CN108445018A - 应用于电池片黑心检测的有效特征曲线提取方法 - Google Patents
应用于电池片黑心检测的有效特征曲线提取方法 Download PDFInfo
- Publication number
- CN108445018A CN108445018A CN201810231851.5A CN201810231851A CN108445018A CN 108445018 A CN108445018 A CN 108445018A CN 201810231851 A CN201810231851 A CN 201810231851A CN 108445018 A CN108445018 A CN 108445018A
- Authority
- CN
- China
- Prior art keywords
- image
- curve
- cell piece
- evil mind
- detection
- 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
- G01N21/9501—Semiconductor wafers
- G01N21/9505—Wafer internal defects, e.g. microcracks
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明应用于电池片黑心检测的有效特征曲线提取方法,通过剔除其他干扰、及圆环投影后,进行特征曲线提取:特征曲线提取步骤如下:F1)从曲线中本文提取了平均值、标准方差、最大梯度,最小梯度等特征;F2)对曲线进行直线的拟合,提取出角度、与直线的偏差两个特征;F3)进行平均灰度以及梯度特征空间的分布展示;F4)分析特征,判断是否存在黑心缺陷。
Description
技术领域
本发明涉及太阳能电池片制备工艺,具体的,其展示一种应用于电池片黑心检测的有效特征曲线提取方法。
背景技术
社会的不断发展,对能源的需求有增无减,促使不可再生能源逐渐枯竭。同时由于人类对能源的不合理使用导致环境问题不断恶化,其中全球气候变暖问题尤为突出,已经严重威胁到人类的生存和发展。太阳能光伏发电由于清洁无污染、安全可靠、安装方便,且可以很好地与建筑物结合,目前已成为发展新能源的重要方向之一。将太阳能转换成电能需要太阳能光伏组件,光伏组件有众多的太阳能电池片组成,而太阳能电池片在生产过程中,不可避免地会造成缺陷,这将严重影响太阳能电池片的发光效率和使用寿命,因此必须对太阳能电池片进行缺陷检测,并剔除含有缺陷的电池片。
按照太阳能电池片制作材料的不同,可以分为单晶、多晶和非晶硅。本文讨论的是电池片是前面两种,即单晶电池片和多晶电池片。检测内部缺陷比较成熟的方法是EL(Electroluminescence)。即电池发光缺陷检测。
EL的测试原理如图 1,晶体硅太阳电池外加正向偏置电压,电源向太阳电池注入大量非平衡载流子,电致发光依靠从扩散区注入的大量非平衡载流子不断地复合发光,放出光子;再利用CCD相机捕捉到这些光子,通过计算机进行处理后显示出来,整个的测试过程是在暗室中进行。
“黑心”缺陷形成的原因:直拉单晶硅拉棒系统中的热量传输过程对晶体缺陷的形成与生长起着决定性的作用。提高晶体的温度梯度, 能提高晶体的生长速率, 但过大的热应力极易产生位错。黑心为旋涡缺陷, 它们是点缺陷的聚集, 产生于硅棒生长时期。此种材料缺陷势必导致硅的非平衡少数载流子浓度降低,降低该区域的EL发光强度。
现阶段的黑心检测,是通过Blob(块)的方法。首先通过直接二值化、动态二值化的方法提取出黑心的块(blob),然后再对blob进行特征提取,最后通过决策树或分类器的方法区分出正常和黑心。此方法的缺点是,有些黑心并不明显,很难分割出完整的黑心部分,从而造成漏检或误检。
因此,有必要提供一种应用于电池片黑心检测的有效特征曲线提取方法解决上述问题。
发明内容
本发明的目的是提供一种应用于电池片黑心检测的有效特征曲线提取方法。
技术方案如下:
一种应用于电池片黑心检测的有效特征曲线提取方法,通过剔除其他干扰、及圆环投影后,进行特征曲线提取:
特征曲线提取步骤如下:
F1)从曲线中本文提取了平均值、标准方差、最大梯度,最小梯度等特征;
F2)对曲线进行直线的拟合,提取出角度、与直线的偏差两个特征;
F3)进行平均灰度以及梯度特征空间的分布展示;
F4)分析特征,判断是否存在黑心缺陷。
进一步的,其他类别的缺陷,也是黑色的;如果不剔除,会造成投影的曲线中包含了其他缺陷信息,造成黑心的信号会被减弱,因此需进行剔除其他干扰步骤;
剔除其他干扰的具体步骤如下:
B1) 电池片中间有主栅线,在EL图像中是水平粗线;为了去除主栅的干扰,添加一个mask(罩板)图像;
B2)采用的是一个10x10的窗口,带着mask对图像进行均值平滑处理;
B3)处理后的平滑图像作为背景图像,原始图像和背景图像像素点进行比较,暗18%的认为是其他缺陷,不得参与环形投影;
B4)结合mask图像,产生最终可以投影的图像。
进一步的,圆环投影的具体步骤如下:
D1)产生一副距离图像:中间20个像素为半径的圆,此圆的距离都为1;然后向外一个像素增加1,这样产生出距离图;
D2)从左到右,从上到下,开始扫描图像;
D3)将原始图像有效部分的灰度值累加到对应距离的数组下,同时记录累计的个数;
D4)扫描完成后,使用累计的个数进行归一化,生成归一化的投影曲线,完成了环形投影。
与现有技术相比,本发明能够通过剔除其他干扰、以及圆环投影后进行有效的符合产品现状的特征曲线提取,保证电池片黑心检测的准确度。
附图说明
图1是EL检测原理示意图;
图2为本发明的流程示意图;
图3是对准步骤的参照示意图;
图4是剔除其他干扰的参照示意图;
图5是圆环投影的投影距离示意图;
图6是环形投影曲线示意图;
图 7是特征曲线示意图;
图8是特征分类示意图。
