CN107749057B - 一种太阳能电池片外观漏浆缺陷检测的方法 - Google Patents
一种太阳能电池片外观漏浆缺陷检测的方法 Download PDFInfo
- Publication number
- CN107749057B CN107749057B CN201710836505.5A CN201710836505A CN107749057B CN 107749057 B CN107749057 B CN 107749057B CN 201710836505 A CN201710836505 A CN 201710836505A CN 107749057 B CN107749057 B CN 107749057B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- basis
- slurry leakage
- detecting
- 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.)
- Active
Links
Images
Classifications
-
- 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
- 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
- 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
- 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
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了一种太阳能电池片外观漏浆缺陷检测的方法,针对漏浆缺陷种类特点,进行分类检测,程序算法分块检测,实现太阳能电池片表面外观漏浆缺陷的视觉检测,通过灰度转换、旋转变换、ROI分割、转换为HSI空间图像、拉普拉斯变换、均值滤波、图像二值化、形态学变换、卷积处理、选取连通域、筛选缺陷特征区域等11部分组成的缺陷检测方法,检测表面漏浆缺陷方法分为四大部分,第一部分是图像预处理单元,将原始图像转换为便于处理的图像信息;第二部分是去除主副栅线,检测栅线外漏浆白点;第三部分是选取特定连通域,检测大面积漏浆缺陷;第四部分是通过卷积处理,从I通道图像检测栅线上的漏浆白点。
Description
技术领域
本发明涉及光伏电池检测技术领域,主要涉及一种太阳能电池片外观漏浆缺陷检测的方法。
背景技术
太阳能发电的广泛应用,愈加成为能源领域不可或缺的一部分。太阳能电池板的质量好坏直接影响到太阳能组件的发电效率,所以对电池板表面质量的要求也更加严格。由于在加工制备过程中,繁琐的生产工艺、高质量的生产技术等要求使得太阳能电池片极易产生各种各样的缺陷。影响电池片的发电效率和使用寿命。因此,在生产环节必须对太阳能电池板进行表面缺陷检测,将在生产过程中不可避免产生细微缺陷的电池板给剔除出去。漏浆属于太阳能电池片表面外观缺陷的一种,具体的形式有栅线上白点、栅线外白点和大面积漏浆。是在生产过程中,由于印刷时浆料过量或者滴漏在太阳能电池片表上形成的缺陷。多于的浆料会使电池片烧结不良,影响表面转化效率,降低生产质量。因此,将有漏浆缺陷的太阳能电池片在生产环节就检测挑选出来,对提升产品质量非常重要,对提升企业的经济效益和生产水平有很大促进作用。
目前,现有的漏浆缺陷表面检测依旧依靠人工肉眼检测。肉眼检测容易引起视觉疲劳,主观意识强,易造成漏检、误检,效率低下,而且人工劳动成本高,无疑加大了生产电池片的价值。通过机器视觉检测缺陷的方法在太阳能电池片生产行业还未得到大量的应用。由于太阳能电池片表面图像纹理不均匀,表面背景较为复杂,特征不容易提取,从现有的检测方法得知,目前还没有一个专一准确的算法去检测太阳能电池片表面漏浆缺陷。
因此,亟需一种太阳能电池片外观漏浆缺陷检测的方法,提高工作效率以及电池片的检测质量,提升机械化作业程度。
发明内容
有鉴于此,本发明提供了一种太阳能电池片外观漏浆缺陷检测的方法。解决现有技术中的种种不足,具体方案如下:
一种太阳能电池片外观漏浆缺陷检测的方法,该方法包括四个步骤单元:
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、获取图像旋转角:在步骤1-1的基础上,获取图像横向主栅线区域,将其拟合为多个矩形,获得其水平旋转角平均角;
