CN107742286B - 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 - Google Patents

一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 Download PDF

Info

Publication number
CN107742286B
CN107742286B CN201710900759.9A CN201710900759A CN107742286B CN 107742286 B CN107742286 B CN 107742286B CN 201710900759 A CN201710900759 A CN 201710900759A CN 107742286 B CN107742286 B CN 107742286B
Authority
CN
China
Prior art keywords
image
region
basis
width
line
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.)
Expired - Fee Related
Application number
CN201710900759.9A
Other languages
English (en)
Other versions
CN107742286A (zh
Inventor
刘坤
闫皓炜
李爱梅
韩江锐
文�熙
陈海永
王玉
崔海根
樊雷雷
胡洁
于矗卓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Technology
Tianjin Yingli New Energy Resource Co Ltd
Original Assignee
Hebei University of Technology
Tianjin Yingli New Energy Resource Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei University of Technology, Tianjin Yingli New Energy Resource Co Ltd filed Critical Hebei University of Technology
Priority to CN201710900759.9A priority Critical patent/CN107742286B/zh
Publication of CN107742286A publication Critical patent/CN107742286A/zh
Application granted granted Critical
Publication of CN107742286B publication Critical patent/CN107742286B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T5/70—
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Abstract

本发明所述的多晶硅太阳能电池片EL测试裂纹缺陷检测适用于工业生产太阳能电池片现场，首先对采集的图像预处理，进行全局阈值分割和形态学的开运算和闭运算排除非处理区域的干扰；再进行中值滤波，引导滤波来消除图像噪声；通过差分阈值和特征提取将探针区域提取出来，将探针区域和阈值分割后的区域进行求补运算，排除探针区域，留下待检测区域；对平滑后的图像进行傅里叶变换；排除探针区域和傅里叶变换后的区域求交集得到待检测区域，提取待检测区域的线条，再根据线条的属性判断线条是否为裂纹。本发明实现了非接触检测，提高检测质量和效率，有效降低检测过程中的碎片率，可有效的实现检测的在线自动化。

