CN108596903B - 一种太阳能电池片的黑边和碎片的缺陷检测方法 - Google Patents
一种太阳能电池片的黑边和碎片的缺陷检测方法 Download PDFInfo
- Publication number
- CN108596903B CN108596903B CN201810424920.4A CN201810424920A CN108596903B CN 108596903 B CN108596903 B CN 108596903B CN 201810424920 A CN201810424920 A CN 201810424920A CN 108596903 B CN108596903 B CN 108596903B
- Authority
- CN
- China
- Prior art keywords
- sub
- defect
- image
- width
- area
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种太阳能电池片的黑边和碎片的缺陷检测方法,包括步骤:S1、获取待测太阳能电池片的图像,进行预处理;S2、对预处理后的图像进行目标提取,将电池片的图像从背景图像中分离;并且将电池片的图像分割成多个子片图像;S3、将子片图像进行阈值分割,转化为二值图像;S4、定义黑边、碎片的特征和参数,利用特征和参数从子片图像的二值图像中提取缺陷;S5、分别统计黑边、碎片的缺陷数量,标注缺陷位置;其中,将超过一定缺陷率的子片定义为完全损坏。本发明减轻人为检测的劳动强度,避免人工检测过程中,人为因素带来的检测结果的不确定性,提高产品的质量,便于准确的检测出太阳能电池片的黑边和碎片缺陷。
Description
技术领域
本发明属于太阳能电池技术领域,具体涉及一种太阳能电池片的黑边和碎片的缺陷检测方法。
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。太阳能作为一种新型的清洁能源,很早就被认为是化石原料的替代能源。而作为利用太阳能供电的主要载体,太阳能电池阵列近些年来得到飞速发展和广泛应用。
由于太阳能电池片是易碎产品,其破损将直接影响到电池阵的输出功率。而太阳能电池片在生产和使用过程中,其表面不可避免地或出现一些细微的缺陷,例如:碎片、黑边、裂纹、断栅等。这将严重影响太阳能电池片发电的效率和使用寿命,因此必须对太阳能电池片表面进行缺陷检测,并将含有缺陷的电池片剔除。
其中,碎片缺陷主要有部分分离缺陷、完全分离缺陷,部分分离缺陷的产生原因是外力导致的电池片产生裂纹,裂纹比较严重,造成电池片一定区域部分失效;完全分离缺陷产生的原因是外力导致的电池片产生裂纹,裂纹比较严重,造成电池一定区域完全失效。黑边主要是由于电池制绒、扩散或者烧结过程不良等原因造成的。
目前绝大多数太阳能电池生产厂家,对太阳能电池片表面质量的检测还是采用人工检测的方式,依赖作业人员的视觉判断,因此带来了许多检测问题,同时产品的质量也很难得到保证。
发明内容
针对现有技术的缺陷,本发明提供了一种太阳能电池片的黑边和碎片的缺陷检测方法,该方法能检测出太阳能电池片的黑边和碎片缺陷。
为了实现上述目的,本发明提供了一种太阳能电池片的黑边和碎片的缺陷检测方法,其包括以下步骤:
S1、获取待测太阳能电池片的图像,进行预处理;
S2、对预处理后的图像进行目标提取,将电池片的图像从背景图像中分离;并且将电池片的图像分割成多个子片图像;
S3、将子片图像进行阈值分割,转化为二值图像;
S4、定义黑边、碎片的特征和参数,利用特征和参数从子片图像的二值图像中提取缺陷;
S5、分别统计黑边、碎片的缺陷数量,标注缺陷位置;其中,将超过一定缺陷率的子片定义为完全损坏。
本发明中,步骤S5中缺陷率的计算方式为:计算单个子片的缺陷所覆盖的缺陷面积,缺陷面积与单个子片总面积的面积比即为缺陷率,设置一个具体的阈值,如果该子片的缺陷率超过设定的阈值,则该子片被判定为完全损坏。
根据本发明的另一种具体实施方式,步骤S1中的预处理为采用中值滤波器对缺陷图像进行预处理,以降低图像的噪声,获得相对清晰的图像。
根据本发明的另一种具体实施方式,步骤S2具体为:
利用电池片图像的水平投影和竖直投影,得到整幅图像的像素值累加和,像素值累加和在边缘位置或缝隙位置会出现极值点,极值点高于某一设定阈值则视为电池片的边缘位置或子片的缝隙位置;
记录电池片的边缘位置,将电池片的图像从背景图像中提取出来;
根据极值点的位置分布,得到m×n个子片图像,其中,m为行数,n为列数。
根据本发明的另一种具体实施方式,电池片图像的边缘位置的确定:
