CN109493315A - 一种多晶硅太阳能电池的瑕疵的检测方法 - Google Patents

Abstract

本发明实施例公开一种多晶硅太阳能电池的瑕疵的检测方法。该检测方法包括：基于电致发光影像提取系统采集样本多晶硅太阳能电池的样本电致发光灰度图像；基于所述样本电致发光灰度图像提取包括非瑕疵特征点的样本特征向量；采用改进的模糊C均值分群法对所述非瑕疵特征点进行分群；将电致发光影像提取系统中的样本多晶硅太阳能电池换成待测多晶硅太阳能电池，重复第一步和第二步；判断所述待测特征点和所述非瑕疵特征点的群聚关系，对所述待测样本点进行瑕疵检测。本发明实施例公开的多晶硅太阳能电池的瑕疵的检测方法具有成本低、较高检测效率和较好检测精度特点。

Description

一种多晶硅太阳能电池的瑕疵的检测方法

技术领域

本发明涉及图像检测的技术领域，具体涉及一种采用图像进行非接触式的多晶硅太阳能电池的瑕疵的检测方法。

背景技术

近年来，由于原油价格不断的上升和全球暖化程度日趋严重，各国不断寻找替代能源。目前，具有实用化的替代能源主要包括太阳能、风能、波能、地热能等。其中，风能、波能和地热能容易受地域性限制，且无法确保能源供给的安定性。因此，在没有其它特殊新能源提供之前，现阶段较可行的下替代能源便是太阳能。

目前，太阳能消费市场的应用大多使用单晶硅与多晶硅两大类。单晶硅组成原子具有周期性的排列，其表面无纹路、背景单纯；多晶硅由许多不同排列方向的小单晶所构成，多晶硅的制作方法是把熔融的硅铸造固化而形成，表面晶格纹路复杂。与单晶硅太阳能板相比，多晶硅太阳能板制造成本低且光电转换效能高、可用时间长，成为太阳能产业的主流产品。

多晶硅太阳能电池的制造过程主要可分成铸造多晶硅锭、切片、蚀刻及抛光、清洗、扩散与网印或蒸镀。在多晶硅太阳能电池制造的过程中，常会因为疏失发生太阳能芯片表面刮伤、污点以及微裂等瑕疵的现象。如果忽视这些瑕疵，会造成太阳能电池的工作效率降低，甚至丧失储存电量的功能，因此太阳能电池的瑕疵检测是不可忽视的。

在多晶硅太阳能电池与模块中，由于金属手指断线、微裂痕和裂痕等瑕疵是无法通过肉眼或一般的CCD摄像机察觉，所以可运用电致发光(Electroluminescence,EL)影像技术来凸显瑕疵。目前商业化的电致发光(EL)影像系统大多只提供EL取像功能，所以瑕疵检测工作仍需依赖人工目视判断，从而导致缺乏客观性，因此该行业迫切需要导入机器视觉的检测技术。

将电致发光(EL)影像技术运用在多晶硅太阳能电池中，电致发光(EL)影像中的瑕疵具备条状与线状的特性，而且正常的晶格背景也同时被凸显于影像中，因此，自动瑕疵检测的困难度比较大。由此可见，传统的两维图像分析方法很难在随机的晶格背景中识别出太阳能电池板上的瑕疵，因而，需要对电致发光(EL)图像中的每个目标点提取更多的特征值。根据目标点的特征值，采用集群分析的方法来判断目标点的瑕疵属性并确定其位置，以此实现太阳能电池的机器视觉检测。