Description

一种多晶硅太阳能电池片EL测试裂纹缺陷检测方法
技术领域
本发明涉及光伏电池检测技术领域，主要涉及一种多晶硅太阳能电池片EL测试裂纹缺陷检测方法。
背景技术
随着我国经济的发展，资源的消耗与需求不断增长，而现在我国经济正面临着经济转型升级的关键时刻，能源问题则成为阻碍我国国民经济发展的又一大难题。太阳能作为一种新的可再生的清洁能源能，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。多晶硅太阳能电池片广泛应用于光伏发电中。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。组装起来后这些有缺陷会影响电池片的整体性能和外观。在EL测试中，裂纹缺陷是最常见的一种缺陷，检测裂纹缺陷对提升产品质量非常重要，对于提高企业的经济效益具有重大的价值和意义。
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影响生产的效率。目前国内同时融合光伏电池色差分选和EL缺陷检测的智能机器人系统仍处于空白，现在迫切需要建立能够进行智能化色差分选和缺陷产品检测与剔除的系统，提高光伏产业的智能化升级改造。
因此，如何通过一种算法将太阳能电池片EL测试中的裂纹缺陷检测出来，克服现有技术的缺陷，是目前本领域技术人员需要解决的技术问题。
发明内容
有鉴于此，本发明提供了一种太阳能电池片EL测试裂纹缺陷检测方法。解决现有技术中的种种不足，具体方案如下：
一种太阳能电池片EL测试裂纹缺陷检测的方法，该方法包括三个步骤单元：
第一步，图像预处理单元
1-1获得灰度图像：将工业红外相机采集到的RGB图像信息转换为灰度图像信息；
1-2获取图像的矩形区域：在步骤1-1的基础上，对灰度图像进行形态学开运算、闭运算操作，排除其它区域干扰，获取矩形结构的灰度图像区域；
1-3获取感兴趣区域：在步骤1-2的基础上，获得感兴趣图像的区域；
1-4求出图像的尺寸：在步骤1-3的基础上，求取矩形区域图像的宽度和高度；
1-5图像滤波:在步骤1-4的基础上，对图像进行中值滤波和引导滤波消除噪声，平滑图像；
1-6照亮图像：在步骤1-5的基础上，对图像进行照明，使整副图像的亮度均匀；
1-7二值化图像：在步骤1-6的基础上，选择合适的滤波模板对图像进行二值化；
1-8获取探针区域：在步骤1-7的基础上，对二值图像进行形态学的开操作运算和闭操作运算，求出探针区域的连通区域，根据探针区域宽度‘width’特征对探针区域进行特征提取，获取探针的栅线区域；
第二步，得到非探针区域后进一步处理
2-1获取电池片区域：在步骤1-8的基础上，对图像求补，排除探针区域，留下电池片区域；
2-2对图像求反：在步骤2-1的基础上，对图像进行求反运算；
2-3获取图像尺寸：在步骤2-2的基础上，获取求反后的图像的高‘Height’和宽‘Width’；
2-4带通滤波器：在步骤2-3的基础上，产生一个正弦形状的带通滤波器；
2-5傅里叶变换：在步骤2-4的基础上，计算图像快速傅里叶变换的真实值；
2-6卷积图像：在步骤2-5的基础上，用滤波器在频率域上对图像进行卷积；
2-7二值化：在步骤2-6的基础上，通过固定阈值二值化操作，将高频部分区域选出；
2-8排除非缺陷区域：在步骤2-7的基础上，根据裂纹所具有的特征将区域面积‘area’特征，椭圆半径‘ra’特征和中心柱索引‘column’特征将不满足这些特征的非缺陷晶格干扰区域排除，留下待检测的缺陷区域；
2-9排除断栅区域：在步骤2-8的基础上，竖直的断栅区域对检测缺陷造成干扰，根据区域方向‘orientation’的特征将断栅区域排除；
第三步，提取线条
3-1提取线条：在2-9的基础上，选择高斯参数线条的最大宽度为7，线条的对比度为12，利用高斯面将亚像素XLD精度裂纹形状或棒状线条‘bar-shaped’提取出来；
3-2排除非裂纹线条：在3-1的基础上，利用轮廓点的区域‘area_points’和轮廓点的方向‘orientation_points’将裂纹处亚像素精度线条提取出来；
3-3确定裂纹：在3-2的基础上，提取出线条的二阶偏导数的幅度值‘response’，线条的对比度‘contrast’，线条的左侧宽度‘width_left’和线条的右侧宽度‘width_right’,根据裂纹线条的属性来判断线性提取后的线条是否为裂纹,如果线条的二阶偏导数的幅度值response满足：1<responseMean<4；线条的对比度‘contrast’满足：responseMean<4；contrastMean<-18；线的左侧宽度‘width_left’满足：leftMean>3.3；线的右侧宽度‘width_right’满足：rightMean<＝4.6则可判断该线条为裂纹，如果不是则可以排除；