1-3、图像旋转:在步骤1-2的基础上,利用获得的水平旋转角平均角对图像进行旋转,得到旋转图像;
1-4、ROI分割:在步骤1-3的基础上,对图像进行ROI分割,提取感兴趣区域,获得需要处理的图像信息;
1-5、获取I通道图像:在步骤1-4的基础上,将需要处理的图像信息转换为HSI空间图像,选取I通道作为处理图像;
1-6、拉普拉斯变换:在步骤1-5的基础上,对处理图像分别做四邻域拉普拉斯变换和八邻域拉普拉斯变换,并将其两者相加,得到拉普拉斯变换图像;
1-7、均值滤波:在步骤1-6的基础上,对得到的拉普拉斯变换图像进行均值滤波,得到均值滤波后的拉普拉斯图像;
1-8、图像二值化:在步骤1-7的基础上,对均值滤波后的拉普拉斯图像选取特定的区域进行二值化,得到二值图像;
第二步,检测栅线外漏浆白点
2-1、去除栅线:在步骤1-8的基础上,对得到的二值图像通过形态学变换,去除太阳能电池片表面的主栅线和副栅线;
2-2、检测栅线外白点:在步骤2-1的基础上,在去除主副栅线后的图像上检测栅线外白点并标记出来;
第三步,检测大面积漏浆缺陷
3-1、获取检测区域:在步骤2-2的基础上,利用连通域选取特定高度、宽度和面积的区域,获取检测区域;
3-2、计算图像平均值:在步骤1-7的基础上,计算均值滤波后的拉普拉斯图像的平均值;
3-3、检测大面积漏浆区域:在步骤3-2的基础上,利用得到的平均值进行筛选,大于平均值的作为缺陷区域,标记检测结果;
第四步,检测栅线上的白点
4-1、得到Image I区域图像:在步骤1-8的基础上,利用区域特征得到Image I在区域中的图像进行处理;
4-2、获取竖向上梯度信息:在步骤4-1的基础上,通过卷积模板对上述步骤得到的区域图像进行卷积变换,获取竖向上的梯度信息图像;
4-3、计算图像信息数据:在步骤4-2的基础上,获取竖向上的梯度信息图像区域图像的平均值和方差,最大值和最小值;
4-4、获得特定区域:在步骤4-3的基础上,利用竖向上的梯度信息图像信息的平均值、方差、最大值和最小值选取特定区域,并将选取的特定区域提取出来;
4-5、获得连通域:在步骤4-4的基础上,选取特定高度、宽度和面积的连通域,以便于从连通域中提取缺陷信息;
4-6、检测栅线上白点:在步骤4-5的基础上,从Image I中获得的连通域信息图像筛选灰度值大于Image I平均值区域,并标记其信息,该标记区域就是检测目标,从而检测到栅线上的白点。
具体的,图像采集所用相机是500万像素工业相机,采集图像大小为2456*2054,精度0.08mm/pixl。
具体的,在此算法适用的太阳能电池片大小为156mm*156mm。
具体的,在所述步骤3-1中,利用连通域选取的特定高度、宽度和面积分别为,宽度2-300、高度为2-300和面积为10-1500。
具体的,在所述步骤1-8中,进行二值化的区域为I通道图像的-500到-10之间。
具体的,在所述步骤4-2中,进行的卷积处理模板是:
具体的,在所述步骤4-5中,所述特定高度、宽度和面积的连通域分别为,宽度4-300、长度4-300和面积15-1500的区域。
具体的,该算法通过计算检测连通域信息来判断太阳能电池板是否有漏浆缺陷。
本发明解决所述缺陷问题采用的技术方案是,针对漏浆缺陷种类特点,进行分类检测,程序算法分块检测,实现太阳能电池片表面外观漏浆缺陷的视觉检测,通过灰度转换、旋转变换、ROI分割、转换为HSI空间图像、拉普拉斯变换、均值滤波、图像二值化、形态学变换、卷积处理、选取连通域、筛选缺陷特征区域等11部分组成的缺陷检测方法,检测表面漏浆缺陷方法分为四大部分,第一部分是图像预处理单元,将原始图像转换为便于处理的图像信息;第二部分是去除主副栅线,检测栅线外漏浆白点;第三部分是选取特定连通域,检测大面积漏浆缺陷;第四部分是通过卷积处理,从I通道图像检测栅线上的漏浆白点。具有以下有益效果:1、提高工作效率。2、提高电池片检测质量。3、适合生产线在线分选。
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,
一种太阳能电池片外观漏浆缺陷检测的方法,该方法包括四个步骤单元:
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、获取图像旋转角:在步骤1-1的基础上,获取图像横向主栅线区域,将其拟合为多个矩形,获得其水平旋转角平均角;
1-3、图像旋转:在步骤1-2的基础上,利用获得的水平旋转角平均角对图像进行旋转,得到旋转图像;
1-4、ROI分割:在步骤1-3的基础上,对图像进行ROI分割,提取感兴趣区域,获得需要处理的图像信息;