具体实施方式
实施例:
请参阅图2,本实施例展示一种电池片黑角检测方法,首先对电池片进行定位,将电池片中心和图像中心重合,便于投影以及罩mask(罩板)图像。为了使投影后的曲线更能体现黑角的特征,需要将其他缺陷屏蔽掉,即不参加投影。然后以角的定点开始,沿45度或135度向内部进行法方向投影。将二维的信号转成一维的曲线进行分析;接着针对曲线进行特征提取。最后分析特征,判断是否存在黑心缺陷。
具体步骤如下:
一种电池片黑角检测方法,包括如下步骤:
S1)对准:将电池片移到图像中心;
S2)剔除其他干扰;
S3)圆环投影;
S4)特征曲线提取;
S5)分类;
其中:
电池片来料会有位置和角度的偏差,为了下一步更方便的圆环投影,需要将电池片的中心移动到图像的中心位置,并调整好角度;即调整后的电池片都能居中、重合;参照图3,S1)的具体步骤如下:
A1)对图像进行canny处理;
A2)分四边从外围向内部搜索,找到边缘点(即Canny图上非零点),找到即停止;
A3)找完边缘点后,分别对四条边进行直线拟合;
A4)求出四边形的四个交点;再对四个交点求平均,即得到电池片的中心;
A5)通过四条直线的平均值计算得到角度;有了中心和角度,再通过几何变换将电池片移到图像的中心,完成对准。
进一步的,其他类别的缺陷,也是黑色的;如果不剔除,会造成投影的曲线中包含了其他缺陷信息,造成黑心的信号会被减弱,因此需进行S2)步骤;
参照图4,S2)的具体步骤如下:
B1) 电池片中间有主栅线,在EL图像中是水平粗线;为了去除主栅的干扰,添加一个mask(罩板)图像;
B2)采用的是一个10x10的窗口,带着mask对图像进行均值平滑处理;
B3)处理后的平滑图像作为背景图像,原始图像和背景图像像素点进行比较,暗18%的认为是其他缺陷,不得参与环形投影;
B4)结合mask图像,产生最终可以投影的图像;
进一步的,参阅图5,S3)的具体步骤如下:
D1)产生一副距离图像:中间20个像素为半径的圆,此圆的距离都为1;然后向外一个像素增加1,这样产生出距离图;
D2)从左到右,从上到下。开始扫描图像;
D3)将原始图像有效部分的灰度值累加到对应距离的数组下,同时记录累计的个数;
D4)扫描完成后,使用累计的个数进行归一化,生成归一化的投影曲线如图6,完成了环形投影。
进一步的,S4)具体步骤如下:
F1)从曲线中本文提取了平均值、标准方差、最大梯度,最小梯度等特征;
F2)对曲线进行直线的拟合,提取出角度、与直线的偏差两个特征;
F3)进行平均灰度以及梯度特征空间的分布展示;
F4)分析特征,判断是否存在黑心缺陷。
图6中可以看到:此电池片是从中间到边缘慢慢变亮,其中在49和113的位置有比较明显的大的增加。这和图像是完全吻合;反映出环形投影能够反映图像的内容。
为了更全面分析曲线特征,对一些典型的样本图像进行对比,如图7。前面3张黑心图像对应的投影曲线能够反映出整体图像的灰灰度变化。3个白心图像也能体现外面大环的部位有一个先升后降的规律。其他正常图像或污染图像都没有明显的灰度变化规律。
进一步的,S5)为使用最简单的决策树进行分类。
与现有技术相比,本发明能够通过自动判断出黑心缺陷:先对图像进行对准;然后进行圆环投影,能够真实反映黑心图像的变化规律;然后对投影曲线进行特征提取;最后进行分类。通过实验证明该方法识别率能达到90%,误报率可以控制在1.3%。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (3)
1.一种应用于电池片黑心检测的有效特征曲线提取方法,其特征在于:通过剔除其他干扰、及圆环投影后,进行特征曲线提取:
特征曲线提取步骤如下:
F1)从曲线中本文提取了平均值、标准方差、最大梯度,最小梯度等特征;
F2)对曲线进行直线的拟合,提取出角度、与直线的偏差两个特征;
F3)进行平均灰度以及梯度特征空间的分布展示;
F4)分析特征,判断是否存在黑心缺陷。
2.根据权利要求1所述的一种应用于电池片黑心检测的有效特征曲线提取方法,其特征在于:其他类别的缺陷,也是黑色的;如果不剔除,会造成投影的曲线中包含了其他缺陷信息,造成黑心的信号会被减弱,因此需进行剔除其他干扰步骤;
剔除其他干扰的具体步骤如下:
B1)电池片中间有主栅线,在EL图像中是水平粗线;为了去除主栅的干扰,添加一个mask(罩板)图像;
B2)采用的是一个10x10的窗口,带着mask对图像进行均值平滑处理;
B3)处理后的平滑图像作为背景图像,原始图像和背景图像像素点进行比较,暗18%的认为是其他缺陷,不得参与环形投影;
B4)结合mask图像,产生最终可以投影的图像。
3.根据权利要求2所述的一种应用于电池片黑心检测的有效特征曲线提取方法,其特征在于:圆环投影的具体步骤如下:
D1)产生一副距离图像:中间20个像素为半径的圆,此圆的距离都为1;然后向外一个像素增加1,这样产生出距离图;
D2)从左到右,从上到下,开始扫描图像;
D3)将原始图像有效部分的灰度值累加到对应距离的数组下,同时记录累计的个数;
D4)扫描完成后,使用累计的个数进行归一化,生成归一化的投影曲线,完成了环形投影。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810231851.5A CN108445018B (zh) | 2018-03-20 | 2018-03-20 | 应用于电池片黑心检测的有效特征曲线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810231851.5A CN108445018B (zh) | 2018-03-20 | 2018-03-20 | 应用于电池片黑心检测的有效特征曲线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108445018A true CN108445018A (zh) | 2018-08-24 |
