-4的基础上，对XLD轮廓区域进行边缘检测，得到曲线区域的边缘；
2-5、黑斑缺陷边缘获取：在步骤2-1和步骤2-4的基础上，将步骤2-1得到的区域同步骤2-4得到的曲线边缘信息图像取交点，从而获得黑斑缺陷边缘；
2-6、判断缺陷区域：在步骤2-5的基础上，计算黑斑区域的形状特征L，将该形状特征同区域集合中的连通域外接矩形的长和宽通过数学公式来判断是否是缺陷区，如果是，将该缺陷区域标记出来。
2.根据权利要求1所述的一种基于区域生长算法的多晶硅太阳能电池片EL图像黑斑检测方法，其特征在于：所述方法检测的黑斑可以是多种形状，多种尺度，最小为占电池片面积3％。
3.根据权利要求1所述的一种基于区域生长算法的多晶硅太阳能电池片EL图像黑斑检测方法，其特征在于：所述方法适用的太阳能电池片大小为156mm*156mm，相机采集的图像大小为1024*1024。
4.根据权利要求1所述的一种基于区域生长算法的多晶硅太阳能电池片EL图像黑斑检测方法，其特征在于：在步骤1-3中，所述开运算方法的运用的模板为矩形，宽和高分别为2和40。
5.根据权利要求1所述的一种基于区域生长算法的多晶硅太阳能电池片EL图像黑斑检测方法，其特征在于：在步骤1-6中，所述基于区域生长的自适应分割的规则定义以及其阈值最大值设定为动态值，生长规则为，
<mrow>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
<mi>T</mi>
<mo>&le;</mo>
<msqrt>
<mrow>
<msub>
<mi>g</mi>
<mn>1</mn>
</msub>
<msub>
<mi>g</mi>
<mn>2</mn>
</msub>
</mrow>
</msqrt>
<mo><</mo>
<mo><</mo>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
<mi>T</mi>
</mrow>
其中g1，g2分别为相邻像素的灰度值，MinT，MaxT分别为设定的最小阈值和最大阈值。
6.根据权利要求5所述的一种基于区域生长算法的多晶硅太阳能电池片EL图像黑斑检测方法，其特征在于：所述阈值最大值为感兴趣区域灰度值的一半，参数设定为，MinT＝0，MaxT＝mean/2。
7.根据权利要求1所述的一种基于区域生长算法的多晶硅太阳能电池片EL图像黑斑检测方法，其特征在于：在步骤2-1中，所述区域面积的最小设定值为400，所述空洞面积的最大值设定为50。
8.根据权利要求1所述的一种基于区域生长算法的多晶硅太阳能电池片EL图像黑斑检测方法，其特征在于：在所述步骤2-6中，在进行黑斑形状特征计算之后，判断公式的定义：
L≤(height+width)/2
其中，height和width的值为步骤2-2中提取的height和weight的值。
9.根据权利要求1所述的一种基于区域生长算法的多晶硅太阳能电池片
EL图像黑斑检测方法，其特征在于：该算法在步骤1-3上，提取出来多个感兴趣区域，在缺陷检测的过程中采用的是循环判定检测的方式，即将所有感兴趣区域全部检测完毕，该算法才结束。
10.根据权利要求1-9任一项所述的一种基于区域生长算法的多晶硅太阳能电池片EL图像黑斑检测方法，其特征在于：该算法依托的是HDevelope软件，版本13版。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710900575.2A CN107727662B (zh) | 2017-09-28 | 2017-09-28 | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710900575.2A CN107727662B (zh) | 2017-09-28 | 2017-09-28 | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107727662A true CN107727662A (zh) | 2018-02-23 |
| CN107727662B CN107727662B (zh) | 2020-02-14 |
Family
ID=61208661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710900575.2A Active CN107727662B (zh) | 2017-09-28 | 2017-09-28 | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107727662B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108445018A (zh) * | 2018-03-20 | 2018-08-24 | 苏州巨能图像检测技术有限公司 | 应用于电池片黑心检测的有效特征曲线提取方法 |
| CN108447053A (zh) * | 2018-03-20 | 2018-08-24 | 苏州巨能图像检测技术有限公司 | 应用于电池片黑角检测的法线投影方法 |
| CN109150106A (zh) * | 2018-07-06 | 2019-01-04 | 零零二信息科技（沧州）有限责任公司 | 一种晶体硅光伏电池组件黑片缺陷失效分析方法 |
| CN109859177A (zh) * | 2019-01-17 | 2019-06-07 | 航天新长征大道科技有限公司 | 基于深度学习的工业射线影像评定方法及装置 |
