CN108445009B - 一种太阳能电池板裂纹检测方法 - Google Patents

Abstract

本发明公开了一种太阳能电池板裂纹检测方法，包括：采集太阳能电池板图像；采用水平垂直投影将所述太阳能板图像分割成多个单片，根据所述单片断栅的水平投影将所述单片分割为多个块；基于拉普拉斯金字塔对所述块进行分解，采用canny算法对分解后的块进行边缘检测，得到电池板裂纹的特征；对所述裂纹的特征去噪处理；根据去噪后的裂纹特征确定所述块上裂纹的位置。拉普拉斯金字塔算法，边缘检测的结果更加平滑完整，并且可以有效地去除部分噪声的影响。提高了检测的准确率。

Description

一种太阳能电池板裂纹检测方法

技术领域

本发明涉及裂纹检测技术领域，尤其涉及一种太阳能电池板裂纹检测方法。

背景技术

随着光伏产业的迅速发展，太阳能电池的质量变得愈发重要，质量好的太阳能电池不仅稳定性好、使用时间长而且光电转化效率高。对太阳能电池片表面缺陷的检测是非常重要的一个环节。

目前太阳能裂纹检测方法准确率较低。

发明内容

本发明提供一种太阳能电池板裂纹检测方法，以克服上述技术问题。

本发明太阳能电池板裂纹检测方法，包括：

采集太阳能电池板图像；

采用水平垂直投影将所述太阳能板图像分割成多个单片，根据所述单片断栅的水平投影将所述单片分割为多个块；

基于拉普拉斯金字塔对所述块进行分解，采用canny算法对分解后的块进行边缘检测，得到电池板裂纹的特征；

对所述裂纹的特征去噪处理；

根据去噪后的裂纹特征确定所述块上裂纹的位置。

进一步地，所述根据去噪后的裂纹特征确定所述块上裂纹的位置，包括：

将所述裂纹特征进行定向区域生长；

根据生长后的裂纹特征连接断开的裂纹、补全不完整的裂纹。

进一步地，所述基于拉普拉斯金字塔对所述块进行分解，包括：

将原图像作为高斯金字塔的最底层图像，利用高斯核对所述最底层图像进行卷积并采样得到所述最底层图像的上一层图像，以此类推，得到所述块分解后的金字塔形数据结构。

进一步地，所述将所述裂纹特征进行定向区域生长，包括：

根据裂纹特征确定所述裂纹的边缘线端点和所述端点的相邻点；

根据所述边缘线端点和所述相邻点确定至少两个生长点；

根据所述边缘线端点和所述相邻点的像素在所述至少两个生长点中选择一个区域生长点；

连接所述边缘线端点、相邻点以及所述区域生长点。

本发明拉普拉斯金字塔算法，边缘检测的结果更加平滑完整，并且可以有效地去除部分噪声的影响。提高了检测的准确率。

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使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明太阳能电池板裂纹检测方法流程图；