目前，集群分析是一种获得数据讯息的良好工具。集群分析方法根据数据与数据间的相似性程度予以分群，使得同一群聚的数据彼此之间相似性最大，而群聚与群聚间的数据则有较大的差异性。由于分群处理在需求上逐渐增加，困难度也提高不少，资料分群的相关理论与算法也开始发展，希望找出资料最真实的相关性。自从1965年乍得(Zadeh)教授提出了模糊集理论后，强调以模糊逻辑来描述现实生活中事物性质的等级，使用隶属函数来表达集合中各元素归属于该集合的程度，模糊集群法即因应而生，直到今日，模糊集群法已被广泛地应用在各种领域上。然而，使用集群分析进行瑕疵检测需要准确的从图像中提取出特征信息，并针对特征值的特点提出适用于多晶硅太阳能瑕疵检测的集群分析方法。

因此，针对现有的多晶硅太阳能电池的瑕疵的检测方法所存在的问题，需要提供一种能够通过机器视觉全自动地，且具有成本低、较高检测效率和较好检测精度的多晶硅太阳能电池的瑕疵的检测方法。

发明内容

针对现有的机器视觉检测多晶硅太阳能电池的瑕疵方法所存在难度大、成本高、检测效率低和检测精度低等问题，本发明实施例提供一种多晶硅太阳能电池的瑕疵的检测方法。该多晶硅太阳能电池的瑕疵的检测方法采用机器视觉并基于模糊集群分析的方法，结合多晶硅太阳能电池图像的灰度特征，利用能够凸显瑕疵特征的特征模板对图像提取特征向量，并采用改进版的模糊C均值分析法进行分群，通过判断待测点的群聚属性，实现待测点的瑕疵检测。

本发明实施例中提供的一种多晶硅太阳能电池的瑕疵方法具体方案如下：一种多晶硅太阳能电池的瑕疵的检测方法，包括：步骤S1：基于电致发光影像提取系统采集样本多晶硅太阳能电池的样本电致发光灰度图像；步骤S2：基于所述样本电致发光灰度图像提取包括非瑕疵特征点的样本特征向量；步骤S3：采用改进的模糊C均值分群法对所述非瑕疵特征点进行分群；步骤S4：基于电致发光影像提取系统采集待测多晶硅太阳能电池的待测电致发光灰度图像；步骤S5：基于所述待测电致发光灰度图像提取包括待测特征点的待测特征向量；步骤S6：判断所述待测特征点和所述非瑕疵特征点的群聚关系，对所述待测样本点进行瑕疵检测。

优选地，所述电致发光影像提取系统包括：直流电源；多晶硅太阳能电池，与所述直流电源连接，用于放射出红外光；CCD摄像机，用于接收所述红外光并形成电致发光灰度图像；显示装置，与所述CCD摄像机连接，用于显示所述电致发光灰度图像。

优选地，所述电致发光影像提取系统还包括设置于所述CCD摄像机的镜头下方的红外滤光片。

优选地，所述步骤S2或者步骤S5中的提取特征向量的具体包括：采用多组特征模板对电致发光灰度图像中以每一个特征点为中心的特征模板大小区域内的所有像素点按照预设公式进行计算，获得每一个特征点对应的特征值。

优选地，所述多组特征模板为3组特征模板，所述3组特征模板的模板宽度各不相同。

优选地，所述预设公式为：feature_j＝∑_i∈(1,2)ω_iRectSun(r_i)，其中，feature_j代表第j种Haar块的特征值；ω₁是第j个Haar块的权值；ω₂是第j个Haar块中黑色矩形的权值；RectSum(r₁)代表第j个Haar块中包含的所有象素点的象素值之和；RectSum(r₂)代表第j个Haar块中黑色矩形块所包含象素的象素值之和。

优选地，所述改进的模糊C均值分群法具体包括步骤：步骤T1：输入特征点对应的特征向量；步骤T2：将所述特征向量采用模糊C均值分群法分成两群；步骤T3：将群数标记标志成2；步骤T4：分别计算所述两群的均匀度；步骤T5：找出均匀度差的群，将所述均匀度差的群采用模糊C均值分群法分成新的两群，并将均匀度差的群移除；步骤T6：将群数标记加1；步骤T7：分别计算所述新的两群的均匀度；步骤T8：判断群数标记是否达到所设定的需要群数，若达到，则结束；若未达到，则返回步骤T5。

