CN110443278A - 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 - Google Patents

一种太阳能电池片栅线粗细异常的检测方法、装置及设备 Download PDF

Info

Publication number
CN110443278A
CN110443278A CN201910597052.4A CN201910597052A CN110443278A CN 110443278 A CN110443278 A CN 110443278A CN 201910597052 A CN201910597052 A CN 201910597052A CN 110443278 A CN110443278 A CN 110443278A
Authority
CN
China
Prior art keywords
region
gate region
image
grid
difference
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
Application number
CN201910597052.4A
Other languages
English (en)
Other versions
CN110443278B (zh
Inventor
谢宏威
周聪
陈从桂
谢德芳
李德友
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
Original Assignee
Guangzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou University filed Critical Guangzhou University
Priority to CN201910597052.4A priority Critical patent/CN110443278B/zh
Publication of CN110443278A publication Critical patent/CN110443278A/zh
Application granted granted Critical
Publication of CN110443278B publication Critical patent/CN110443278B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明专利公开了一种太阳能电池片栅线粗细异常的检测方法，步骤包括：获取待检测图像并对所述待检测图像进行平滑处理；根据相邻区域的灰度值对平滑处理后的图像进行二值化处理，并将二值化处理后的图像分成不同的区域集；根据面积特征，从所述区域集中筛选出栅线区域；从所述栅线区域中，提取出像素点分布在竖直方向的细栅区域，以及提取出像素点分布在水平方向的横栅区域；根据宽度特征，从所述横栅区域中提取出段栅区域；提取所述段栅区域后，对所述横栅区域进行差集运算，得到主栅区域；基于灰度值，分别对细栅区域、段栅区域、主栅区域的粗细程度进行判别。本发明能够提高栅线区域图像的提取精度，从而提升电池片质量检测效果。