1-5、获取I通道图像:在步骤1-4的基础上,将需要处理的图像信息转换为HSI空间图像,选取I通道作为处理图像;
1-6、拉普拉斯变换:在步骤1-5的基础上,对处理图像分别做四邻域拉普拉斯变换和八邻域拉普拉斯变换,并将其两者相加,得到拉普拉斯变换图像;
1-7、均值滤波:在步骤1-6的基础上,对得到的拉普拉斯变换图像进行均值滤波,得到均值滤波后的拉普拉斯图像;
1-8、图像二值化:在步骤1-7的基础上,对均值滤波后的拉普拉斯图像选取特定的区域进行二值化,得到二值图像;
第二步,检测栅线外漏浆白点
2-1、去除栅线:在步骤1-8的基础上,对得到的二值图像通过形态学变换,去除太阳能电池片表面的主栅线和副栅线;
2-2、检测栅线外白点:在步骤2-1的基础上,在去除主副栅线后的图像上检测栅线外白点并标记出来;
第三步,检测大面积漏浆缺陷
3-1、获取检测区域:在步骤2-2的基础上,利用连通域选取特定高度、宽度和面积的区域,获取检测区域;
3-2、计算图像平均值:在步骤1-7的基础上,计算均值滤波后的拉普拉斯图像的平均值;
3-3、检测大面积漏浆区域:在步骤3-2的基础上,利用得到的平均值进行筛选,大于平均值的作为缺陷区域,标记检测结果;
第四步,检测栅线上的白点
4-1、得到Image I区域图像:在步骤1-8的基础上,利用区域特征得到Image I在区域中的图像进行处理;
4-2、获取竖向上梯度信息:在步骤4-1的基础上,通过卷积模板对上述步骤得到的区域图像进行卷积变换,获取竖向上的梯度信息图像;
4-3、计算图像信息数据:在步骤4-2的基础上,获取竖向上的梯度信息图像区域图像的平均值和方差,最大值和最小值;
4-4、获得特定区域:在步骤4-3的基础上,利用竖向上的梯度信息图像信息的平均值、方差、最大值和最小值选取特定区域,并将选取的特定区域提取出来;
4-5、获得连通域:在步骤4-4的基础上,选取特定高度、宽度和面积的连通域,以便于从连通域中提取缺陷信息;
4-6、检测栅线上白点:在步骤4-5的基础上,从Image I中获得的连通域信息图像筛选灰度值大于Image I平均值区域,并标记其信息,该标记区域就是检测目标,从而检测到栅线上的白点。
本发明解决所述太阳能电池缺陷问题采用的检测方案是,过程序分步处理,对漏浆情况分类,并分别进行检测,实现太阳能电池片表面漏浆缺陷的视觉检测。
具体的,图像采集所用相机是500万像素工业相机,采集图像大小为2456*2054,精度0.08mm/pixl。
具体的,在此算法适用的太阳能电池片大小为156mm*156mm。
具体的,在所述步骤3-1中,利用连通域选取的特定高度、宽度和面积分别为,宽度2-300、高度为2-300和面积为10-1500。
具体的,在所述步骤1-8中,进行二值化的区域为I通道图像的-500到-10之间。
具体的,在所述步骤4-2中,进行的卷积处理模板是:
具体的,在所述步骤4-5中,所述特定高度、宽度和面积的连通域分别为,宽度4-300、长度4-300和面积15-1500的区域。
具体的,该算法通过计算检测连通域信息来判断太阳能电池板是否有漏浆缺陷。
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 (7)
1.一种太阳能电池片外观漏浆缺陷检测的方法,其特征在于,该方法包括四个步骤单元:
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、获取图像旋转角:在步骤1-1的基础上,获取图像横向主栅线区域,将其拟合为多个矩形,获得其水平旋转角平均角;
1-3、图像旋转:在步骤1-2的基础上,利用获得的水平旋转角平均角对图像进行旋转,得到旋转图像;
1-4、ROI分割:在步骤1-3的基础上,对图像进行ROI分割,提取感兴趣区域,获得需要处理的图像信息;
1-5、获取I通道图像:在步骤1-4的基础上,将需要处理的图像信息转换为HSI空间图像,选取I通道作为处理图像;
1-6、拉普拉斯变换:在步骤1-5的基础上,对处理图像分别做四邻域拉普拉斯变换和八邻域拉普拉斯变换,并将其两者相加,得到拉普拉斯变换图像;
1-7、均值滤波:在步骤1-6的基础上,对得到的拉普拉斯变换图像进行均值滤波,得到均值滤波后的拉普拉斯图像;
1-8、图像二值化:在步骤1-7的基础上,对均值滤波后的拉普拉斯图像选取特定的区域进行二值化,得到二值图像;
第二步,检测栅线外漏浆白点
2-1、去除栅线:在步骤1-8的基础上,对得到的二值图像通过形态学变换,去除太阳能电池片表面的主栅线和副栅线;
2-2、检测栅线外白点:在步骤2-1的基础上,在去除主副栅线后的图像上检测栅线外白点并标记出来;