3-4分割线条：在3-3的基础上，对亚像素XLD裂纹轮廓划分成线段‘lines’；
3-5填充线段:在3-4的基础上，为了找出裂纹的轮廓区域，将线段转换成任意形状的封闭区域，并将该区域进行填充；
3-6标注裂纹：在3-5的基础上，将填充区域进行骨架提取，并在原图上标注裂纹位置。
具体的，在所述步骤1-7中，为了保证裂纹在进行二值化后，还能保持裂纹形状不变，根据裂纹的大小选择滤波模板宽度‘maskwidth’和高度‘maskheight’要比本身裂纹大，差分阈值化的的模板宽度‘maskwidth’为25，高度‘maskheight’为25；裂纹的亮度要比周围暗，阈值类型为‘dark’。
具体的，在所述步骤1-8中，获取探针区域根据探针区域宽度‘width’特征对探针区域进行特征提取，提取特征区域宽度‘width’的最小值为1800和最大值为99999。
具体的，在所述步骤2-8中，将不满足区域面积‘area’特征范围为800～999999；椭圆半径‘ra’特征范围为70～999999；中心柱索引'column'特征范围为15～1950的非缺陷的晶格干扰区域排除，留下待检测的缺陷区域。
具体的，在所述步骤2-9中，竖直的断栅区域对检测缺陷造成干扰，根据区域方向‘orientation’的特征可将断栅干扰区域排除，三组特征的范围分别为-3.15～-1.65,-1.45～1.45,1.65～3.15。
具体的，在所述步骤3-2中，根据亚像素XLD轮廓点的区域‘area_points’和亚像素XLD轮廓点的方向‘orintation_points’将非缺陷的小区域进一步排除，留下待检测区域，‘area_points’的范围为40～99999，三组轮廓点的方向‘orientation_points’分别为-3.15～-1.65，-1.45～1.45,1.65～3.15。
具体的，所述开运算的值为50，所述闭运算值为120。
具体的，所述探针有四条。
本发明通过将缺陷区域的线条提取出来，实现多晶硅太阳能电池片EL检测裂纹缺陷的机器视觉检测。本发明所述的多晶硅太阳能电池片EL测试裂纹缺陷检测适用于工业生产太阳能电池片现场，经过对EL裂纹缺陷检测分析，该检测算法充分适用于现场状况。首先对采集的图像预处理，进行全局阈值分割和形态学的开运算和闭运算排除非处理区域的干扰；再进行中值滤波，引导滤波来消除图像噪声；通过差分阈值和特征提取将探针区域提取出来，将探针区域和阈值分割后的区域进行求补运算，排除探针区域，留下待检测区域；对平滑后的图像进行傅里叶变换；排除探针区域和傅里叶变换后的区域求交集得到待检测区域，提取待检测区域的线条，再根据线条的属性判断线条是否为裂纹。本发明实现了非接触检测，提高检测质量和效率，有效降低检测过程中的碎片率，可有效的实现检测的在线自动化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明检测方法的流程图。
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。
一种多晶硅太阳能电池片EL测试裂纹缺陷检测的方法，该方法包括三个步骤单元：
第一步，图像预处理单元
1-1获得灰度图像：将工业红外相机采集到的RGB图像信息转换为灰度图像信息；
1-2获取图像的矩形区域：在步骤1-1的基础上，对灰度图像进行形态学开运算，开运算的最佳值为50；闭运算操作排除其它区域干扰，闭运算的最佳值为120；获取矩形结构的灰度图像区域；
1-3获取感兴趣区域：在步骤1-2的基础上，获得感兴趣图像的区域；
1-4求出图像的尺寸：在步骤1-3的基础上，求取矩形区域图像的宽度和高度；
1-5图像滤波:在步骤1-4的基础上，对图像进行中值滤波和引导滤波消除噪声，平滑图像，
1-6照亮图像：在步骤1-5的基础上，对图像进行照明，使整副图像的亮度均匀；
1-7二值化图像：在步骤1-6的基础上，选择合适的滤波模板对图像进行二值化；
1-8获取探针区域：在步骤1-7的基础上，对二值图像进行形态学的开操作运算和闭操作运算，求出探针区域的连通区域，根据探针区域宽度‘width’特征对探针区域进行特征提取，获取四条探针的栅线区域；
第二步，得到非探针区域后进一步处理
2-1获取电池片区域：在步骤1-8的基础上，对图像求补，排除探针区域，留下电池片区域；
2-2对图像求反：在步骤2-1的基础上，对图像进行求反运算；