像素值累加和用向量进行保存,通过对向量进行取反,此时极大值所在的位置,就是边缘位置。其中,第一个像素值突增的位置为电池片上下边缘,最后一个像素值突降的位置为电池片左右边缘。
根据本发明的另一种具体实施方式,子片图像的边缘位置的确定:
子片图像的水平边缘的确定:利用峰值函数,将峰值间最小间隔设置为子片图像的宽度;子片图像的竖直边缘的确定:利用峰值函数,将峰值间最小间隔设置为子片图像的长度。
根据本发明的另一种具体实施方式,步骤S3中进一步利用形态学处理优化分割后子片图像的边缘,以减少边缘缝隙对后期缺陷识别的影响,并且减少图像倾斜造成切割不均的问题。具体的,通过形态学先将子片中的小面积噪点去除,然后以一定宽度将电池子片上、下、左、右四个边缘的像素截掉,初步减少误切割造成的干扰。
根据本发明的另一种具体实施方式,步骤S4中,首先分析碎片特征、定义识别碎片所需参数,根据参数去除不满足碎片特征的干扰缺陷。
1)颜色特征:整体掉落的碎片颜色为纯黑色,有明显边界;部分掉落的碎片颜色为纯黑色与深灰色相间,但整体颜色偏深。
2)形状特征:多为三角形或者类矩形。形状不会太细长,有一定的宽度或长度范围。
根据以上的碎片特征,本发明对已有的参数进行结合,定义了可用于碎片识别的新参数。其中,设电池子片的长用eachlen,宽用eachwidth表示;连通域的最小外接矩形长度用len,宽度用witdh表示;连通域的面积为area,周长为perimeter。
参数定义如下:
根据本发明的另一种具体实施方式,步骤S4中定义碎片与黑边的特征和参数,利用特征和参数从子片的二值图像中提取缺陷,具体包括以下过程:
(1)首先排除干扰缺陷,通过预设参数,即预设面积参数和预设亮度参数,排除面积小于预设面积参数,亮度大于预设亮度参数的干扰缺陷;
(2)其次,对比缺陷最小外接矩形与电池子片长宽的比例,以及缺陷在最小外接矩形中的面积比例即缺陷面积比,排除分割不均造成的影响;
(3)由于黑边和碎片缺陷在颜色和现状上不同,形成二者的视觉特征,根据黑边和碎片的视觉特征,识别电池片缺陷类型,将包括缺陷的面积、周长、圆形度、缺陷像素均值作为特征,识别碎片;通过包括计算方差、判断缺陷对比度大小、统计颜色分布均匀度的方法来识别黑边;
(4)将电提取的缺陷进行分类,实现单个电池片的缺陷率的计算和完全损坏的位置判断,判定方式为:扫描单个子片的缺陷所覆盖的缺陷面积,缺陷面积与单个子片总面积的面积比即为缺陷率,设置一个具体的阈值,如果该子片的缺陷率超过设定的阈值,则该子片被判定为完全损坏。
根据本发明的另一种具体实施方式,步骤(1)进一步包括:
采用最大亮度参数排除干扰缺陷:采用预设参数排除干扰缺陷后,将二值图像中剩余的连通域重新编号,计算各个连通域在原图像同的灰度值总和,将灰度值总和与电池片图像灰度均值的乘积设定为碎片缺陷的最大亮度;当缺陷灰度均值大于最大亮度时,排除其为碎片的可能性。本方案的步骤(1)中,当某些缺陷面积过小或者亮度超出一般碎片亮度时,可以使用设定的面积参数和亮度参数初步排除,然后在采用设定最大零度参数进行排除。
本方案中,缺陷的干扰在二值图像中的主要存在形式如下表1所示:
表1缺陷干扰类型描述
其中,perimeter为连通域周长;area为连通域面积。
最后,因为碎片多为类三角形或矩形,计算各个连通域的面积周长比和圆度。可以将断栅造成的缺陷排除。
根据本发明的另一种具体实施方式,二值图像连通域的长或宽与子片的厂或宽相当;其中,在排除碎片干扰缺陷过程中,狭缝状连通域、最小外接矩形长宽都等于或者接近等于子片长宽的连通域、长度接近子片的长度且宽度超出范围的连通域、宽度接近子片的宽度且长度超出范围的连通域均被排除。
根据本发明的另一种具体实施方式,步骤(2)中的边缘干扰缺陷包括条带狭缝、L型狭缝和半L型狭缝。
本发明中,由于背景与待检测目标的像素值差异较大,并且整张电池片是由m行、n列个子片组成,子片之间存在缝隙且缝隙的灰度值较低,接近于黑色。所以,当电池片倾斜角度较小时,利用图像的水平投影和竖直投影可以得到电池片的边缘以及缝隙在整幅图像的所在位置,位置坐标即为行累加或者列累加的极值点。设置阈值,极值点高于某一阈值则将其视为电池片的边缘位置或者电池片子片的缝隙位置。
本发明首先分析黑边特征,识别黑边的方法为:
1)颜色特征:多为深灰色,由子片边缘向中心均匀扩散
2)形状特征:多为矩形。并且位置在子片边缘。
由于黑边是由四周边缘像中心扩散的,所以分割后二值图像连通域的长或宽应与子片长或宽相当,而另一方的长度在一定范围内。因此可以将具有以下三类类特征的连通域排除。
(1)狭缝。
(2)联通域最小外接矩形长宽都接近子片长宽的缺陷。
(3)连通域长接近子片长,宽超出范围;或者宽接近子片宽,长超出范围。