优选地，采用特征向量的协方差矩阵的特征值来计算群的均匀度。

优选地，所述计算群的均匀度的具体表达式为其中，为特征向量的协方差矩阵的特征值λ的均值：γ为特征向量的协方差矩阵的特征值λ的标准偏差为：

优选地，所述步骤S7中的具体判断过程为：采用欧氏距离计算待测特征点特征向量与多个非瑕疵特征点群的群聚中心的距离；将所述距离与每一个非瑕疵特征点群的阈值进行比较，若所述距离大于所述阈值，则判断所述待测特征点不属于所述阈值对应的非瑕疵特征点群，否则，则判断待测特征点是属于所述阈值对应的非瑕疵特征点群；若所述待测特征点属于多个非瑕疵特征点群中的某一群，则判断所述待测特征点无瑕疵；否则，判断所述待测特征点有瑕疵。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例中提供一种多晶硅太阳能电池的瑕疵的检测方法。该多晶硅太阳能电池的瑕疵的检测方法采用机器视觉并基于模糊集群分析的方法，结合多晶硅太阳能电池图像的灰度特征，利用能够凸显瑕疵特征的特征模板对图像提取特征向量，并采用改进版的模糊C均值分析法进行分群，通过判断待测点的群聚属性，实现待测点的瑕疵检测。该多晶硅太阳能电池的瑕疵的检测方法采用非监督式模糊聚类分析的方法实现了瑕疵图像的视觉识别，在实际应用时，只需要采集非瑕疵样本进行训练便可对瑕疵样本进行检测，解决了在实际应用中难于收集瑕疵样本的问题。该多晶硅太阳能电池的瑕疵的检测方法具有成本低、较高检测效率和较好检测精度特点。

附图说明

图1为本发明实施例所提供的一种多晶硅太阳能电池的瑕疵的检测方法的流程示意图；

图2为本发明实施例所提供的一种电致发光影像提取系统的结构示意图；

图3为本发明实施例所提供的特征提取模板的示意图；

图4为本发明实施例所提供的改进的模糊C均值分群法的步骤流程示意图。

附图中的标记说明：

100、系统 10、直流电源 20、多晶硅太阳能电池

30、CCD摄像机 40、红外绿光片 50、显示装置

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1所示，本发明实施例所提供的一种多晶硅太阳能电池的瑕疵的检测方法的流程示意图。该方法采用机器视觉并基于模糊集群分析的思想，包括六个步骤，具体步骤内容如下所示。

步骤S1：基于电致发光影像提取系统采集样本多晶硅太阳能电池的样本电致发光灰度图像。如图2所示，本发明实施例所提供的一种电致发光影像提取系统的结构示意图。电致发光影像提取系统100包括直流电源10、与直流电源10连接且用于放射出红外光的多晶硅太阳能电池20，用于接收所述红外光并形成电致发光灰度图像的CCD摄像机30，与CCD摄像机30连接且用于显示所述电致发光灰度图像的显示装置50。优选地，在CCD摄像机30的镜头下方设置有红外滤光片40。红外滤光片40的作用为滤除其他波段的光线，仅限于红外光通过，从而CCD摄像机30仅能接收到红外波段的光。

在该实施例中，直流电源10的输出电压范围为0.4V到0.6V。多晶硅太阳能电池20的电流范围为6mA/cm²到20mA/cm²。多晶硅太阳能电池20可以为作为非瑕疵样本的样本非瑕疵多晶硅太阳能电池，也可以是有待检测是否包含瑕疵的待测多晶硅太阳能电池。为了获得更好的摄像效果，CCD摄像机30的状态为冷却状态。CCD摄像机30的波长λ范围为1.1μm到1.2μm，所形成的电致发光灰度图像的大小为550×550像素。显示装置50用于显示电致发光灰度图像，具体可以采用计算机、PAD等终端设备。