第三步,检测大面积漏浆缺陷
3-1、获取检测区域:在步骤2-2的基础上,利用连通域选取特定高度、宽度和面积的区域,获取检测区域;
3-2、计算图像平均值:在步骤1-7的基础上,计算均值滤波后的拉普拉斯图像的平均值;
3-3、检测大面积漏浆区域:在步骤3-1的基础上,利用步骤3-2得到的所述拉普拉斯图像的平均值进行筛选,大于所述拉普拉斯图像的平均值的区域作为缺陷区域,标记检测结果;
第四步,检测栅线上的白点
4-1、得到Image I区域图像:在步骤1-8的基础上,利用区域特征得到Image I在区域中的图像进行处理;
4-2、获取竖向上梯度信息:在步骤4-1的基础上,通过卷积模板对步骤4-1得到的区域图像进行卷积变换,获取竖向上的梯度信息图像;
4-3、计算图像信息数据:在步骤4-2的基础上,获取竖向上的梯度信息图像区域图像的像素的平均值和方差,最大值和最小值;
4-4、获得特定区域:在步骤4-3的基础上,利用竖向上的梯度信息图像像素的平均值、方差、最大值和最小值选取特定区域,并将选取的特定区域提取出来;
4-5、获得连通域:在步骤4-4的基础上,选取特定高度、宽度和面积的连通域,以便于从连通域中提取缺陷信息;
4-6、检测栅线上白点:在步骤4-5的基础上,从Image I中获得的连通域信息图像筛选灰度值大于Image I平均值区域,并标记其信息,获得的标记区域就是检测目标,从而检测到栅线上的白点。
2.根据权利要求1所述的一种太阳能电池片外观漏浆缺陷检测的方法,其特征在于:图像采集所用相机是500万像素工业相机,采集图像大小为2456*2054像素,精度0.08mm/pixl。
3.根据权利要求1所述的一种太阳能电池片外观漏浆缺陷检测的方法,其特征在于:所述方法适用的太阳能电池片大小为156mm*156mm。
4.根据权利要求1所述的一种太阳能电池片外观漏浆缺陷检测的方法,其特征在于:在所述步骤3-1中,利用连通域选取的特定高度、宽度和面积分别为,宽度2-300像素、高度为2-300像素和面积为10-1500像素。
6.根据权利要求1所述的一种太阳能电池片外观漏浆缺陷检测的方法,其特征在于:在所述步骤4-5中,所述特定高度、宽度和面积的连通域分别为,宽度4-300像素、长度4-300像素和面积15-1500像素的区域。
7.根据权利要求1所述的一种太阳能电池片外观漏浆缺陷检测的方法,其特征在于:所述方法通过计算检测连通域信息来判断太阳能电池板是否有漏浆缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710836505.5A CN107749057B (zh) | 2017-09-16 | 2017-09-16 | 一种太阳能电池片外观漏浆缺陷检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710836505.5A CN107749057B (zh) | 2017-09-16 | 2017-09-16 | 一种太阳能电池片外观漏浆缺陷检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107749057A CN107749057A (zh) | 2018-03-02 |
CN107749057B true CN107749057B (zh) | 2021-06-18 |
Family
ID=61254560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710836505.5A Active CN107749057B (zh) | 2017-09-16 | 2017-09-16 | 一种太阳能电池片外观漏浆缺陷检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107749057B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272525B (zh) * | 2018-09-17 | 2020-12-22 | 浙江理工大学 | 一种导光板白点缺陷检测方法 |
CN109682820A (zh) * | 2018-11-05 | 2019-04-26 | 苏州佳智彩光电科技有限公司 | 一种显示屏的缺陷自动光学检测方法 |
CN109860742B (zh) * | 2019-03-06 | 2020-11-06 | 国网江苏省电力有限公司镇江供电分公司 | 变电站通信电源蓄电池电解液泄漏识别方法 |