2-3获取图像尺寸：在步骤2-2的基础上，获取求反后的图像的高‘Height’和宽‘Width’；
2-4带通滤波器：在步骤2-3的基础上，产生一个正弦形状的带通滤波器；
2-5傅里叶变换：在步骤2-4的基础上，计算图像快速傅里叶变换的真实值；
2-6卷积图像：在步骤2-5的基础上，用滤波器在频率域上对图像进行卷积；
2-7二值化：在步骤2-6的基础上，通过固定阈值二值化操作，将高频部分区域选出；
2-8排除非缺陷区域：在步骤2-7的基础上，根据裂纹所具有的特征将区域面积‘area’特征，椭圆半径‘ra’特征和中心柱索引‘column’特征将不满足这些特征的非缺陷晶格干扰区域排除，留下待检测的缺陷区域；
2-9排除断栅区域：在步骤2-8的基础上，竖直的断栅区域对检测缺陷造成干扰，根据区域方向‘orientation’的特征将断栅区域排除；
第三步，提取线条
3-1提取线条：在2-9的基础上，选择高斯参数线条的最大宽度为7，线条的对比度为12，利用高斯面来将亚像素(XLD)精度类似裂纹形状棒状线条‘bar-shaped’提取出来。
3-2排除非裂纹线条：在3-1的基础上，利用轮廓点的区域‘area_points’和轮廓点的方向‘orientation_points’将裂纹处亚像素精度线条提取出来；
3-3确定裂纹：在3-2的基础上，提取出线条的二阶偏导数的幅度值‘response’，线条的对比度‘contrast’，线条的左侧宽度‘width_left’和线条的右侧宽度‘width_right’。根据裂纹线条的属性来判断线性提取后的线条是否为裂纹。如果线条的二阶偏导数的幅度值response满足：1<responseMean<4；线条的对比度‘contrast’满足：responseMean<4；contrastMean<-18；线的左侧宽度‘width_left’满足：leftMean>3.3；线的右侧宽度‘width_right’满足：rightMean<＝4.6则可判断该线条为裂纹，如果不是则可以排除；
3-4分割线条：在3-3的基础上，对亚像素XLD裂纹轮廓划分成线段‘lines’；
3-5填充线段:在3-4的基础上，为了找出裂纹的轮廓区域，将线段进行转换成任意形状的封闭区域，并将该区域进行填充；
3-6标注裂纹：在3-5的基础上，将填充区域进行骨架提取，并在原图上标注裂纹位置。
具体的，相机采集的图像大小为1024*1024。
具体的，在所述步骤1-7中，为了保证裂纹在进行二值化后，还能保持裂纹形状不变，根据裂纹的大小选择滤波模板宽度‘maskwidth’和高度‘maskheight’要比本身裂纹大，差分阈值化的的模板宽度‘maskwidth’为25，高度‘maskheight’为25；裂纹的亮度要比周围暗，阈值类型为‘dark’。
具体的，在所述步骤1-8中，获取探针区域根据探针区域宽度‘width’特征对探针区域进行特征提取，提取特征区域宽度‘width’的最小值为1800和最大值为99999。
具体的，在所述步骤1-9中，特征提取线的宽度‘width’最小值和最大值分别为[1800,99999]。
具体的，在所述步骤2-8中，将不满足区域面积‘area’特征范围为800～999999；椭圆半径‘ra’特征范围为70～999999；中心柱索引'column'特征范围为15～1950的非缺陷的晶格干扰区域排除，留下待检测的缺陷区域。
具体的，在所述步骤2-9中，竖直的断栅区域对检测缺陷造成干扰，根据区域方向‘orientation’的特征可将断栅干扰区域排除，三组特征的范围分别为-3.15～-1.65,-1.45～1.45,1.65～3.15。
具体的，在所述步骤3-2中，根据亚像素XLD轮廓点的区域‘area_points’和亚像素XLD轮廓点的方向‘orientation_points’将非缺陷的小区域进一步排除，留下待检测区域，‘area_points’的范围为40～99999，三组轮廓点的方向‘orientation_points’分别为-3.15～-1.65，-1.45～1.45,1.65～3.15。
具体的，该算法依托的是HDevelope软件，版本2013版。
本发明通过将缺陷区域的线条提取出来，实现多晶硅太阳能电池片EL检测裂纹缺陷的机器视觉检测。
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，本领域的普通技术人员在本发明的启示下，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 (6)