CCD摄像机30所形成的电致发光灰度图像也可简称为EL图像。由于裂痕等瑕疵无法发出近红外线的光，因此，在EL影像中若存裂痕等瑕疵的区域就会形成较暗的区域。在该实施例中，CCD摄像机30接收多晶硅太阳能电池20发出的红外光后直接形成灰度图像。在其他实施例中，CCD摄像机30接收多晶硅太阳能电池20发出的红外光后也可以形成其他类型的图像，如彩色图像、HIS图像等。如果直接采用本发明实施例后续阐述的处理方法，可以将其他类型的图像转换成灰度图像；或者，直接将其他类型的图像作为输入，但是对本发明实施例后续阐述的处理方法进行适应性地变化。

步骤S2：基于所述样本电致发光灰度图像提取包括非瑕疵特征点的样本特征向量。在本发明实施例中，采用多组特征模板对电致发光灰度图像中以每一个特征点为中心的特征模板大小区域内的所有像素点按照预设公式进行计算，获得每一个特征点对应的特征值。优选地，多组特征模板为3组特征模板，并且这3组特征模板的模板宽度各不相同。如图3所示，本发明实施例所提供的特征提取模板的示意图。在该实施例中，为了适应不同宽度的瑕疵特征，3组特征模板的模板宽度分别为：w＝6，w＝12，w＝18。

在该实施例中，计算的预设公式如公式1所示：

feature_j＝∑_i∈(1,2)ω_iRectSun(r_i) (公式1)

其中，feature_j代表第j种Haar块的特征值；ω₁是第j个Haar块的权值；ω₂是第j个Haar块中黑色矩形的权值；RectSum(r₁)代表第j个Haar块中包含的所有象素点的象素值之和；RectSum(r₂)代表第j个Haar块中黑色矩形块所包含象素的象素值之和。不同的Haar块特征原型的特征值中的权值比(ω₁:ω₂)如表1所示。

表1不同Haar块特征原型的特征值中的权值比(ω₁:ω₂)

特征种类特征原型ω1:ω2	特征种类特征原型ω1:ω2
		1边缘特征(a)1：-2	2边缘特征(c)1：-2
1边缘特征(b)1：-2	2边缘特征(d)1：-2
		1边缘特征(c)1：-2	3线性特征(e)1：-3
1边缘特征(d)1：-2	3线性特征(f)1：-3
		2边缘特征(a)1：-2	3线性特征(g)1：-3
2边缘特征(b)1：-2	3线性特征(h)1：-3

在该实施例中，对电致发光灰度图像中的每个特征点，通过上述特征提取模板的步骤可以得到由36个特征值组成的1个特征向量。

步骤S3：采用改进的模糊C均值分群法对所述非瑕疵特征点进行分群。针对多群数的分群，首先利用经典的模糊C均值分群法(Fuzzy C-means，简称FCM)将样本特征点分为两群，通过均匀度的概念来衡量需要下一次分群的群组，即哪一群的均匀度差下一次就分哪一群；再用FCM分群算法将均匀度差的那一群分成两群，以此两群替换原来的群组；之后，继续在剩下的所有群组中寻找均匀度最差的群组，并将其分成两群，直到达到所需群数为止。在该实施例中，将所有的非瑕疵样本特征点分成30群，计算每群的群中心和阈值(具体的计算方法见步骤S6中的详细描述)。