CN110263205B (zh) * | 2019-06-06 | 2023-07-21 | 温州大学 | 一种用于人参图像的检索方法 |
CN110426395B (zh) * | 2019-07-02 | 2022-02-11 | 广州大学 | 一种太阳能el电池硅片表面检测方法及装置 |
CN115358998B (zh) * | 2022-08-22 | 2023-06-16 | 法博思(宁波)半导体设备有限公司 | 一种随机阵列图片中点坐标的获取方法及系统 |
CN115272306B (zh) * | 2022-09-26 | 2022-12-16 | 太阳谷再生资源(江苏)有限公司 | 利用梯度运算的太阳能电池板栅线增强方法 |
CN116500048B (zh) * | 2023-06-28 | 2023-09-15 | 四川联畅信通科技有限公司 | 一种线缆卡具缺陷检测方法、装置、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202259209U (zh) * | 2011-10-08 | 2012-05-30 | 浙江正泰太阳能科技有限公司 | 一种晶硅电池片检测装置 |
CN102680102A (zh) * | 2012-04-28 | 2012-09-19 | 江南大学 | 基于机器视觉的太阳能硅晶片颜色自动检测方法 |
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 |
CN104914107A (zh) * | 2015-04-28 | 2015-09-16 | 江西共青城汉能薄膜太阳能有限公司 | 一种薄膜太阳能电池衬底缺陷检测系统 |
KR20160046126A (ko) * | 2014-10-20 | 2016-04-28 | 주식회사 맥사이언스 | 태양전지모듈 측정 시스템 및 방법 |
CN106952260A (zh) * | 2017-03-31 | 2017-07-14 | 深圳华中科技大学研究院 | 一种基于cis图像采集的太阳能电池片缺陷检测系统和方法 |
CN106990120A (zh) * | 2017-05-02 | 2017-07-28 | 河北大学 | 一种太阳能电池片的质量检测方法及其检测装置 |
CN107014819A (zh) * | 2017-06-09 | 2017-08-04 | 杭州电子科技大学 | 一种太阳能电池板表面缺陷检测系统和方法 |
EP3208937A1 (en) * | 2016-02-16 | 2017-08-23 | Airbus DS GmbH | Technique for detecting a defect in a multi-junction solar cell |
-
2017
- 2017-09-16 CN CN201710836505.5A patent/CN107749057B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202259209U (zh) * | 2011-10-08 | 2012-05-30 | 浙江正泰太阳能科技有限公司 | 一种晶硅电池片检测装置 |
CN102680102A (zh) * | 2012-04-28 | 2012-09-19 | 江南大学 | 基于机器视觉的太阳能硅晶片颜色自动检测方法 |
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 |
KR20160046126A (ko) * | 2014-10-20 | 2016-04-28 | 주식회사 맥사이언스 | 태양전지모듈 측정 시스템 및 방법 |
CN104914107A (zh) * | 2015-04-28 | 2015-09-16 | 江西共青城汉能薄膜太阳能有限公司 | 一种薄膜太阳能电池衬底缺陷检测系统 |
EP3208937A1 (en) * | 2016-02-16 | 2017-08-23 | Airbus DS GmbH | Technique for detecting a defect in a multi-junction solar cell |
CN106952260A (zh) * | 2017-03-31 | 2017-07-14 | 深圳华中科技大学研究院 | 一种基于cis图像采集的太阳能电池片缺陷检测系统和方法 |