1.一种多晶硅太阳能电池片EL测试裂纹缺陷检测的方法，其特征在于，该方法包括三个步骤单元：
第一步，图像预处理单元
1-1获得灰度图像：将工业红外相机采集到的RGB图像信息转换为灰度图像信息；
1-2获取图像的矩形区域：在步骤1-1的基础上，对灰度图像进行形态学开运算、闭运算操作，排除其它区域干扰，获取矩形结构的灰度图像区域；
1-3获取感兴趣区域：在步骤1-2的基础上，获得感兴趣图像的区域；
1-4求出图像的尺寸：在步骤1-3的基础上，求取矩形区域图像的宽度和高度；
1-5图像滤波:在步骤1-4的基础上，对图像进行中值滤波和引导滤波消除噪声，平滑图像；
1-6照亮图像：在步骤1-5的基础上，对图像进行照明，使整副图像的亮度均匀；
1-7二值化图像：在步骤1-6的基础上，选择合适的滤波模板对图像进行二值化；
1-8获取探针区域：在步骤1-7的基础上，对二值图像进行形态学的开操作运算和闭操作运算，求出探针区域的连通区域，根据探针区域宽度‘width’特征对探针区域进行特征提取，获取探针的栅线区域；
第二步，得到非探针区域后进一步处理
2-1获取电池片区域：在步骤1-8的基础上，对图像求补，排除探针区域，留下电池片区域；
2-2对图像求反：在步骤2-1的基础上，对图像进行求反运算；2-3获取图像尺寸：在步骤2-2的基础上，获取求反后的图像的高‘Height’和宽‘Width’；
2-4带通滤波器：在步骤2-3的基础上，产生一个正弦形状的带通滤波器；
2-5傅里叶变换：在步骤2-4的基础上，计算图像快速傅里叶变换的真实值；
2-6卷积图像：在步骤2-5的基础上，用滤波器在频率域上对图像进行卷积；
2-7二值化：在步骤2-6的基础上，通过固定阈值二值化操作，将高频部分区域选出；
2-8排除非缺陷区域：在步骤2-7的基础上，根据裂纹所具有的特征将区域面积‘area’的特征，椭圆半径‘ra’的特征和中心柱索引‘column’的特征，将不满足这些特征的非缺陷晶格干扰区域排除，留下待检测的缺陷区域；
2-9排除断栅区域：在步骤2-8的基础上，竖直的断栅区域对检测缺陷造成干扰，根据区域方向‘orientation’的特征将断栅区域排除；
第三步，提取线条
3-1提取线条：在2-9的基础上，选择高斯参数线条的最大宽度为7，线条的对比度为12，利用高斯面将亚像素XLD精度裂纹形状或棒状线条‘bar-shaped’提取出来；
3-2排除非裂纹线条：在3-1的基础上，利用轮廓点的区域‘area_points’和轮廓点的方向‘orientation_points’将裂纹处亚像素精度线条提取出来；
3-3确定裂纹：在3-2的基础上，提取出线条的二阶偏导数的幅度值‘response’，线条的对比度‘contrast’，线条的左侧宽度‘width_left’和线条的右侧宽度‘width_right’,根据裂纹线条的属性来判断线性提取后的线条是否为裂纹,如果线条的二阶偏导数的幅度值response满足：1<responseMean<4；线条的对比度‘contrast’满足：contrastMean<-18；线的左侧宽度‘width_left’满足：leftMean>3.3；线的右侧宽度‘width_right’满足：rightMean<＝4.6则可判断该线条为裂纹，如果不是则可以排除；
3-4分割线条：在3-3的基础上，对亚像素XLD裂纹轮廓划分成线段‘lines’；
3-5填充线段:在3-4的基础上，为了找出裂纹的轮廓区域，将线段转换成任意形状的封闭区域，并将该区域进行填充；
3-6标注裂纹：在3-5的基础上，将填充区域进行骨架提取，并在原图上标注裂纹位置。
2.根据权利要求1所述的多晶硅太阳能电池片EL测试裂纹缺陷检测的方法，其特征在于：在所述步骤1-7中，为了保证裂纹在进行二值化后，还能保持裂纹形状不变，根据裂纹的大小选择滤波模板宽度‘maskwidth’和高度‘maskheight’要比本身裂纹大，差分阈值化的模板宽度‘maskwidth’为25，高度‘maskheight’为25；裂纹的亮度要比周围暗，阈值类型为‘dark’。
3.根据权利要求1所述的一种多晶硅太阳能电池片EL测试裂纹检测方法，其特征在于：在所述步骤1-8中，获取探针区域根据探针区域宽度‘width’特征对探针区域进行特征提取，提取特征区域宽度‘width’的最小值为1800和最大值为99999。
4.根据权利要求1所述的多晶硅太阳能电池片EL测试裂纹缺陷检测的方法，其特征在于：在所述步骤2-8中，将不满足区域面积‘area’特征范围为800～999999；椭圆半径‘ra’特征范围为70～999999；中心柱索引'column'特征范围为15～1950的非缺陷的晶格干扰区域排除，留下待检测的缺陷区域。
5.根据权利要求1-4任一项所述的多晶硅太阳能电池片EL测试裂纹缺陷检测的方法，其特征在于：所述步骤1-2和1-8中开运算的值为50，所述步骤1-2和1-8中闭运算值为120。
6.根据权利要求5所述的多晶硅太阳能电池片EL测试裂纹缺陷检测的方法，其特征在于：所述探针有四条。
CN201710900759.9A 2017-09-28 2017-09-28 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 Expired - Fee Related CN107742286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710900759.9A CN107742286B (zh) 2017-09-28 2017-09-28 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710900759.9A CN107742286B (zh) 2017-09-28 2017-09-28 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法