图2为本发明高斯金字塔演示图；

图3为本发明太阳能电池板单片图；

图4a为本发明定向区域生长边缘左端点模拟图；

图4b为本发明定向区域生长边缘右端点模拟图；

图5为本发明定向区域生长方法流程图；

图6a为本发明太阳能1号电池板单片测试图；

图6b为本发明太阳能2号电池板单片测试图；

图7a为本发明太阳能1号电池板单块测试图；

图7b为本发明太阳能2号电池板单块测试图；

图8a为本发明太阳能1号电池板单块的检测效果示意图；

图8b为本发明太阳能2号电池板单块的检测效果示意图；

图8c为本发明太阳能1号电池板单块直接利用边缘检测算法的效果示意图；

图8d为本发明太阳能2号电池板单块直接利用边缘检测算法的效果示意图；

图9a为本发明太阳能1号电池板单块裂纹检测的优化结果示意图；

图9b为为本发明太阳能2号电池板单块裂纹检测的优化结果示意图；

图10a为本发明太阳能1号电池板单块的定向区域生长效果示意图；

图10b为本发明太阳能2号电池板单块的定向区域生长效果示意图；

图11a为本发明太阳能1号电池板单片的裂纹检测结果标记示意图；

图11b为本发明太阳能2号电池板单片的裂纹检测结果标记示意图；

图12为本发明太阳能电池板裂纹检测整体结果示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

图1为本发明太阳能电池板裂纹检测方法流程图，如图1所示，本实施例的方法可以包括：

步骤101、采集太阳能电池板图像；

步骤102、采用水平垂直投影将所述太阳能板图像分割成多个单片，根据所述单片断栅的水平投影将所述单片分割为多个块；

步骤103、基于拉普拉斯金字塔对所述块进行分解，采用canny算法对分解后的块进行边缘检测，得到电池板裂纹的特征；

步骤104、对所述裂纹的特征去噪处理；

具体而言，因为边缘检测的结果不可避免地存在噪声等因素的影响，可以根据边缘检测的结果，通过对其结果的特性分析，可以有效的去除噪声等因素的影响，操作如下：

第一步：在优化边缘之前需要对检测出的边缘进行一次膨胀细化，连接检测断裂距离比较近的边缘，防止误删边缘。

第二步：断开交叉点，以防止对寻找边缘端点的影响。方法是对每一个连通域进行遍历，统计每一个像素点(x，y)的周围的8邻域(x±1，y±1)中，像素值为1的点的数量z，当z>2时，说明该点是交叉点，将该点像素变为0，断开边缘。

第三步：设定阈值，清除长度比较小的边缘，阈值根据实际情况而定。

第四步：用第二步的方法求出每个连通域的两个端点。

第五步：通过两个端点的坐标，求出两点之间的距离，通过距离跟连通域的像素数量之和进行比较，当两者接近时说明是趋近于垂直或者水平的边缘，将其清除(也可以通过水平垂直遍历或者最小外接矩阵的方法清除水平垂直线)；当距离远小于数量之和时，说明该边缘弯曲度比较大，将其清除。

步骤105、根据去噪后的裂纹特征确定所述块上裂纹的位置。

进一步地，所述根据去噪后的裂纹特征确定所述块上裂纹的位置，包括：

将所述裂纹特征进行定向区域生长；

根据生长后的裂纹特征连接断开的裂纹、补全不完整的裂纹。

进一步地，所述基于拉普拉斯金字塔对所述块进行分解，包括：

将原图像作为高斯金字塔的最底层图像，利用高斯核对所述最底层图像进行卷积并采样得到所述最底层图像的上一层图像，以此类推，得到所述块分解后的金字塔形数据结构。

具体而言，如图2所示，假设高斯金字塔的第l层图像为G_l：

其中，N为高斯金字塔顶层层号；R_l和C_l分别为高斯金字塔第l层的行数和列数；

是一个二维可分离的5×5的窗口函数，h取为高斯密度分布函数，i为图像G_l的横坐标，j为图像G_l的纵坐标。

满足约束条件：

(1)归一化性：

(2)对称性：

h(i)＝h(-i)

(3)奇偶性：

h(0)+h(-2)+h(2)＝h(-1)+h(1)

由以上条件可得：

窗口函数

可表达如下：

用高斯金字塔的每一层图像减去其上一层图像上采样并高斯卷积之后的预测图像，得到一系列的差值图像即为拉普拉斯分解图像。

将G_l进行内插得到放大图像

使

的尺寸与G_l-1的尺寸相同，具体做法为：

(1)将图像在每个方向扩大为原来的两倍，新增的行和列以0填充。

(2)使用先前同样内核与放大后的图像卷积，获得“新增像素”的近似值。

表示为：

其中，

令

式中，N为拉普拉斯金字塔顶层的层号，LP_l是拉普拉斯金字塔分解的第l层图像，后续可以对LP_l进行边缘检测。

边缘检测的一个困难之处就在于图像空间尺度不确定性。拉普拉斯金字塔把图像分解成不同尺度的图像子集，每个尺寸的图像都提供了一定的边缘信息，因此可以做到更加精确的边缘检测。