另外,利用缺陷灰度值的方差判断缺陷颜色的均匀度,方差越小说明缺陷中各像素点的灰度值差别越小,也就是图像像素值分布越均匀,图像对比度小。方差公式如下:
其中:
Mi为第i个连通域的像素点个数;grayvaluek为第i个连通域第k个点的灰度值;graymeani为第i个连通域在原图像上的灰度均值;
graymeani计算公式如下:
由于黑边颜色分布较均匀,方差比较小。因此,设置均匀度阈值th,计算连通域的σ2,当σ2<th时,将缺陷判定为黑边。
本发明的有益之处在于:减轻人为检测的劳动强度,避免人工检测过程中,由于人为因素带来的检测结果的不确定性,提高产品的质量,便于准确的检测出太阳能电池片的黑边和碎片缺陷。
下面结合附图对本发明做进一步的详细说明。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,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,还可以根据这些附图获得其他的附图。
图1是实施例1的电池片图像分割为子片图像的流程示意图;
图2是实施例1中的电池片的EL(电致发光)示意图;
图3是实施例1中电池片行边缘的位置示意图,其中,*代表像素行累加峰值点的位置;
图4是实施例1中电池片列边缘的位置示意图,其中,*代表像素列累加峰值点位置;
图5是实施例1中电池片分割后的示意图;
图6是实施例1中电池片的整片图像的提取结果示意图;
图7是实施例1中分割后的一个子片图像的示意图;
图8是实施例1中分割后的另一个子片图像的示意图;
图9是实施例1中一种带有边缘缝隙的子片图像示意图;
图10为图9优化后的子片图像示意图;
图11是实施例1中另一种带有边缘缝隙的子片图像示意图;
图12为图11优化后的子片图像示意图;
图13是实施例1中电池片的边缘优化结果示意图;
图14是实施例1中电池片碎片缺陷误分割类型示意图,其显示了条带狭缝;
图15是实施例1中电池片碎片缺陷误分割类型示意图,其显示了L型狭缝;
图16是实施例1中电池片碎片缺陷误分割类型示意图,其显示了一种半L型狭缝;
图17是实施例1中电池片碎片缺陷误分割类型示意图,其显示了另一种半L型狭缝;
图18是实施例1中电池片的误分割优化结果示意图;
图19是实施例1中电池片的碎片检测结果示意图;
图20是实施例1中电池片的黑边检测结果示意图。
具体实施方式
为使本发明的实施例的目的、技术方案和优点更加清楚,下面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的描述:
实施例1
本实施例提供了一种太阳能电池片的黑边和碎片的缺陷检测方法,并基于此缺陷检测方法进行碎片、黑边的检测以及电池片中单个子片是否完全损坏的判定,具体包括以下步骤:
S1、获取待测太阳能电池片的图像,进行预处理;其中,采用中值滤波器对缺陷图像进行预处理,以获得相对清晰的图像。
S2、对预处理后的图像进行目标提取,将电池片的图像从背景图像中分离;并且将电池片的图像分割成多个子片图像。
具体的,利用电池片图像的水平投影和竖直投影,得到整幅图像的像素值累加和,像素值累加和在边缘位置或缝隙位置会出现极值点,极值点高于某一设定阈值则视为电池片的边缘位置或子片的缝隙位置,采用将像素值累加和用向量进行保存的方式,通过对向量进行取反,此时极大值所在的位置,就是边缘位置。其中,将整张的太阳能电池片的图像分割形成多个子片图像的流程图如图1所示,具体过程为:
第一步,分别将图像每行、每列的像素值累加,将像素值累加和用向量进行保存的方式。由于边缘为黑色缝隙,因此行向量、列向量每隔大约一个电池子片的距离会有一个极小值点出现。
第二步:将向量取反,行边缘的位置示意图如图3所示,列边缘的位置示意图如图4所示,第一个像素值突增的位置为电池片上下边缘,最后一个像素值突降的位置为电池片左右边缘,记录电池片的上下左右的边缘位置,将电池片的图像从背景图像中提取出来,提取的结果如图2所示。
第三步:寻找子片图像的水平边缘和竖直边缘
水平边缘的确定方式:如图3所示,利用峰值函数,将峰值间最小间隔设置为子片图像的宽度,图3中的*位置即为函数求取的峰值位置,将水平边缘位置坐标用n*1的向量v1存储;
竖直边缘的确定方式:如图4所示,利用峰值函数,将峰值间最小间隔设置为子片图像的长度,图4中的*位置即为函数求取的峰值位置,将竖直边缘位置坐标用m*1的向量v2存储;
利用向量v1、v2存储的坐标对电池片进行切割,得到m×n个子片图像,其中,m为行数,n为列数,其中,每一个子片图像对应一个子片,分割后的子片图像分布效果如图5所示。
第四步:v1向量中存储的第一个坐标为电池片的上边缘,最后一个坐标为电池片的下边缘;同样地,v2向量中存储的第一个坐标对应电池片的左边缘,最后一个坐标对应电池片的右边缘。利用上述四个坐标,可以将整张电池片从背景中分离,效果如图6所示。