Publications (2)

Publication Number Publication Date
CN107742286A CN107742286A (zh) 2018-02-27
CN107742286B true CN107742286B (zh) 2021-01-29

Family

ID=61236361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710900759.9A Expired - Fee Related CN107742286B (zh) 2017-09-28 2017-09-28 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法

Country Status (1)

Country Link
CN (1) CN107742286B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
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
CN109525194B (zh) * 2018-10-15 2020-01-07 上海交通大学 光伏板故障光斑检测识别方法和系统
CN109365318B (zh) * 2018-11-30 2021-05-04 天津大学 一种多机器人协作分拣方法及系统
CN109829919B (zh) * 2019-01-31 2021-09-10 苏州晟成光伏设备有限公司 一种太阳能电池片的视觉定位方法
CN110910352A (zh) * 2019-11-06 2020-03-24 创新奇智(南京)科技有限公司 基于深度学习的太阳能电池缺陷检测系统及检测方法
CN111047564A (zh) * 2019-11-28 2020-04-21 戎得(上海)光伏科技有限公司 一种应用于光伏电站现场的el缺陷检测方法
CN112508926A (zh) * 2020-12-16 2021-03-16 广州大学 金属冲压件表面划痕检测方法、系统、装置和存储介质
CN112858321A (zh) * 2021-02-22 2021-05-28 南京理工大学 基于线阵ccd的钢板表面缺陷检测系统及方法
CN113109368B (zh) * 2021-03-12 2023-09-01 浙江华睿科技股份有限公司 玻璃裂纹检测方法、装置、设备及介质
CN114052070B (zh) * 2021-10-26 2024-03-19 江苏大学 一种胚芽米灭酶装置及灭酶与检测方法
CN114723681B (zh) * 2022-03-22 2022-10-18 江苏禹润智能科技有限公司 一种基于机器视觉的混凝土裂缝缺陷检测方法
CN115393357B (zh) * 2022-10-28 2023-01-17 菲特（天津）检测技术有限公司 一种镜片表面缺陷检测方法
CN117036348B (zh) * 2023-10-08 2024-01-09 中国石油大学(华东) 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法
CN117531732B (zh) * 2024-01-10 2024-03-22 浙江金连接科技股份有限公司 一种半导体芯片测试探针分选与缺陷检测设备及检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253046A (zh) * 2011-04-26 2011-11-23 3i系统公司 太阳能电池片电致发光缺陷检测与iv检测一体化系统
WO2011155613A1 (ja) * 2010-06-11 2011-12-15 日本化薬株式会社 硬化性樹脂組成物およびその硬化物
CN103871919A (zh) * 2012-12-13 2014-06-18 苏州中导光电设备有限公司 太阳能硅片及电池片缺陷检测系统
CN103872983A (zh) * 2014-04-04 2014-06-18 天津市鑫鼎源科技发展有限公司 太阳能电池表面缺陷检测设备及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011155613A1 (ja) * 2010-06-11 2011-12-15 日本化薬株式会社 硬化性樹脂組成物およびその硬化物
CN102253046A (zh) * 2011-04-26 2011-11-23 3i系统公司 太阳能电池片电致发光缺陷检测与iv检测一体化系统
CN103871919A (zh) * 2012-12-13 2014-06-18 苏州中导光电设备有限公司 太阳能硅片及电池片缺陷检测系统
CN103872983A (zh) * 2014-04-04 2014-06-18 天津市鑫鼎源科技发展有限公司 太阳能电池表面缺陷检测设备及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Automatic detection and evaluation of solar cell micro-cracks in electroluminescence images using matched filters;Sergiu Spataru 等;《2016 IEEE 43rd Photovoltaic Specialists Conference (PVSC)》;20161121;全文 *
基于电致发光成像理论的硅太阳电池缺陷检测;王超 等;《光电子激光》;20110930;第22卷(第9期);全文 *
太阳能电池缺陷检测系统的研究;王志欣;《万方学术期刊数据库》;20150701;全文 *