如图4所示，本发明实施例所提供的改进的模糊C均值分群法的步骤流程示意图。改进的模糊C均值分群法具体包括七个步骤，且包括判断后可进行循环的步骤，具体过程如下所述。

步骤T1：输入特征点对应的特征向量。为了叙述方便，把样本特征点写成如公式2所示的形式：

步骤T2：将所述特征向量采用模糊C均值分群法分成两群。模糊C均值分群法的具体步骤如下所述：

步骤1)随机给定初始权重但须符合限制式

步骤2)以随机数方式随机从原始数据中取出一笔数据作为初始质心位置v_i；

步骤3)依照已知的权重与质心位置计算出变异数

步骤4)求得目标函式

步骤5)更新

步骤6)更新其中，

步骤7)更新

步骤8)重复4)～7)，当J达最小值(Min J)或收敛为一稳定值(J_old＝J_new)，即求得各群中心点v_i与最终分群结果并停止计算。

步骤T3：将群数标记标志成2。在该实施例中，群数标记以i表示。

步骤T4：分别计算所述两群的均匀度。在该实施例中，采用特征向量的协方差矩阵的特征值来计算群的均匀度。具体的计算均匀度的过程如下所示：

首先，求取公式2所示的样本特征点的各个特征值的均值，具体计算表达式如公式3所示：

其次，对样本特征点做零平均值处理，具体计算表达式如公式4所示：

再次，计算样本特征点的协方差矩阵K，具体计算表达式如公式5所示：

K＝A^T·A(c×c矩阵)(公式5)

其中，A＝[Δx₁ Δx₂...Δx_c]。令λ＝[λ₁ λ₂...λ_c]为协方差矩阵K的c个特征值，如果群组中样本的相关性不一致，则c个特征值的标准偏差较大，否则这个标准偏差值较小。由于各群组样本的疏密程度不完全相同，导致个群组的特征值不在同一数量级上，因此用协方差矩阵K的特征值的标准偏差与均值的比值作为均匀性的衡量标准，即均匀度。

最后，计算群的均匀度，具体的表达式如公式6所示：

其中，为特征向量的协方差矩阵的特征值λ的均值：γ为特征向量的协方差矩阵的特征值λ的标准偏差为：

步骤T5：找出均匀度差的群，将所述均匀度差的群采用模糊C均值分群法分成新的两群，并将均匀度差的群移除。如图4所示，在图4中将步骤T5分成了三个步骤，分别为步骤T51：找出均匀度差的群；步骤T52：将所述均匀度差的群采用模糊C均值分群法分成新的两群；步骤T53：将均匀度差的群移除。

步骤T6：将群数标记加1。即，i＝i+1。

步骤T7：分别计算所述新的两群的均匀度。具体地计算过程如步骤T4所述，此处不再赘述。

步骤T8：判断群数标记是否达到所设定的需要群数，若达到，则结束；若未达到，则返回步骤T5。在该实施例中，设定的需要群数为30。在其他实施例中，可根据需求自行设定需要的群数的具体数值。

步骤S4：基于电致发光影像提取系统采集待测多晶硅太阳能电池的待测电致发光灰度图像。在该实施例中，步骤S4中采集电致发光灰度图像和步骤S1中采集电致发光灰度图像的手段一样，只需将电致发光影像提取系统100中的作为无瑕疵样本的样本多晶硅太阳能电池换成待检测是否存在瑕疵的待测多晶硅太阳能电池即可，因此，对步骤S4的具体过程，此处不在赘述。

步骤S5：基于所述待测电致发光灰度图像提取包括待测特征点的待测特征向量。在该实施例中，步骤S5中从电致发光灰度图像中提取特征点的特征向量的方法和步骤S2从电致发光灰度图像中提取特征点的特征向量的方法一样，只需将样本电致发光灰度图像换成待测电致发光灰度图像即可，因此，对步骤S5的具体过程，此处不在赘述。

步骤S6：判断所述待测特征点和所述非瑕疵特征点的群聚关系，对所述待测样本点进行瑕疵检测。在该实施例中，判断的思路为判断待测点样本与所分得的群组的群聚属性：若待测点属于所有群组中的某一群，则定义其为一个正常样本；若待测点不属于所有群组中的任何一群，则定义其为一个瑕疵样本。