| CN110047066A (zh) * | 2019-03-30 | 2019-07-23 | 天津大学 | 一种基于条纹偏折的光滑内壁微小缺陷检测方法 |
| CN110361400A (zh) * | 2019-07-01 | 2019-10-22 | 创新奇智(合肥)科技有限公司 | 一种铸铁工件的气泡检测方法及电子设备 |
| CN110866916A (zh) * | 2019-11-29 | 2020-03-06 | 广州大学 | 一种基于机器视觉的光伏电池片黑心黑角检测方法、装置及设备 |
| CN110942457A (zh) * | 2019-11-30 | 2020-03-31 | 天津大学 | 基于数字图像处理技术的太阳能电池板缺陷检测方法 |
| CN111127479A (zh) * | 2019-12-17 | 2020-05-08 | 昆明理工大学 | 一种基于曲线面积的水平集图像分割方法 |
| CN111307814A (zh) * | 2019-11-29 | 2020-06-19 | 宜昌南玻硅材料有限公司 | 一种基于图像处理的硅块杂质检测方法 |
| CN113487563A (zh) * | 2021-07-02 | 2021-10-08 | 河海大学常州校区 | 一种基于el图像的光伏组件隐裂自适应检测方法 |
| CN116245794A (zh) * | 2022-12-02 | 2023-06-09 | 广州市儒兴科技股份有限公司 | 太阳能电池背场外观测试方法、装置以及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4484081A (en) * | 1980-09-19 | 1984-11-20 | Trw Inc. | Defect analysis system |
| CN102590218A (zh) * | 2012-01-16 | 2012-07-18 | 安徽中科智能高技术有限责任公司 | 基于机器视觉的金属零件光洁表面微缺陷检测装置及方法 |
| CN106525859A (zh) * | 2016-09-23 | 2017-03-22 | 广东工业大学 | 一种无人机实时检测高压输电导线断股缺陷的方法 |
| CN106780438A (zh) * | 2016-11-11 | 2017-05-31 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
| CN107103600A (zh) * | 2017-04-13 | 2017-08-29 | 北京海风智能科技有限责任公司 | 一种基于机器学习的绝缘子缺陷自动检测方法 |
-
2017
- 2017-09-28 CN CN201710900575.2A patent/CN107727662B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4484081A (en) * | 1980-09-19 | 1984-11-20 | Trw Inc. | Defect analysis system |
| CN102590218A (zh) * | 2012-01-16 | 2012-07-18 | 安徽中科智能高技术有限责任公司 | 基于机器视觉的金属零件光洁表面微缺陷检测装置及方法 |
| CN106525859A (zh) * | 2016-09-23 | 2017-03-22 | 广东工业大学 | 一种无人机实时检测高压输电导线断股缺陷的方法 |
| CN106780438A (zh) * | 2016-11-11 | 2017-05-31 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
| CN107103600A (zh) * | 2017-04-13 | 2017-08-29 | 北京海风智能科技有限责任公司 | 一种基于机器学习的绝缘子缺陷自动检测方法 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108445018B (zh) * | 2018-03-20 | 2021-06-18 | 苏州巨能图像检测技术有限公司 | 应用于电池片黑心检测的有效特征曲线提取方法 |
| CN108447053A (zh) * | 2018-03-20 | 2018-08-24 | 苏州巨能图像检测技术有限公司 | 应用于电池片黑角检测的法线投影方法 |
| CN108445018A (zh) * | 2018-03-20 | 2018-08-24 | 苏州巨能图像检测技术有限公司 | 应用于电池片黑心检测的有效特征曲线提取方法 |
| CN109150106A (zh) * | 2018-07-06 | 2019-01-04 | 零零二信息科技（沧州）有限责任公司 | 一种晶体硅光伏电池组件黑片缺陷失效分析方法 |
| CN109859177A (zh) * | 2019-01-17 | 2019-06-07 | 航天新长征大道科技有限公司 | 基于深度学习的工业射线影像评定方法及装置 |
| CN109859177B (zh) * | 2019-01-17 | 2023-03-10 | 航天新长征大道科技有限公司 | 基于深度学习的工业射线影像评定方法及装置 |
| CN110047066A (zh) * | 2019-03-30 | 2019-07-23 | 天津大学 | 一种基于条纹偏折的光滑内壁微小缺陷检测方法 |
| CN110047066B (zh) * | 2019-03-30 | 2023-03-21 | 天津大学 | 一种基于条纹偏折的光滑内壁微小缺陷检测方法 |