Also Published As

Publication number Publication date
CN107742286A (zh) 2018-02-27

Similar Documents

Publication Publication Date Title
CN107742286B (zh) 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法
CN107578409B (zh) 一种太阳能电池片外观断栅缺陷检测的方法
CN107727662B (zh) 一种基于区域生长算法的电池片el黑斑缺陷检测方法
CN107490584B (zh) 一种太阳能电池片el测试断栅缺陷检测方法
CN110930357B (zh) 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统
CN107389701A (zh) 一种基于图像的pcb表观缺陷自动检测系统及方法
Liang et al. Defect detection of rail surface with deep convolutional neural networks
Li et al. Automatic saw-mark detection in multicrystalline solar wafer images
CN104215639A (zh) 一种基于机器视觉的梨表面缺陷检测方法
CN105139386A (zh) 一种快速自动检测电气接插件焊点不合格品的图像处理方法
CN107843600B (zh) 一种多晶硅太阳能电池片外观手印缺陷检测的方法
CN114119462A (zh) 一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法
Hu Optimal ring Gabor filter design for texture defect detection using a simulated annealing algorithm
CN104535589A (zh) 一种低压电流互感器在线检测方法和装置
CN112819784A (zh) 一种配电线路导线断股散股检测方法及系统
Lyasheva et al. Detection and recognition of pavement cracks based on computer vision technology
Tian et al. Corrosion identification of fittings based on computer vision
Monicka et al. Detection of microcracks in silicon solar cells using Otsu-Canny edge detection algorithm
Sa et al. Improved Otsu segmentation based on sobel operator
CN102313740B (zh) 太阳能电池板裂痕检测方法
Chen et al. The machined surface defect detection of improved superpixel segmentation and two-level region aggregation based on machine vision
CN101719273A (zh) 基于一维信息熵冶金板带表面缺陷在线自适应提取方法
Zhu et al. Machine vision based on pipe joint surface defect detection and identification
Huang et al. Mango surface defect detection based on HALCON
Tsai et al. Saw-Mark Defect Detection in Heterogeneous Solar Wafer Images using GAN-based Training Samples Generation and CNN Classification.

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210129

CF01 Termination of patent right due to non-payment of annual fee