本实施例使用的Canny边缘检测的算法如下：

(1)去噪声。通常用高斯函数对图像进行平滑滤波，为了提高运算效率，可以将高斯函数做成滤波模板，如使用5×5的模板(σ≈1.4)：

(2)计算梯度值与方向角。分别求取去噪声后图像在x方向和y方向的梯度。求取梯度可以通过使用Sobel模板与图像A进行卷积完成：

梯度值为：

梯度方向角为：

θ＝arctan(M_y/M_x)

(3)对梯度幅值进行非极大值抑制。仅仅得到全局的梯度并不足以确定边缘，为确定边缘，必须保留局部梯度最大的点，而抑制非极大点，即将非局部极大值点置零以得到细化的边缘。

(4)用双阈值算法检测和连接边缘。使用两个阈值T₁和T₂(T₁<T₂)，从而可以得到两个阈值边缘图像N₁[i,j]和N₂[i,j]。由于N₂[i,j]使用高阈值得到，因而含有很少的假边缘，但有间断(不闭合)。双阈值法要在N₂[i,j]中把边缘连接成轮廓，当到达轮廓的端点时，该算法就在N₁[i,j]的8邻域点位置寻找可以连接到轮廓上的边缘，这样，算法不断地在N₁[i,j]中收集边缘，直到将N₂[i,j]连接起来为止。

由于结合了拉普拉斯金字塔算法，边缘检测的结果更加平滑完整，并且可以有效地去除部分噪声的影响。

进一步地，所述将所述裂纹特征进行定向区域生长，包括：

根据裂纹特征确定所述裂纹的边缘线端点和所述端点的相邻点；

根据所述边缘线端点和所述相邻点确定至少两个生长点；

根据所述边缘线端点和所述相邻点的像素在所述至少两个生长点中选择一个区域生长点；

连接所述边缘线端点、相邻点以及所述区域生长点

具体而言，优化后的结果中，仍然存在由于检测或者优化导致的裂纹连接不完整的问题，因此需要进行区域生长连接断开的裂纹。如图3所示，正常裂纹是弯曲度不大且比较平滑，其走势的大致方向是相同的，因此，进行区域生长时，可以考虑按照裂纹的方向延伸，确定裂纹生长的大致方向，防止出现弯曲过大以及不平滑的生长。

具体而言，本实施例O代表区域生长的种子点即裂纹的边缘线的端点；A代表与生长点O相连边缘上的相邻点，用来确定生长点的方向；B代表生长点即由区域生长延伸出的点。

因为裂纹的像素大致相同，并且裂纹的曲率通常不会太大，因此区域生长进行定向处理可以更好的补全裂纹，要避免生长的边缘线弯曲过大或者不平滑，可以通过种子点O以及相邻点A，确定生长点的方向，同时确保相邻点、种子点以及生长点三点之间形成的夹角∠AOB的度数大于90度，使其近似于线性生长。

本实施例为一个3×3的算子，根据与种子点O相邻的另一个点A的位置、裂纹的外形特性以及图像的裂纹边缘像素值大致接近的特性，模拟出生长点的B的可能位置，同时因为边缘的左右端点生长方向的不同，需要区分左右端点，如图4a和图4b所示，分别做左端点和右端点的模拟，然后通过可能的生长点的像素值与边缘的像素值均值进行对比找出差值最小的点，即为生长点。

如图5所示，算法的具体步骤如下：

第一步：找到已检测边缘的端点，即区域生长的种子点O，保存与端点相邻的另一个点A，并记录其在O点八邻域的方向。

第二步：对第一步找到的种子点O与A，根据其位置关系，判断种子点是左端点还是右端点，根据图4a和图4b判断确定可能的生长点B的方向，确保相邻点、种子点以及生长点三点之间形成的角度大于90度。