Description

一种太阳能电池片栅线粗细异常的检测方法、装置及设备
技术领域
本发明涉及机器视觉技术领域，尤其是涉及一种太阳能电池片栅线粗细异常的检测方法、装置及设备。
背景技术
现代光伏产业发展迅猛，市场需求非常大，企业竞争激烈，太阳能电池片的质量直接决定了光伏发电系统的效率及使用寿命。电池片表面的栅线主要有主栅、段栅、细栅三种，其中，电池片表面栅线粗细异常的问题严重限制了电池的光点转化效率和使用寿命。
随着机器视觉技术的不断发展、图像处理技术的不断提高以及相关算法的不断优化，机器视觉检测已经成为检测电池片表面栅线粗细的重要手段之一。但是，在检测过程中，栅线区域图像的提取精度依然很低，最终导致质量检测效果差，影响企业效益，因此太阳能光伏行业需要一种快速、有效和准确的自动化质量检测方法来检测电池片表面栅线粗细异常情况。
发明内容
针对上述技术问题，本发明提供了一种太阳能电池片栅线粗细异常的检测方法及装置，能够提高栅线区域图像的提取精度，从而提升电池片质量检测效果。所述技术方案如下：
第一方面，本发明实施例提供了一种太阳能电池片栅线粗细异常的检测方法，步骤包括：
获取待检测图像并对所述待检测图像进行平滑处理；
根据相邻区域的灰度值对平滑处理后的图像进行二值化处理，并将二值化处理后的图像分成不同的区域集；
根据面积特征，从所述区域集中筛选出栅线区域；
从所述栅线区域中，提取出像素点分布在竖直方向的细栅区域，以及提取出像素点分布在水平方向的横栅区域；
根据宽度特征，从所述横栅区域中提取出段栅区域；
提取所述段栅区域后，对所述横栅区域进行差集运算，得到主栅区域；
基于灰度值，分别对细栅区域、段栅区域、主栅区域的粗细程度进行判别。
在本发明第一方面的第一种可能的实现方式中，所述基于灰度值，分别对细栅区域、段栅区域、主栅区域的粗细程度进行判别，具体步骤包括：
获取细栅区域、段栅区域、主栅区域各个区域的每一像素的像素灰度值；
计算细栅区域、段栅区域、主栅区域各个区域的平均灰度值；
分别计算每个区域的像素灰度值与平均灰度值的差值；
根据所述差值判断栅线粗细是否异常，当所述差值符合预设条件时判定为正常情况，否则判定为异常情况。
在本发明第一方面的第二种可能的实现方式中，所述根据所述差值判断栅线粗细是否异常，当所述差值符合预设条件时判定为正常情况，否则判定为异常情况，具体为：
将所述差值与预设的第一异常阈值和/或第二异常阈值进行对比；
当所述差值小于或等于所述第二异常阈值时，判定栅线正常；或者当所述差值大于所述第一异常阈值时，判定栅线断栅异常；或者当所述差值小于或等于所述第一异常阈值且大于所述第二异常阈值时，判定栅线粗细异常。
在本发明第一方面的第三种可能的实现方式中，所述检测方法还包括获取待检测图像后对所述待检测图像进行图像预处理，具体步骤为：
获取电池片图像，并对所述电池片图像进行彩色图像分割处理；
从分割后的图像中筛选出对比度最大的图像进行全图二值化处理；
对全图二值化处理后的图像进行形态学的开运算，并提取经过开运算处理的部分图像。
第二方面，本发明实施例提供了一种太阳能电池片栅线粗细异常的检测装置，包括：
平滑处理模块，用于获取待检测图像并对所述待检测图像进行平滑处理；
二值化处理模块，用于根据相邻区域的灰度值对平滑处理后的图像进行二值化处理，并将二值化处理后的图像分成不同的区域集；
栅线区域获取模块，用于根据面积特征，从所述区域集中筛选出栅线区域；
细栅区域获取模块，用于从所述栅线区域中，提取出像素点分布在竖直方向的细栅区域，以及提取出像素点分布在水平方向的横栅区域；
段栅区域获取模块，用于根据宽度特征，从所述横栅区域中提取出段栅区域；
主栅区域获取模块，用于提取所述段栅区域后，对所述横栅区域进行差集运算，得到主栅区域；
判别模块，用于基于灰度值，分别对细栅区域、段栅区域、主栅区域的粗细程度进行判别。
在本发明第二方面的第一种可能的实现方式中，所述的太阳能电池片栅线粗细异常的检测装置，还包括：
灰度值获取模块，用于获取细栅区域、段栅区域、主栅区域各个区域的每一像素的像素灰度值；
均值计算模块，用于计算细栅区域、段栅区域、主栅区域各个区域的平均灰度值；
差值计算模块，用于分别计算每个区域的像素灰度值与平均灰度值的差值；
差值判别模块，用于根据所述差值判断栅线粗细是否异常，当所述差值符合预设条件时判定为正常情况，否则判定为异常情况。
在本发明第二方面的第二种可能的实现方式中，所述的太阳能电池片栅线粗细异常的检测装置，还包括：
阈值对比模块，用于将所述差值与预设的第一异常阈值和/或第二异常阈值进行对比；
阈值判别模块，用于当所述差值小于或等于所述第二异常阈值时，判定栅线正常；或者当所述差值大于所述第一异常阈值时，判定栅线断栅异常；或者当所述差值小于或等于所述第一异常阈值且大于所述第二异常阈值时，判定栅线粗细异常。
在本发明第二方面的第三种可能的实现方式中，所述的太阳能电池片栅线粗细异常的检测装置，还包括：
图像获取模块，用于获取电池片图像，并对所述电池片图像进行彩色图像分割处理；
全图二值化处理模块，用于从分割后的图像中筛选出对比度最大的图像进行全图二值化处理；
开运算处理模块，用于对全图二值化处理后的图像进行形态学的开运算，并提取经过开运算处理的部分图像。
第三方面，本发明实施例提供了一种太阳能电池片栅线粗细异常的检测设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述的太阳能电池片栅线粗细异常的检测方法。