S3、将子片图像进行阈值分割,转化为二值图像,其中两个分隔好的子片图像的效果如图7、图8所示。
具体的,进一步利用形态学处理优化分割后子片图像的边缘,以减少边缘缝隙对后期缺陷识别的影响,并且减少图像倾斜造成切割不均的问题。再者,通过形态学先将子片中的小面积噪点去除,然后以一定宽度将电池子片上、下、左、右四个边缘的像素截掉,初步减少误切割造成的干扰。
由于边缘缝隙的影响,分割时会将边缘误判为缺陷,如图9、图11所示;因此,将四周10个像素点的灰度值置0来降低影响,调整后的效果如图10、图12中所示,结合图13(电池片整体的初边缘优化结果示意图)可以看出,优化边缘后,边缘的噪声明显减少。
但是,简单的边缘优化只能排除小部分干扰的影响,为了排除更多的缺陷干扰,需对未去除的干扰进行特征定义,根据定义后的特征确定干扰的目标;其中,碎片干扰缺陷主要存在如下表2中的几种情况:
表2缺陷干扰类型描述
其中,perimeter为连通域周长;area为连通域面积。
1)对于图14所示的情况,利用该连通域的最小外接矩形计算长宽比。若为水平狭缝,找出长宽比过大的连通域;若为竖直狭缝,则找出长宽比过小的连通域。
2)对于图15所示的情况,该连通域最小外接矩形的长宽接近于子片的长宽,连通域在其最小外接矩形占比小,表现为填充度小。
3)对于图16、图17所示的情况,连通域最小外接矩形的长接近于子片的长且宽大于子片宽的1/5;或宽接近于子片的宽且长大于子片长的1/5,而且连通域在其最小外接矩形占比小时,利用最小外接矩形长宽与子片长宽的关系和填充度将干扰缺陷找出。
将满足图14-图17中情况的连通域像素值设置为0,将其删除,排除干扰信息后的图像如图18所示。
S4、定义黑边、碎片的特征和参数,利用特征和参数从子片图像的二值图像中提取缺陷,具体的过程为:
(1)首先预设参数排除干扰缺陷,通过预设参数,即预设面积参数和预设亮度参数,排除面积小于预设面积参数,亮度大于预设亮度参数的干扰缺陷;
(2)采用最大亮度参数排除干扰缺陷:采用预设参数排除干扰缺陷后,将二值图像中剩余的连通域重新编号,计算各个连通域在原图像同的灰度值总和,将灰度值总和与电池片图像灰度均值的乘积设定为碎片缺陷的最大亮度;当缺陷灰度均值大于最大亮度时,排除其为碎片的可能性。
(3)其次,对比缺陷最小外接矩形与电池子片长宽的比例,以及缺陷在最小外接矩形中的面积比例即缺陷面积比,排除分割不均造成的影响;
(4)由于黑边和碎片缺陷在颜色和现状上不同,形成二者的视觉特征,根据黑边和碎片的视觉特征,识别电池片缺陷类型,将包括缺陷的面积、周长、圆形度、缺陷像素均值作为特征,识别碎片;通过包括计算方差、判断缺陷对比度大小、统计颜色分布均匀度的方法来识别黑边;
(5)将电提取的缺陷进行分类,实现单个电池片的缺陷率的计算和完全损坏的位置判断。
其中,在分析碎片特征、定义识别碎片所需参数,需要根据参数去除不满足碎片、黑边特征的干扰缺陷。
碎片特征主要为:
1)颜色特征:整体掉落的碎片颜色为纯黑色,有明显边界;部分掉落的碎片颜色为纯黑色与深灰色相间,但整体颜色偏深。
2)形状特征:多为三角形或者类矩形。形状不会太细长,有一定的宽度或长度范围。
根据以上的碎片特征,本实施例对已有的参数进行结合,定义了可用于碎片识别的新参数。其中,设电池子片的长用eachlen,宽用eachwidth表示;连通域的最小外接矩形长度用len,宽度用witdh表示;连通域的面积为area,周长为perimeter。
参数定义如下:
黑边特征主要为:
1)颜色特征:多为深灰色,由子片边缘向中心均匀扩散;
2)形状特征:多为矩形。并且位置在子片边缘。
由于黑边是由四周边缘像中心扩散的,所以分割后二值图像连通域的长或宽应与子片长或宽相当,而另一方的长度在一定范围内。因此可以将具有以下三类类特征的连通域排除。
(1)狭缝。
(2)联通域最小外接矩形长宽都接近子片长宽的缺陷。
(3)连通域长接近子片长,宽超出范围;或者宽接近子片宽,长超出范围。
利用缺陷灰度值的方差判断缺陷颜色的均匀度,方差越小说明缺陷中各像素点的灰度值差别越小,也就是图像像素值分布越均匀,图像对比度小。
接着,定义缺陷特征、设置缺陷参数、进行缺陷检测。
碎片缺陷检测大致分为以下三个步骤:
第一步:去除面积小于碎片最小面积的连通域。如图18所示,去除由电池片倾斜、子片切割不均等产生的干扰信息之后,电池片上还存在不符合碎片面积特征的干扰缺陷。面积很小的连通域,多为过分割、孔洞或优化边缘所遗留的干扰信息,在识别碎片缺陷之前,手动输入两个可调参数面积参数和亮度参数,并计算缺陷最小面积areamin和缺陷最大亮度intensitymax。参数值为1、2、3…,面积参数初始值设置为2,亮度参数初始值设置为4。面积小于areamin的连通域像素值设置为0。