第三步：比较原图中可能的B点的灰度值与检测边缘的像素均值，找出差异最小的点，即为生长点。

第四步：更新O为新的相邻点A，更新B为新的种子点O。

第五步：如果O点是在主栅、图像边界或者该点已经是边缘点(与别的边缘连接)，则停止生长，否则返回第二步。

对于第二步具体的生长方法如下：

首先需要区分连通域的左右两个端点，当生长点为边缘线的左端点时，在种子点周围的八邻域内存在以下五种情况：

1、当种子点(x,y)的相邻点的坐标为(x,y-1)，生长点可能的坐标位置为(x,y+1)或者(x-1,y+1)。

2、当种子点(x,y)的相邻点的坐标为(x+1,y-1)，生长点可能的坐标位置为(x,y+1)、(x-1,y+1)或者(x-1,y)。

3、当种子点(x,y)的相邻点的坐标为(x+1,y)，生长点可能的坐标位置为(x-1,y-1)、(x-1,y)或者(x-1,y+1)。

4、当种子点(x,y)的相邻点的坐标为(x,y+1)，生长点可能的坐标位置为(x,y-1)或者(x-1,y-1)。

5、当种子点(x,y)的相邻点的坐标为(x+1,y+1)，生长点可能的坐标位置为(x,y-1)、(x-1,y-1)或者(x-1,y)。

当生长点为边缘线的右端点时，在种子点周围的八邻域内存在以下五种情况：

1、当种子点(x,y)的相邻点的坐标为(x-1,y-1)，生长点可能的坐标位置为(x,y+1)、(x+1,y)或者(x+1,y+1)。

2、当种子点(x,y)的相邻点的坐标为(x,y-1)，生长点可能的坐标位置为(x,y+1)或者(x+1,y+1)。

3、当种子点(x,y)的相邻点的坐标为(x-1,y)，生长点可能的坐标位置为(x+1,y-1)、(x+1,y)或者(x+1,y+1)。

4、当种子点(x,y)的相邻点的坐标为(x-1,y+1)，生长点可能的坐标位置为(x,y-1)、(x+1,y-1)或者(x+1,y)。

5、当种子点(x,y)的相邻点的坐标为(x,y+1)，生长点可能的坐标位置为(x,y-1)或者(x+1,y-1)。

通过比较种子点以及可能的方向上的点的像素值，选择最接近的一点即为生长点B。更新O为新的相邻点A，更新B为新的种子点O。

如果O点是设定的接近断栅的点或者是已经是边缘点(与别的边缘连接)，则停止生长，否则以新的点A和O继续生长。

由于采用了上述技术方案，本发明解决了检测裂纹不完整的问题。本发明在一定程度上补充当前图像处理技术在太阳能电池缺陷检测方面的不足，很大程度地解决了裂纹检测的人力需求。

如图6a、图6b、图7a和图7b所示，在进行太阳能电池片的裂纹检测之前，需要对电池板进行必要的分割，排除连接处以及主栅对裂纹检测的影响。本发明主要利用图像处理的水平垂直投影对太阳能电池板以及太阳能电池片进行分割。

如图8a至图8d所示，对分割好的小块进行本发明所采用的基于拉普拉斯金字塔边缘检测，通过(a)、(b)与(c)、(d)的对比可以看出，基于拉普拉斯金字塔的边缘检测效果明显好于普通的边缘检测，检测结果更加完整平滑。但是由于噪声和成像因素的影响，用边缘检测算子对图片进行边缘检测，两种方法不可避免的都会检测出断裂，以及许多弯曲度比较大的水平和垂直边缘，而正常裂纹都是从一个边界或主栅到另一个边界或主栅的弯曲度不明显的线，并且裂纹大部分都是倾斜的，因此需要去除一些弯曲度比较大的、近乎水平或垂直的、距离比较短的边缘。