具体判断过程为包括两个步骤：

步骤S61：采用欧氏距离计算待测特征点特征向量与多个非瑕疵特征点群的群聚中心的距离。对于每个训练样本，计算它到自身所属群的群中心的欧式距离，具体的计算表达式如公式7所示：

d_ij＝||x_i-v_j|| x_i∈第j群(公式7)

其中，x_i为第i个样本，i＝1,2,...,n；v_j为x_i群中心，j＝1,2,...,n。

步骤S62：将所述距离与每一个非瑕疵特征点群的阈值进行比较，若所述距离大于所述阈值，则判断所述待测特征点不属于所述阈值对应的非瑕疵特征点群，否则，则判断待测特征点是属于所述阈值对应的非瑕疵特征点群；若所述待测特征点属于多个非瑕疵特征点群中的某一群，则判断所述待测特征点无瑕疵；否则，判断所述待测特征点有瑕疵。

对于每一群，群内所有样本到群中心距离的均值，均值具体计算表达式如公式8所示：

群内所有样本到群中心距离的标准偏差，标准偏差的具体计算表达式如公式9所示：

因此每一群的阀值计算表达式如公式10所示：

T_j＝υ_j+t·σ_j，j＝1,2,...,n(公式10)

对于某个待测样本点，计算其到第j个群中心的距离的具体表达式如公式11所示：

d_j＝||x′-v_j||(公式11)

其中，x′为待测样本。

如果距离d_j大于阈值T_j，表示这个样本不在此群之中；如果距离d_j小于T_j，表示这个样本在此群之中。即如公式12所示：

如果待测样本属于n群中的某个群，就定义它是一个正常样本；如果待测样本不属于n群中的任何一个群，就定义该样本是瑕疵样本。如果待测多晶硅太阳能电池所形成的待测电致发光灰度图像的所有特征点都有属于的群，则表示所述待测多晶硅太阳能电池不包含瑕疵；否则，则表示待测多晶硅太阳能电池包括瑕疵。

在该实施例中，判断待测特征点的瑕疵属性，采用欧氏距离计算待测样本点特征向量与30群非瑕疵样本的群聚中心的距离，将此距离与每一群聚的阈值进行比较，判断此待测样本点与30群的群聚属性。若待测样本点属于30群中的某一群，则其为一个非瑕疵样本；若其不属于30群中的任意一群，则其为一个瑕疵样本。

本发明实施例中提供的一种多晶硅太阳能电池的瑕疵的检测方法通过采用机器视觉并基于模糊集群分析的方法，结合多晶硅太阳能电池图像的灰度特征，利用能够凸显瑕疵特征的特征模板对图像提取特征向量，并采用改进版的模糊C均值分析法进行分群，通过判断待测点的群聚属性，实现待测点的瑕疵检测。

本发明实施例中提供的一种多晶硅太阳能电池的瑕疵的检测方法采用非监督式模糊聚类分析的方法实现了瑕疵图像的视觉识别，在实际应用时，只需要采集非瑕疵样本进行训练便可对瑕疵样本进行检测，解决了在实际应用中难于收集瑕疵样本的问题。

本发明实施例中提供的一种多晶硅太阳能电池的瑕疵的检测方法具有成本低、较高检测效率和较好检测精度特点。实验结果显示，本发明实施例中提供的一种多晶硅太阳能电池的瑕疵的检测方法对于多晶硅太阳能电池的瑕疵辨识率能够达到84％。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种多晶硅太阳能电池的瑕疵的检测方法，其特征在于，所述方法包括：