CN106990120A (zh) * | 2017-05-02 | 2017-07-28 | 河北大学 | 一种太阳能电池片的质量检测方法及其检测装置 |
CN107014819A (zh) * | 2017-06-09 | 2017-08-04 | 杭州电子科技大学 | 一种太阳能电池板表面缺陷检测系统和方法 |
Non-Patent Citations (4)
Title |
---|
Automatic Detection of Internal defects in Solar Cells;Wu-Ja Lin 等;《2011 IEEE International Instrumentation and Measurement Technology Conference》;20110512;1-4 * |
Defect Detection in Solar Modules Using ICA Basis Images;Du-Ming Tsai 等;《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》;20130228;第9卷(第1期);122-131 * |
基于机器视觉的太阳能电池片外观缺陷检;宋玉琴 等;《单片机与嵌入式系统应用》;20151231(第2期);71-74 * |
基于视觉显著性的太阳能电池片表面缺陷检测;钱晓亮 等;《仪器仪表学报》;20170731;第38卷(第7期);1570-1578 * |
Also Published As
Publication number | Publication date |
---|---|
CN107749057A (zh) | 2018-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107749057B (zh) | 一种太阳能电池片外观漏浆缺陷检测的方法 | |
CN107578409B (zh) | 一种太阳能电池片外观断栅缺陷检测的方法 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN107843600B (zh) | 一种多晶硅太阳能电池片外观手印缺陷检测的方法 | |
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 | |
CN107742286B (zh) | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN108230303A (zh) | 一种多晶硅太阳能电池片外观划痕缺陷检测的方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN105374015A (zh) | 基于局部对比度和笔画宽度估计的低质量文档图像二值化方法 | |
CN110942457A (zh) | 基于数字图像处理技术的太阳能电池板缺陷检测方法 | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN106780437B (zh) | 一种快速qfn芯片塑封图像获取与放大方法 | |
CN111598897A (zh) | 基于Otsu和改进Bernsen的红外图像分割方法 | |
CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN115049645B (zh) | 一种太阳能电池板表面缺陷检测方法 | |
CN102901735B (zh) | 利用计算机对工件缺损、裂变、变形进行自动检测的系统 | |
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 | |
CN111968082A (zh) | 一种基于机器视觉的产品包装缺陷检测识别方法 | |
CN107256549B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN112435235A (zh) | 一种基于图像分析的籽棉含杂率检测方法 | |
CN107563990B (zh) | 一种光伏电池片崩边及钝型和v型缺口的检测方法 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN106989672A (zh) | 一种基于机器视觉的工件测量方法 |
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 |