第二步:去除小面积连通域的影响后,将剩余连通域重新编号,计算各个连通域在原图像中灰度值总和,计算灰度均值。用亮度参数与整张电池片灰度均值的乘积作为碎片缺陷的最大亮度intensitymax,即当缺陷灰度均值大于intensitymax时,排除为碎片的可能性。
第三步:最后,计算各个连通域的面积周长比和圆度。因为碎片多为类三角形或矩形,所以需要限定面积周长比和圆度的范围。本实施例中,限定面积周长比小于4.5且圆度小于0.2为碎片。不满足的连通域像素值设置为0。去除不满足碎片特征的连通域之后,碎片识别结果如图19所示。
其中,需要说明的是,因为碎片多为类三角形或矩形,通过计算各个连通域的面积周长比和圆度,可以将断栅造成的缺陷排除。
二值图像连通域的长或宽与子片的厂或宽相当;其中,在排除碎片干扰缺陷过程中,狭缝状连通域、最小外接矩形长宽都等于或者接近等于子片长宽的连通域、长度接近子片的长度且宽度超出范围的连通域、宽度接近子片的宽度且长度超出范围的连通域均被排除。
黑边缺陷检测分为以下步骤:
第一步:黑边出现在子片四周边缘,水平黑边的长接近子片长,而宽不超过1/5子片宽,竖直黑边的宽接近子片宽,而宽不超过1/5子片长。因此以下类型的连通域可以排除:(1)连通域呈正方形,且长宽远小于子片长宽;(2)过细、过窄的连通域。设定不同的阈值,比较rate与阈值大小,排除细长狭缝;再者,判断连通域最小外接矩形长宽与子片长宽的接近程度来排除干扰。
第二步:利用缺陷灰度值的方差判断缺陷颜色的均匀度,方差公式如下:
其中:Mi为第i个连通域的像素点个数;grayvaluek为第i个连通域第k个点的灰度值;graymeani为第i个连通域在原图像上的灰度均值;
方差越小说明图像像素值分布越均匀,缺陷中各像素点的灰度值差别越小,因此,设置均匀度阈值th,计算连通域的σ2,当σ2<th时,将缺陷判定为黑边,检测结果如图20所示。
S5、分别统计黑边、碎片的缺陷数量,标注缺陷位置;将超过一定缺陷率的子片定义为完全损坏,通过计算单个子片的缺陷所覆盖的缺陷面积,缺陷面积与单个子片总面积的面积比即为缺陷率,设置一个具体的阈值,如果该子片的缺陷率超过设定的阈值,则该子片被判定为完全损坏。碎片的完全损坏的标记结果如图20所示。
具体的,结合缺陷的具体情况,不同种类的缺陷按照其严重程度、数量大小、面积大小等因素,分为不同级别,具体如下表3所示:
表3缺陷等级判定
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (9)
1.一种太阳能电池片的黑边和碎片的缺陷检测方法,其特征在于,包括以下步骤:
S1、获取待测太阳能电池片的图像,进行预处理;
S2、对预处理后的图像进行目标提取,将电池片的图像从背景图像中分离,并且将电池片的图像分割成多个子片图像;
S3、将子片图像进行阈值分割,转化为二值图像;
S4、定义黑边、碎片的特征和参数,利用特征和参数从子片图像的二值图像中提取缺陷;
S5、分别统计黑边、碎片的缺陷数量,标注缺陷位置,其中,将超过一定缺陷率的子片定义为完全损坏;
步骤S4中定义碎片与黑边的特征和参数,利用特征和参数从子片的二值图像中提取缺陷,具体包括以下过程:
(1)首先排除干扰缺陷,通过预设参数,即预设面积参数和预设亮度参数,排除面积小于预设面积参数,亮度大于预设亮度参数的干扰缺陷;
(2)其次,对比缺陷最小外接矩形与电池子片长宽的比例,以及缺陷在最小外接矩形中的面积比例,排除分割不均造成的影响;
(3)由于黑边和碎片缺陷在颜色和形状上不同,形成二者的视觉特征,根据黑边和碎片的视觉特征,识别电池片缺陷类型,将缺陷的面积、周长、圆形度、缺陷像素均值作为特征,识别碎片;通过计算方差、判断缺陷对比度大小、统计颜色分布均匀度的方法来识别黑边;
(4)将提取的缺陷进行分类,实现单个电池片的缺陷率的计算和完全损坏的位置判断;
碎片特征主要为:
1)颜色特征:整体掉落的碎片颜色为纯黑色,有明显边界,部分掉落的碎片颜色为纯黑色与深灰色相间,但整体颜色偏深;
2)形状特征:多为三角形或者类矩形,形状不会太细长,有一定的宽度或长度范围;
根据以上的碎片特征,对已有的参数进行结合,定义了用于碎片识别的新参数,其中,设电池子片的长用eachlen,宽用eachwidth表示,连通域的最小外接矩形长度用len,宽度用witdth表示,连通域的面积为area,周长为perimeter;
参数定义如下:
(1)最小矩形长宽比rate=len/width;
(2)圆度metric=(4*pi*area)/perimeter2;