步骤S1：基于电致发光影像提取系统采集样本多晶硅太阳能电池的样本电致发光灰度图像；

步骤S2：基于所述样本电致发光灰度图像提取包括非瑕疵特征点的样本特征向量；

步骤S3：采用改进的模糊C均值分群法对所述非瑕疵特征点进行分群；

步骤S4：基于电致发光影像提取系统采集待测多晶硅太阳能电池的待测电致发光灰度图像；

步骤S5：基于所述待测电致发光灰度图像提取包括待测特征点的待测特征向量；

步骤S6：判断所述待测特征点和所述非瑕疵特征点的群聚关系，对所述待测样本点进行瑕疵检测。

2.根据权利要求1所述的一种多晶硅太阳能电池的瑕疵的检测方法，其特征在于，所述电致发光影像提取系统包括：

直流电源；

多晶硅太阳能电池，与所述直流电源连接，用于放射出红外光；

CCD摄像机，用于接收所述红外光并形成电致发光灰度图像；

显示装置，与所述CCD摄像机连接，用于显示所述电致发光灰度图像。

3.根据权利要求2所述的一种多晶硅太阳能电池的瑕疵的检测方法，其特征在于，所述电致发光影像提取系统还包括设置于所述CCD摄像机的镜头下方的红外滤光片。

4.根据权利要求1所述的一种多晶硅太阳能电池的瑕疵的检测方法，其特征在于，所述步骤S2或者步骤S5中的提取特征向量的具体包括：采用多组特征模板对电致发光灰度图像中以每一个特征点为中心的特征模板大小区域内的所有像素点按照预设公式进行计算，获得每一个特征点对应的特征值。

5.根据权利要求4所述的一种多晶硅太阳能电池的瑕疵的检测方法，其特征在于，所述多组特征模板为3组特征模板，所述3组特征模板的模板宽度各不相同。

6.根据权利要求4所述的一种多晶硅太阳能电池的瑕疵的检测方法，其特征在于，所述预设公式为：feature_j＝∑_i∈(1,2)ω_iRectSun(r_i)，

其中，feature_j代表第j种Haar块的特征值；ω₁是第j个Haar块的权值；ω₂是第j个Haar块中黑色矩形的权值；RectSum(r₁)代表第j个Haar块中包含的所有象素点的象素值之和；RectSum(r₂)代表第j个Haar块中黑色矩形块所包含象素的象素值之和。

7.根据权利要求1所述的一种多晶硅太阳能电池的瑕疵的检测方法，其特征在于，所述改进的模糊C均值分群法具体包括步骤：

步骤T1：输入特征点对应的特征向量；

步骤T2：将所述特征向量采用模糊C均值分群法分成两群；

步骤T3：将群数标记标志成2；

步骤T4：分别计算所述两群的均匀度；

步骤T5：找出均匀度差的群，将所述均匀度差的群采用模糊C均值分群法分成新的两群，并将均匀度差的群移除；

步骤T6：将群数标记加1；

步骤T7：分别计算所述新的两群的均匀度；

步骤T8：判断群数标记是否达到所设定的需要群数，若达到，则结束；若未达到，则返回步骤T5。

8.根据权利要求7所述的一种多晶硅太阳能电池的瑕疵的检测方法，其特征在于，采用特征向量的协方差矩阵的特征值来计算群的均匀度。

9.根据权利要求8所述的一种多晶硅太阳能电池的瑕疵的检测方法，其特征在于，所述计算群的均匀度的具体表达式为其中，为特征向量的协方差矩阵的特征值λ的均值：γ为特征向量的协方差矩阵的特征值λ的标准偏差为：

10.根据权利要求1所述的一种多晶硅太阳能电池的瑕疵的检测方法，其特征在于，所述步骤S7中的具体判断过程为：

采用欧氏距离计算待测特征点特征向量与多个非瑕疵特征点群的群聚中心的距离；

将所述距离与每一个非瑕疵特征点群的阈值进行比较，若所述距离大于所述阈值，则判断所述待测特征点不属于所述阈值对应的非瑕疵特征点群，否则，则判断待测特征点是属于所述阈值对应的非瑕疵特征点群；

若所述待测特征点属于多个非瑕疵特征点群中的某一群，则判断所述待测特征点无瑕疵；否则，判断所述待测特征点有瑕疵。