CN108445018B CN108445018B (zh) | 2021-06-18 |
Family
ID=63195535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810231851.5A Active CN108445018B (zh) | 2018-03-20 | 2018-03-20 | 应用于电池片黑心检测的有效特征曲线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108445018B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2363282Y (zh) * | 1998-07-03 | 2000-02-09 | 北京大学 | 硅/硅键合质量测试仪 |
CN101163960A (zh) * | 2005-04-19 | 2008-04-16 | 松下电器产业株式会社 | 镜面底板的异物检查方法 |
WO2008152020A1 (en) * | 2007-06-12 | 2008-12-18 | Icos Vision Systems Nv | Method for semiconductor substrate inspection |
CN101460665A (zh) * | 2006-06-07 | 2009-06-17 | 上睦可株式会社 | 单晶硅片的cop产生原因的判定方法 |
CN101893580A (zh) * | 2010-06-10 | 2010-11-24 | 北京交通大学 | 基于数字图像的钢轨表面缺陷检测方法 |
TW201110363A (en) * | 2009-04-20 | 2011-03-16 | Intego Gmbh | Method for detecting flaws in a thin wafer for a solar element and device for carrying out said method |
CN102061517A (zh) * | 2010-12-13 | 2011-05-18 | 浙江长兴众成电子有限公司 | 直拉单晶硅直径测量方法 |
CN102313865A (zh) * | 2011-07-20 | 2012-01-11 | 浙江尖山光电股份有限公司 | 一种黑心硅片的快速检测方法 |
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 |
CN104372406A (zh) * | 2014-11-14 | 2015-02-25 | 邢台晶龙电子材料有限公司 | 一种太阳能级直拉单晶硅的生产方法 |
CN106780455A (zh) * | 2016-12-07 | 2017-05-31 | 五邑大学 | 一种基于滑动的局部邻域窗口的产品表面检测方法 |
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 |
CN107561087A (zh) * | 2017-08-31 | 2018-01-09 | 广东工业大学 | 一种基于机器视觉的鼠标logo定位及缺陷检测方法 |
CN107727662A (zh) * | 2017-09-28 | 2018-02-23 | 河北工业大学 | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 |
CN107742286A (zh) * | 2017-09-28 | 2018-02-27 | 河北工业大学 | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 |
-
2018
- 2018-03-20 CN CN201810231851.5A patent/CN108445018B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2363282Y (zh) * | 1998-07-03 | 2000-02-09 | 北京大学 | 硅/硅键合质量测试仪 |
CN101163960A (zh) * | 2005-04-19 | 2008-04-16 | 松下电器产业株式会社 | 镜面底板的异物检查方法 |
CN101460665A (zh) * | 2006-06-07 | 2009-06-17 | 上睦可株式会社 | 单晶硅片的cop产生原因的判定方法 |
WO2008152020A1 (en) * | 2007-06-12 | 2008-12-18 | Icos Vision Systems Nv | Method for semiconductor substrate inspection |
TW201110363A (en) * | 2009-04-20 | 2011-03-16 | Intego Gmbh | Method for detecting flaws in a thin wafer for a solar element and device for carrying out said method |
CN101893580A (zh) * | 2010-06-10 | 2010-11-24 | 北京交通大学 | 基于数字图像的钢轨表面缺陷检测方法 |
CN102061517A (zh) * | 2010-12-13 | 2011-05-18 | 浙江长兴众成电子有限公司 | 直拉单晶硅直径测量方法 |
CN102313865A (zh) * | 2011-07-20 | 2012-01-11 | 浙江尖山光电股份有限公司 | 一种黑心硅片的快速检测方法 |