(3)细长度slightness=area/ perimeter;
(4)填充度extent=area/(len*width);
黑边特征主要为:
1)颜色特征:多为深灰色,由子片边缘向中心均匀扩散;
2)形状特征:多为矩形,并且位置在子片边缘;
碎片缺陷检测分为以下三个步骤:
第一步:去除面积小于碎片最小面积的连通域,去除由电池片倾斜、子片切割不均产生的干扰信息之后,电池片上还存在不符合碎片面积特征的干扰缺陷,
面积很小的连通域,为过分割、孔洞或优化边缘所遗留的干扰信息,在识别碎片缺陷之前,手动输入两个可调参数面积参数和亮度参数,并计算缺陷最小面积area min 和缺陷最大亮度intensity max ,参数值为1、2、3…,面积参数初始值设置为2,亮度参数初始值设置为4,面积小于area min 的连通域像素值设置为0;
第二步:去除小面积连通域的影响后,将剩余连通域重新编号,计算各个连通域在原图像中灰度值总和,计算灰度均值,用亮度参数与整张电池片灰度均值的乘积作为碎片缺陷的最大亮度intensity max ,即当缺陷灰度均值大于intensity max 时,排除为碎片的可能性;
第三步:计算各个连通域的面积周长比和圆度,碎片为类三角形或矩形,需要限定面积周长比和圆度的范围,限定面积周长比小于4.5且圆度小于0.2为碎片,不满足的连通域像素值设置为0,去除不满足碎片特征的连通域;
碎片为类三角形或矩形,通过计算各个连通域的面积周长比和圆度,将断栅造成的缺陷排除;
二值图像连通域的长或宽与子片的厂或宽相当;其中,在排除碎片干扰缺陷过程中,狭缝状连通域、最小外接矩形长宽都等于或者接近等于子片长宽的连通域、长度接近子片的长度且宽度超出范围的连通域、宽度接近子片的宽度且长度超出范围的连通域均被排除;
黑边缺陷检测分为以下步骤:
第一步:黑边出现在子片四周边缘,水平黑边的长接近子片长,而宽不超过1/5子片宽,竖直黑边的宽接近子片宽,而宽不超过1/5子片长,因此以下类型的连通域排除:
(1)连通域呈正方形,且长宽远小于子片长宽;
(2)过细、过窄的连通域,设定不同的阈值,比较rate与阈值大小,排除细长狭缝;再者,判断连通域最小外接矩形长宽与子片长宽的接近程度来排除干扰;
第二步:利用缺陷灰度值的方差判断缺陷颜色的均匀度,方差公式如下:
其中:M i 为第i个连通域的像素点个数;grayvalue k 为第i个连通域第k个点的灰度值;graymean i 为第i个连通域在原图像上的灰度均值;
graymean i 计算公式为:
方差越小说明图像像素值分布越均匀,缺陷中各像素点的灰度值差别越小,因此,设置均匀度阈值th,计算连通域的σ2 ,当σ 2 <th时,将缺陷判定为黑边,
分别统计黑边、碎片的缺陷数量,标注缺陷位置;将超过一定缺陷率的子片定义为完全损坏,通过计算单个子片的缺陷所覆盖的缺陷面积,缺陷面积与单个子片总面积的面积比即为缺陷率,设置一个具体的阈值,如果该子片的缺陷率超过设定的阈值,则该子片被判定为完全损坏;
结合缺陷的具体情况,不同种类的缺陷按照其严重程度、数量大小、面积大小等因素,分为不同级别,缺陷等级判定具体如下所示:
2.根据权利要求1所述的缺陷检测方法,其特征在于,步骤S1中所述的预处理为采用中值滤波器对缺陷图像进行预处理,以降低图像的噪声,获得相对清晰的图像。
3.根据权利要求1所述的缺陷检测方法,其特征在于,步骤S2具体为:利用电池片图像的水平投影和竖直投影,得到整幅图像的像素值累加和,所述像素值累加和在边缘位置或缝隙位置会出现极值点,极值点高于某一设定阈值则视为电池片的边缘位置或子片的缝隙位置;记录电池片的边缘位置,将电池片的图像从背景图像中提取出来; 根据极值点的位置分布,得到m×n个子片图像,其中,m为行数,n为列数。
4.根据权利要求3所述的缺陷检测方法,其特征在于,电池片的图像边缘位置的确定:所述像素值累加和用向量进行保存,通过对向量进行取反,此时极大值所在的位置,就是边缘位置。
5.根据权利要求4所述的缺陷检测方法,其特征在于,子片图像边缘位置的确定:子片图像水平边缘的确定:利用峰值函数,将峰值间最小间隔设置为子片图像的宽度;子片图像竖直边缘的确定:利用峰值函数,将峰值间最小间隔设置为子片图像的长度。
6.根据权利要求1所述的缺陷检测方法,其特征在于,步骤S3中进一步利用形态学处理优化分割后子片图像的边缘,以减少边缘缝隙对后期缺陷识别的影响。
7.根据权利要求1所述的缺陷检测方法,其特征在于,步骤(1)进一步包括: 采用最大亮度参数排除干扰缺陷:采用预设参数排除干扰缺陷后,将二值图像中的连通域重新编号,计算各个连通域在原图像同的灰度值总和,将所述灰度值总和与电池片图像灰度均值的乘积设定为碎片缺陷的最大亮度;当缺陷灰度均值大于最大亮度时,排除其为碎片的可能性。