| CN110361400A (zh) * | 2019-07-01 | 2019-10-22 | 创新奇智(合肥)科技有限公司 | 一种铸铁工件的气泡检测方法及电子设备 |
| CN111307814B (zh) * | 2019-11-29 | 2022-10-04 | 宜昌南玻硅材料有限公司 | 一种基于图像处理的硅块杂质检测方法 |
| CN111307814A (zh) * | 2019-11-29 | 2020-06-19 | 宜昌南玻硅材料有限公司 | 一种基于图像处理的硅块杂质检测方法 |
| CN110866916A (zh) * | 2019-11-29 | 2020-03-06 | 广州大学 | 一种基于机器视觉的光伏电池片黑心黑角检测方法、装置及设备 |
| CN110942457A (zh) * | 2019-11-30 | 2020-03-31 | 天津大学 | 基于数字图像处理技术的太阳能电池板缺陷检测方法 |
| CN110942457B (zh) * | 2019-11-30 | 2023-12-08 | 天津大学 | 基于数字图像处理技术的太阳能电池板缺陷检测方法 |
| CN111127479A (zh) * | 2019-12-17 | 2020-05-08 | 昆明理工大学 | 一种基于曲线面积的水平集图像分割方法 |
| CN113487563A (zh) * | 2021-07-02 | 2021-10-08 | 河海大学常州校区 | 一种基于el图像的光伏组件隐裂自适应检测方法 |
| CN113487563B (zh) * | 2021-07-02 | 2023-09-05 | 河海大学常州校区 | 一种基于el图像的光伏组件隐裂自适应检测方法 |
| CN116245794A (zh) * | 2022-12-02 | 2023-06-09 | 广州市儒兴科技股份有限公司 | 太阳能电池背场外观测试方法、装置以及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107727662B (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107727662A (zh) | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 | |
| CN109084957B (zh) | 光伏太阳能晶硅电池片的缺陷检测和颜色分选方法及其系统 | |
| CN107578409B (zh) | 一种太阳能电池片外观断栅缺陷检测的方法 | |
| CN107742286B (zh) | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 | |
| CN110111328A (zh) | 一种基于卷积神经网络的风力发电机叶片裂纹检测方法 | |
| AU2015392660B2 (en) | Stepwise-refinement pavement crack detection method | |
| CN104458755B (zh) | 一种基于机器视觉的多类型材质表面缺陷检测方法 | |
| CN105046700B (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
| CN101852768B (zh) | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 | |
| CN108596903A (zh) | 一种太阳能电池片的黑边和碎片的缺陷检测方法 | |
| CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
| CN107274393B (zh) | 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法 | |
| CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
| CN107490584B (zh) | 一种太阳能电池片el测试断栅缺陷检测方法 | |
| CN110009618A (zh) | 一种轴类零件表面质量检测方法及装置 | |
| CN107185854A (zh) | 基于rgb通道的光伏电池片色差检测及颜色分类的算法 | |
| CN112991264B (zh) | 一种单晶硅光伏电池裂纹缺陷的检测方法 | |
| CN107749057A (zh) | 一种太阳能电池片外观漏浆缺陷检测的方法 | |
| CN104952754B (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
| CN105095907A (zh) | 一种基于rbf神经网络的棉花异质纤维鉴别方法 | |
| CN110211128B (zh) | 基于遥感影像和dem的黄土高原梯田提取方法 | |
| CN114972397A (zh) | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 | |
| CN111553898A (zh) | 一种基于卷积神经网络的面料疵点检测方法 | |
| CN104573662A (zh) | 一种云判方法和系统 | |
| CN107578414B (zh) | 一种路面裂缝图像的处理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |