CN109447978A - 一种光伏太阳能电池片电致发光图像缺陷分类方法 - Google Patents
一种光伏太阳能电池片电致发光图像缺陷分类方法 Download PDFInfo
- Publication number
- CN109447978A CN109447978A CN201811330450.1A CN201811330450A CN109447978A CN 109447978 A CN109447978 A CN 109447978A CN 201811330450 A CN201811330450 A CN 201811330450A CN 109447978 A CN109447978 A CN 109447978A
- Authority
- CN
- China
- Prior art keywords
- lbp
- image
- feature descriptor
- cpics
- classifier
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明为一种光伏太阳能电池片电致发光图像缺陷分类方法,该方法步骤是:第一步:获取光伏太阳能电池电致发光图像;第二步:图像分块;第三步:用特征描述子描述每个图像块特征;第四步:用分类器进行训练测试。所述特征描述子为CS‑LBP特征描述子或CPICS‑LBP特征描述子。该方法通过将图像先进行分块处理,再通过特征描述子进行局部提取的方式获得图像特征,再结合分类器能很好地将EL图像进行分类。本发明方法尤其适用于检测裂纹、断栅,并在光伏电池片电致发光图像缺陷分类工程实践中取得了很好的效果。
Description
技术领域
本发明涉及光伏电池缺陷检测技术领域,具体涉及一种光伏太阳能电池片电致发光图像缺陷分类方法。该方法主要通过运用机器学习的方法对图像进行特征提取与分类器分类,并运用了一种新颖的特征描述子,即融合中心像素信息的中心对称二值模式CPICS-LBP。
背景技术
随着科学技术的不断发展,太阳能的应用越来越广。在新能源领域,我们通过光电转换的原理,将清洁的太阳能转换成电能,为我们提供源源不断的能源。目前,光伏行业发展迅速,年增长率在20%左右。这些生产出来的电池片首先就是要对其质量进行检测,电池片的质量影响着其使用的寿命、稳定性、以及光电转换效率,在工业实践中,EL缺陷检测主要以机器辅助人工来完成,速度慢,而且检测精确度低(约为80%),劳动成本高,传统的机器辅助人工分拣已经无法满足市场需求。
太阳能电池片EL图像缺陷检测属于非均匀纹理背景下的缺陷检测,传统的方法如傅里叶重构、各向异性扩散等无法同时实现多种缺陷的在线分类。CS-LBP( M, M,Schmid C.Description of interest regions with local binarypatterns[J].Pattern Recognition,vol.3,no.42,pp.425-436,2009.)特征描述子主要提取图像纹理的梯度信息,丢失了中心像素所带的信息。
发明内容
针对现有技术的不足,本发明拟解决的技术问题是,提出一种光伏太阳能电池片电致发光图像缺陷分类方法。该方法分类精度高,而且大大节省了人力成本,能实现自动检测。
本发明解决所述技术问题采用的技术方案是:提供一种光伏太阳能电池片电致发光图像缺陷分类方法,该方法步骤是:
第一步:获取光伏太阳能电池电致发光图像;
第二步:图像分块;
第三步:用特征描述子描述每个图像块特征;
第四步:用分类器进行训练测试。
所述特征描述子为CS-LBP特征描述子或CPICS-LBP特征描述子;
所述CPICS-LBP通过以下步骤得到:
1)首先将中心像素值C与半径为R的P个邻域像素值的平均值Cm进行比较,中心像素值大于此平均值Cm,二进制码取1,否则取0;
2)将得到的二进制码以串联的方式拼接到中心对称二值模式CS-LBP的右侧,形成融合中心像素信息的中心对称二进制模式CPICS-LBP。
CPICS-LBP的具体计算公式为:
其中,C代表中心像素值;Cm代表中心像素P个邻域像素值的平均值,
CPICS-LBP的半径R为1或2,P为8或16。
所述分类器为SVM分类器或NNC分类器。
图像分块后的图像块大小均相同。
与现有的方法相比,本发明提出了一种光伏太阳能电池片电致发光图像缺陷分类方法具有如下优点:
1.本发明方法用于光伏太阳能电池片电致发光图像的缺陷分类,实现的步骤是:1)获取光伏太阳能电池电致发光(EL)图像;2)图像分块;3)使用特征描述子描述每个图像块特征;4)用分类器训练测试。该方法通过将图像先进行分块处理,再通过特征描述子进行局部提取的方式获得图像特征,再结合分类器能很好地将EL图像进行分类。本发明方法尤其适用于检测裂纹、断栅,并在光伏电池片电致发光图像缺陷分类工程实践中取得了很好的效果。
2.本发明方法提出了一种新颖的特征描述子CPICS-LBP:空间域特征映射时,将中心像素值C与其P个邻域值的均值Cm比较,产生一个二进制值,并将这个二进制值串联到中心对称局部二值模式CS-LBP描述子中,从而产生了一种新颖的特征描述子CPICS-LBP,具体特征映射过程参照图2,这种改进在保留图像纹理梯度信息的基础上增加了中心像素信息,大大增强图像纹理特征描述的能力,提取速度快,能提取EL图像更多的纹理信息,非常适合检测裂纹缺陷。
3.本发明可实现太阳能电池片电致发光图像缺陷的多分类,且分类精度高。
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为本发明检测分类方法的流程图。
图2为本发明所提出的新颖特征描述子CPICS-LBP的特征映射流程图。
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。
本发明光伏太阳能电池片电致发光图像缺陷分类方法(参照图1),该方法步骤是:
第一步:获取光伏太阳能电池电致发光(EL)图像;
第二步:图像分块,得到多个图像块;
第三步:用特征描述子描述每个图像块特征;
第四步:用分类器进行训练测试。
本发明方法中的特征描述子可以为CS-LBP特征描述子,也可以为CPICS-LBP特征描述子。
所述特征描述子为一种新颖的特征描述子CPICS-LBP,CPICS-LBP通过如下步骤得到的:
1)首先将中心像素值C与半径为R的P个邻域像素值的平均值Cm进行比较,中心像素值大于此平均值Cm,二进制码取1,否则取0;
2)将得到的二进制码以串联的方式拼接到中心对称二值模式CS-LBP的右侧,形成融合中心像素信息的中心对称二进制模式CPICS-LBP,如图2所示,C代表中心像素值,Cm代表中心像素8邻域像素值(C0,C1,C2,C3,C4,C5,C6,C7)的平均值,CPICS-LBP的具体计算公式为:
式中,i=0~P-1,P为邻域像素值个数,x为变量;
CPICS-LBP的半径R为1或2,P为8或16。
所述分类器为SVM分类器或NNC分类器。
实施例1
本实施例一种新颖的光伏太阳能电池片电致发光图像缺陷分类方法,该方法包含4个步骤单元,如图1所示:
第一步:获取光伏太阳能电池电致发光(EL)图像;
第二步:图像分块;
第三步:选用CPICS-LBP作为特征描述子,描述每个图像块特征;
第四步:用支持向量机SVM作为分类器,对第三步所提的图像块特征进行训练测试。
本实施例光伏太阳能电池片大小为156mm*156mm。相机采集的图像大小为1024*1024。
在第二步中,每一张图像所分的图像块的大小为128*128,数量为64张,所有图像块大小相同。
第四步中支持向量机的核函数是径向基函数。
该方法依托的是VS2013软件和Opencv2.49。
本发明方法主要是通过使用图像特征提取与分类器分类的机器学习方法进行太阳能电池片EL图像缺陷分类,从而解决了非均匀纹理背景下缺陷分类的挑战性问题。为了说明本方法的有效性,选用了本实施例所提出的方法CPICS-LBPP,R和(T.Ojala, Multiresolution gray-scale and rotation invarianttexture classification with local binary patterns,IEEE Transactions onPattern Analysis and Machine Intelligence,no.24,pp.971-987,2002.)、(R.Mehta and K.Egiazarian,“Dominant rotated local binarypatterns(DRLBP)for texture classification,”Pattern Recogn.Lett.,vol.71,no.99,pp.16–22,Feb.2016.)、(Song K,Yan Y.A noise robust method based oncompleted local binary patterns for hot-rolled steel strip surfacedefects.Applied Surface Science,vol.21,no.285,pp.858-864,2013.)及CS-LBPP,R方法进行对比试验(如表1所示,其中表1较大,故在下面拆分成表1.1和表1.2进行表示),使用精度precision,召回率recall,F-measure来评估实验结果,具体公式如下,从而凸显出本方法的有效性。
TP,FP,FN,TN这4个分别表示:实际为非缺陷样本,预测为非缺陷样本;实际为缺陷样本,预测为非缺陷样本;实际为非缺陷样本,预测为缺陷样本;实际为缺陷样本,预测为非缺陷样本。
从表1中我们可以看出,在采用特征描述子CPICS-LBP和分类器SVM之后,本发明得到了最好的实验结果,平均精确度87.84%,平均召回率85.97%,平均F-测量86.19%。并且裂纹、断栅、好样本的F-测量分别是89.41%,87.34%,81.83%。其中裂纹的分类结果要远高于其他方法,这说明了CPICS-LBPP,R非常适合检测边缘梯度变化较快的缺陷。本实施例方法适合非均匀纹理背景下的缺陷检测。
时效性评估:时间效率评估在光伏产业中非常重要。缺陷检测首先需要强大的实时性能,高精度和强大的鲁棒性。本发明使用VS-2013和opencv3在具有64.0GB RAM的InterCPU(W-2123,3.60GHz)上执行时间效率评估。表2为在P=8,R=2时的时效性评估与特征维数结果,表2中给出了具有1024×1024像素分辨率的每个测试图像的平均计算时间和特征尺寸。时间效率评估中的两个重要因素是特征提取和分类。对于CPICS-LBP方法,其特征维数较短为32且平均计算时间仅为12ms,这比传统方法更快。
结论:对于诸如多晶硅光伏电池的非均匀纹理化表面,有效的表面缺陷检测仍然是具有挑战性的任务。与主流方法相比,实验结果表明CPICS-LBP特征描述子在快速检测速度下实现了显著的性能提升。
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。
表1.1:使用精确,召回和F-测量来评估不同方法和分类器的实验结果以进行缺陷检测(Bk:裂纹,Fr:断栅,Gd:好片,A:平均值)
表1.2:使用精确,召回和F-测量来评估不同方法和分类器的实验结果以进行缺陷检测(Bk:Break,Fr:Finger,Gd:Good,A:平均值)
表2:时效性评估与特征维数
Claims (6)
1.一种光伏太阳能电池片电致发光图像缺陷分类方法,该方法步骤是:
第一步:获取光伏太阳能电池电致发光图像;
第二步:图像分块;
第三步:用特征描述子描述每个图像块特征;
第四步:用分类器进行训练测试。
2.根据权利要求1所述的方法,其特征在于,所述特征描述子为CS-LBP特征描述子或CPICS-LBP特征描述子;
所述CPICS-LBP通过以下步骤得到:
1)首先将中心像素值C与半径为R的P个邻域像素值的平均值Cm进行比较,中心像素值大于此平均值Cm,二进制码取1,否则取0;
2)将得到的二进制码以串联的方式拼接到中心对称二值模式CS-LBP的右侧,形成融合中心像素信息的中心对称二进制模式CPICS-LBP。
3.根据权利要求2所述的方法,其特征在于,CPICS-LBP的具体计算公式为:
其中,C代表中心像素值;Cm代表中心像素P个邻域像素值的平均值,i=0~P-1;
4.根据权利要求2所述的方法,其特征在于,CPICS-LBP的半径R为1或2,P为8或16。
5.根据权利要求1所述的方法,其特征在于,所述分类器为SVM分类器或NNC分类器。
6.根据权利要求1所述的方法,其特征在于,图像分块后的图像块大小均相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811330450.1A CN109447978B (zh) | 2018-11-09 | 2018-11-09 | 一种光伏太阳能电池片电致发光图像缺陷分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811330450.1A CN109447978B (zh) | 2018-11-09 | 2018-11-09 | 一种光伏太阳能电池片电致发光图像缺陷分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447978A true CN109447978A (zh) | 2019-03-08 |
CN109447978B CN109447978B (zh) | 2021-11-02 |
Family
ID=65552119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811330450.1A Active CN109447978B (zh) | 2018-11-09 | 2018-11-09 | 一种光伏太阳能电池片电致发光图像缺陷分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447978B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287780A (zh) * | 2019-05-17 | 2019-09-27 | 长安大学 | 一种光照下人脸图像特征提取方法 |
CN110598729A (zh) * | 2019-07-24 | 2019-12-20 | 华南理工大学 | 锂电池电极表面缺陷分类方法 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996405A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
JP2012250207A (ja) * | 2011-06-06 | 2012-12-20 | Canon Inc | ローラの製造方法 |
CN103996018A (zh) * | 2014-03-03 | 2014-08-20 | 天津科技大学 | 基于4dlbp的人脸识别方法 |
CN106198551A (zh) * | 2016-08-01 | 2016-12-07 | 南方电网科学研究院有限责任公司 | 一种输电线路缺陷的检测方法及装置 |
CN107133640A (zh) * | 2017-04-24 | 2017-09-05 | 河海大学 | 基于局部图像块描述子和费舍尔向量的图像分类方法 |
-
2018
- 2018-11-09 CN CN201811330450.1A patent/CN109447978B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996405A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
JP2012250207A (ja) * | 2011-06-06 | 2012-12-20 | Canon Inc | ローラの製造方法 |
CN103996018A (zh) * | 2014-03-03 | 2014-08-20 | 天津科技大学 | 基于4dlbp的人脸识别方法 |
CN106198551A (zh) * | 2016-08-01 | 2016-12-07 | 南方电网科学研究院有限责任公司 | 一种输电线路缺陷的检测方法及装置 |
CN107133640A (zh) * | 2017-04-24 | 2017-09-05 | 河海大学 | 基于局部图像块描述子和费舍尔向量的图像分类方法 |
Non-Patent Citations (1)
Title |
---|
孙永振: ""基于序列动态生成的自动化性能测试方法及应用"", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287780A (zh) * | 2019-05-17 | 2019-09-27 | 长安大学 | 一种光照下人脸图像特征提取方法 |
CN110287780B (zh) * | 2019-05-17 | 2021-08-03 | 长安大学 | 一种光照下人脸图像特征提取方法 |
CN110598729A (zh) * | 2019-07-24 | 2019-12-20 | 华南理工大学 | 锂电池电极表面缺陷分类方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109447978B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A self organizing map optimization based image recognition and processing model for bridge crack inspection | |
CN109447978A (zh) | 一种光伏太阳能电池片电致发光图像缺陷分类方法 | |
CN109711474A (zh) | 一种基于深度学习的铝材表面缺陷检测算法 | |
CN110111328A (zh) | 一种基于卷积神经网络的风力发电机叶片裂纹检测方法 | |
CN107274393B (zh) | 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法 | |
CN109934200A (zh) | 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统 | |
CN109544522A (zh) | 一种钢板表面缺陷检测方法及系统 | |
CN102879401A (zh) | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 | |
CN103258206A (zh) | 一种硅太阳能电池表面缺陷检测和识别方法 | |
CN109191421B (zh) | 柱形锂电池圆周面凹坑视觉检测方法 | |
CN107727662A (zh) | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 | |
CN108765402A (zh) | 无纺布缺陷检测与分类方法 | |
CN101251896B (zh) | 一种基于多分类器的物体检测系统及方法 | |
CN103679161B (zh) | 一种人脸识别方法和装置 | |
CN110766046A (zh) | 一种双通道卷积神经网络集成学习的空气质量测量方法 | |
CN112488211A (zh) | 一种织物图像瑕疵分类方法 | |
Gou et al. | Pavement crack detection based on the improved faster-rcnn | |
Fan et al. | Application of YOLOv5 neural network based on improved attention mechanism in recognition of Thangka image defects | |
CN113298797A (zh) | 太阳能电池表面缺陷检测方法 | |
CN109389593A (zh) | 一种红外图像小目标的检测方法、装置、介质及设备 | |
CN103514445B (zh) | 基于多流形学习的带钢表面缺陷识别方法 | |
Li et al. | Wafer crack detection based on yolov4 target detection method | |
Cao et al. | Balanced multi-scale target score network for ceramic tile surface defect detection | |
CN111179278B (zh) | 一种图像检测的方法、装置、设备和存储介质 | |
Wang et al. | Optical fiber defect detection method based on DSSD network |
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 |