8.根据权利要求7所述的缺陷检测方法,其特征在于,二值图像连通域的长或宽与子片的长或宽相当;其中,在排除碎片干扰缺陷过程中,狭缝状连通域、最小外接矩形长宽都等于或者接近等于子片长宽的连通域、长度接近子片的长度且宽度超出范围的连通域、宽度接近子片的宽度且长度超出范围的连通域均被排除。
9.根据权利要求1所述的缺陷检测方法,其特征在于,步骤(2)中缺陷包括条带狭缝、L型狭缝和半L型狭缝。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710885839 | 2017-09-27 | ||
CN2017108858391 | 2017-09-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596903A CN108596903A (zh) | 2018-09-28 |
CN108596903B true CN108596903B (zh) | 2022-06-03 |
Family
ID=63621076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810424920.4A Active CN108596903B (zh) | 2017-09-27 | 2018-05-07 | 一种太阳能电池片的黑边和碎片的缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596903B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109828545B (zh) * | 2019-02-28 | 2020-09-11 | 武汉三工智能装备制造有限公司 | Ai智能过程异常识别闭环控制方法、主机及装备系统 |
CN109946315A (zh) * | 2019-03-14 | 2019-06-28 | 镇江苏仪德科技有限公司 | 一种太阳能电池片的外观检测装置 |
CN110146509B (zh) * | 2019-05-07 | 2022-12-13 | 无锡先导智能装备股份有限公司 | 电池检测方法及电池检测设备 |
CN110296997B (zh) * | 2019-07-03 | 2022-06-03 | 三峡大学 | 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 |
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 |
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 |
CN112446865A (zh) * | 2020-11-25 | 2021-03-05 | 创新奇智(广州)科技有限公司 | 瑕疵识别方法、装置、设备和存储介质 |
CN113066118B (zh) * | 2021-04-13 | 2021-12-07 | 国网思极数字科技(北京)有限公司 | 基于远程监控和工业物联网的太阳能光伏发电运行安全监测系统 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201233371Y (zh) * | 2008-03-17 | 2009-05-06 | 荣凡 | 晶体硅太阳能电池微光图像检测仪 |
CN102540045A (zh) * | 2012-01-06 | 2012-07-04 | 浙江旭辉光电科技股份有限公司 | 一种太阳能电池片不良品的检测装置 |
CN106841211A (zh) * | 2016-12-30 | 2017-06-13 | 镇江苏仪德科技有限公司 | 一种运用机器视觉对电池片表面缺陷检测的平台及方法 |
-
2018
- 2018-05-07 CN CN201810424920.4A patent/CN108596903B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201233371Y (zh) * | 2008-03-17 | 2009-05-06 | 荣凡 | 晶体硅太阳能电池微光图像检测仪 |
CN102540045A (zh) * | 2012-01-06 | 2012-07-04 | 浙江旭辉光电科技股份有限公司 | 一种太阳能电池片不良品的检测装置 |