可以根据边缘的特性以及噪声的特性进行必要的处理，步骤如下：

第一步：在优化边缘之前需要对检测出的边缘进行一次膨胀细化，连接检测断裂距离比较近的边缘，防止误删边缘。

第二步：断开交叉点，以防止对寻找边缘端点的影响。方法是对每一个连通域进行遍历，统计每一个像素点(x，y)的周围的8邻域(x±1，y±1)中，像素值为1的点的数量z，当z>2时，说明该点是交叉点，将该点像素变为0，断开边缘。

第三步：设定阈值，清除长度比较小的边缘，阈值根据实际情况而定。

第四步：用第二步的方法求出每个连通域的两个端点，当z＝1时，该点即为端点。

第五步：通过两个端点的坐标，求出两点之间的距离，通过距离跟连通域的像素数量之和进行比较，当两者接近时说明是趋近于垂直或者水平的边缘，将其清除(也可以通过水平垂直遍历或者最小外接矩阵的方法清除水平垂直线)；当距离远小于数量之和时，说明该边缘弯曲度比较大，将其清除。

通过图8a和图8c、图8b和图8d对比，可以看出使用结合拉普拉斯金字塔的边缘检测，由于分辨率变粗，所以对于边缘的检测以及抗噪性都有一个良好的效果，使检测效果更加平滑完整；

如图9a和图9b所示，与图8a至图8d对比，优化后的结果有效的降低了噪声等干扰因素的影响，但是仍然存在由于检测或者优化产生的裂纹连接不完整的问题。结合裂纹的特性，使用本发明的定向区域生长连接断开的裂纹，步骤如下：

第一步：通过前面所叙述的方法遍历每一个连通域，找到z＝1的两个像素点，并记录与像素点相邻的点即方向点。

第二步：对第一步找到的左右的两个端点分别通过方向点确定生长点的方向(见图4a和图4b)。其中O像素点，A为方向点，B为可能的生长点。

第三步：比较原图中B点的灰度值与连通域的均值，找出最接近的一点，即为生长点，更新O和A。

第四步：如果O点是在主栅、图像边界或者该边缘的像素值为1，则停止生长，否则返回第二步。

如图10a和图10b所示，区域生长后的裂纹可以很好的连接成一条完整的裂纹。

如图11a、图11b和图12所示，检测的裂纹可以很好地标记到原图上，重合度很高，同时将标记好的单片进行拼接。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (2)

1.一种太阳能电池板裂纹检测方法，其特征在于，包括：

采集太阳能电池板图像；

采用水平垂直投影将所述太阳能电池板图像分割成多个单片，根据所述单片断栅的水平投影将所述单片分割为多个块；

基于拉普拉斯金字塔对所述块进行分解，采用canny算法对分解后的块进行边缘检测，得到电池板裂纹的特征；

对所述裂纹的特征去噪处理；

根据去噪后的裂纹特征确定所述块上裂纹的位置，所述根据去噪后的裂纹特征确定所述块上裂纹的位置，包括：

将所述裂纹特征进行定向区域生长；

所述将所述裂纹特征进行定向区域生长包括：根据裂纹特征确定所述裂纹的边缘线端点和所述端点的相邻点；根据所述边缘线端点和所述相邻点确定至少两个生长点；根据所述边缘线端点和所述相邻点的像素在所述至少两个生长点中选择一个区域生长点；连接所述边缘线端点、相邻点以及所述区域生长点；

根据生长后的裂纹特征连接断开的裂纹、补全不完整的裂纹。

2.根据权利要求1所述的方法，其特征在于，所述基于拉普拉斯金字塔对所述块进行分解，包括：

将原图像作为高斯金字塔的最底层图像，利用高斯核对所述最底层图像进行卷积并采样得到所述最底层图像的上一层图像，以此类推，得到所述块分解后的金字塔形数据结构。

Images