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 |
CN104372406A (zh) * | 2014-11-14 | 2015-02-25 | 邢台晶龙电子材料有限公司 | 一种太阳能级直拉单晶硅的生产方法 |
CN106780455A (zh) * | 2016-12-07 | 2017-05-31 | 五邑大学 | 一种基于滑动的局部邻域窗口的产品表面检测方法 |
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 |
CN107561087A (zh) * | 2017-08-31 | 2018-01-09 | 广东工业大学 | 一种基于机器视觉的鼠标logo定位及缺陷检测方法 |
CN107727662A (zh) * | 2017-09-28 | 2018-02-23 | 河北工业大学 | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 |
CN107742286A (zh) * | 2017-09-28 | 2018-02-27 | 河北工业大学 | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
Y. TAKAHASHI: "-"Luminoscopy"- Novel Tool for the Diagnosis of Crystalline Silicon solar cells and Modules Utilizing Electroluminescence", 《IEEE》 * |
于晓东: "基于投影特征的快速图像匹配算法", 《机械与电子》 * |
韩芳芳: "表面缺陷视觉在线检测关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN108445018B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Akram et al. | Failures of Photovoltaic modules and their Detection: A Review | |
Di Tommaso et al. | A multi-stage model based on YOLOv3 for defect detection in PV panels based on IR and visible imaging by unmanned aerial vehicle | |
US20150070487A1 (en) | Method and a device for the purpose of elctroluminescence inspection and/or photoluminescence inspection | |
Wang et al. | Photovoltaic panel extraction from very high-resolution aerial imagery using region–line primitive association analysis and template matching | |
CN109584222A (zh) | 一种基于无人机的光伏组件图像的故障分类及辨识方法 | |
CN103000756A (zh) | 光生伏打电池制造 | |
CN109540900B (zh) | 一种光伏组件隐裂判定方法 | |
Chindarkkar et al. | Deep learning based detection of cracks in electroluminescence images of fielded PV modules | |
CN111260617A (zh) | 一种基于深度学习的太阳能电池板缺陷检测方法 | |
CN112669306A (zh) | 一种基于显著图的太阳能电池片缺陷检测方法及系统 | |
CN103302039A (zh) | 太阳能电池晶片分色的方法 | |
CN108445018A (zh) | 应用于电池片黑心检测的有效特征曲线提取方法 | |
CN108418552A (zh) | 应用于电池片黑心检测的圆环投影方法 | |
CN108807206A (zh) | 电池片黑心检测方法 | |
Liu et al. | A CISG method for internal defect detection of solar cells in different production processes | |
CN103293167A (zh) | 泡沫镍中铜颗粒自动检测方法及系统 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
CN115330768B (zh) | 一种太阳能电池板质量分级方法 | |
CN117036825A (zh) | 一种太阳能电池板检测方法、介质及系统 | |
CN108418554A (zh) | 电池片黑角检测方法 | |
Ahan et al. | AI-assisted cell-level fault detection and localization in solar PV electroluminescence images | |
CN111598851A (zh) | 一种基于形态学图像处理的太阳能电池破片检测方法 | |
CN105931976A (zh) | 一种亮场扫描设备自动定义扫描区域的检测方法 | |
CN108418553A (zh) | 应用于电池片黑角检测的有效特征提取方法 |
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 |