CN106841211A (zh) * | 2016-12-30 | 2017-06-13 | 镇江苏仪德科技有限公司 | 一种运用机器视觉对电池片表面缺陷检测的平台及方法 |
Non-Patent Citations (4)
Title |
---|
基于生物视觉模型的太阳能电池板缺陷检测的应用研究;李斌;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20130315(第03期);C042-786 * |
基于红外热成像的太阳能板缺陷检测;王亚丽;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160815(第08期);C042-697 * |
基于视觉的硅太阳能电池检测方法的研究;王楠;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150315(第03期);I138-24 * |
电致发光测试在晶硅电池组件检测认证中的应用研究;朱雨萌;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20151015(第10期);C042-192 * |
Also Published As
Publication number | Publication date |
---|---|
CN108596903A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596903B (zh) | 一种太阳能电池片的黑边和碎片的缺陷检测方法 | |
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 | |
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 | |
CN106952260B (zh) | 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 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
Li et al. | Automatic saw-mark detection in multicrystalline solar wafer images | |
CN110942457B (zh) | 基于数字图像处理技术的太阳能电池板缺陷检测方法 | |
CN113313677B (zh) | 一种卷绕锂电池x光图像的质量检测方法 | |
CN110443278B (zh) | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 | |
US20230011569A1 (en) | Method and apparatus for detecting defect, device, and storage medium | |
CN115049645B (zh) | 一种太阳能电池板表面缺陷检测方法 | |
CN110866916A (zh) | 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 | |
CN109816627B (zh) | 平面玻璃元件油墨区弱小缺陷目标检测方法 | |
CN106651831B (zh) | 一种竹块缺陷检测方法和系统 | |
CN112819812A (zh) | 基于图像处理的粉末床缺陷检测方法 | |
CN107862689A (zh) | 皮革表面明显破损自动识别方法及计算机可读存储介质 | |
US9235882B2 (en) | Method for detecting existence of dust spots in digital images based on locally adaptive thresholding | |
CN107133958B (zh) | 基于块粒度预判平衡直方图的光学遥感船舶切片分割方法 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 | |
CN107967690B (zh) | 一种自适应铁谱磨粒图像二值化处理方法 | |
CN106204889B (zh) | 一种纸币荧光区域的定位方法和装置 | |
CN108205678A (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 |
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 |