相比于现有技术，本发明实施例具有如下有益效果：
本发明的一种太阳能电池片栅线粗细异常的检测方法通过对预处理后的图像进行平滑处理，为后续的步骤流程确定图像中的相邻区域，然后，针对图像的背景之间差异不明显的情况，采用根据相邻区域的灰度值对平滑处理后的图像进行二值化处理并将二值化处理后的图像分成不同的区域集的技术方案，相比起全局二值化处理的方法，能够更好地区分目标体栅线和背景，从而使栅线区域更易于识别、提取，进而为后续的提取步骤提高效率；本发明能够依次提取出细栅区域、段栅区域、主栅区域的图像，根据不同栅线的细微差别，精确地分辨出各种栅线，从而提高栅线的提取精度，由于能够检测到异常情况出现的具体栅线区域，因此提升检测效果；同时，基于灰度值检测各个栅线区域的技术方案不但原理简单、操作方便，而且检测精准度高、误判率低，有效地提高了检测效率。
附图说明
图1是本发明实施例中的一种太阳能电池片栅线粗细异常的检测方法的流程图；
图2是本发明实施例中的一种太阳能电池片栅线粗细异常的检测装置的结构图。
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。
请参考图1其示出了本发明一个示例性实施例提供的一种太阳能电池片栅线粗细异常的检测方法，步骤包括：
S101、获取待检测图像并对所述待检测图像进行平滑处理；
S102、根据相邻区域的灰度值对平滑处理后的图像进行二值化处理，并将二值化处理后的图像分成不同的区域集；
S103、根据面积特征，从所述区域集中筛选出栅线区域；
S104、从所述栅线区域中，提取出像素点分布在竖直方向的细栅区域，以及提取出像素点分布在水平方向的横栅区域；
S105、根据宽度特征，从所述横栅区域中提取出段栅区域；
S106、提取所述段栅区域后，对所述横栅区域进行差集运算，得到主栅区域；
S107、基于灰度值，分别对细栅区域、段栅区域、主栅区域的粗细程度进行判别。
其中，二值化处理使用的方法是阈值法，利用图像中目标与背景的差异，把图像分别设置为两个不同的级别，选取一个合适的阈值；在背景灰度值不均一、难以选定一个阈值进行全局二值化处理时，根据目标体的邻域的灰度值取一个阈值进行二值化。
其中，所述面积特征为栅线的面积值；所述宽度特征为不同栅线的宽度值。
在本实施例中，本实施例的一种太阳能电池片栅线粗细异常的检测方法通过对预处理后的图像进行平滑处理，为后续的步骤流程确定图像中的相邻区域，然后，针对图像的背景之间差异不明显的情况，采用根据相邻区域的灰度值对平滑处理后的图像进行二值化处理并将二值化处理后的图像分成不同的区域集的技术方案，相比起全局二值化处理的方法，能够更好地区分目标体栅线和背景，从而使栅线区域更易于识别、提取，进而为后续的提取步骤提高效率；本发明能够依次提取出细栅区域、段栅区域、主栅区域的图像，根据不同栅线的细微差别，精确地分辨出各种栅线，从而提高栅线的提取精度，由于能够检测到异常情况出现的具体栅线区域，因此提升检测效果；同时，基于灰度值检测各个栅线区域的技术方案不但原理简单、操作方便，而且检测精准度高、误判率低，有效地提高了检测效率。
优选地，所述检测方法还包括获取待检测图像后对所述待检测图像进行图像预处理的一个可能的具体实施例为：
获取电池片图像，并对所述电池片图像进行彩色图像分割处理；
从分割后的图像中筛选出对比度最大的图像进行全图二值化处理；其中，自动对全图二值化处理后的图像进行空洞填补，直至像素内没有缝隙。
对全图二值化处理后的图像进行形态学的开运算，并提取经过开运算处理的部分图像。
在本实施例中，对电池片图像进行分割以得到电池片图像的重要信息，剔除不属于处理对象的图像信息，从而提高图像处理的效率；全图二值化处理方法的图形计算速度快，处理高对比度的图像时能够加快图像预处理的效率，并且节省计算机资源；形态学的开运算能够平滑粗糙的图像，有利于提高图像清晰度。
优选地，所述基于灰度值，分别对细栅区域、段栅区域、主栅区域的粗细程度进行判别的一个可能的具体实施例为：
获取细栅区域、段栅区域、主栅区域各个区域的每一像素的像素灰度值；
计算细栅区域、段栅区域、主栅区域各个区域的平均灰度值；
分别计算每个区域的像素灰度值与平均灰度值的差值；
根据所述差值判断栅线粗细是否异常，当所述差值符合预设条件时判定为正常情况，否则判定为异常情况。
可以理解的是，遍历主栅区域、段栅区域、细栅区域每一像素点的灰度值信息后，提取主栅区域每一像素坐标的灰度值，并求主栅区域的灰度值的平均值，记为主栅灰度值均值；提取断栅区域每一像素坐标的灰度值，并求断栅区域的灰度值的平均值，记为段栅灰度值均值；提取细栅区域每一像素坐标的灰度值，并求细栅区域的灰度值的平均值，记为细栅灰度值均值；将栅线每一点像素灰度值提取，并一一与其灰度值均值作差对比，基于灰度值不同的判定异常的方法能够实现比较精准的判断。
优选地，所述根据所述差值判断栅线粗细是否异常，当所述差值符合预设条件时判定为正常情况，否则判定为异常情况，具体为：
将所述差值与预设的第一异常阈值和第二异常阈值进行对比；
当所述差值小于或等于所述第二异常阈值时，判定栅线正常；或者当所述差值大于所述第一异常阈值时，判定栅线断栅异常；或者当所述差值小于或等于所述第一异常阈值且大于所述第二异常阈值时，判定栅线粗细异常。
在本实施例的一种可能的实现方式中，定义ABC和D不合格，D不合格又分为栅线断栅异常和栅线粗细异常，a、b、c、d的具体数值根据电池片质检人员现场要求进行调整；
当数值差为≤a，判定为A级；
当a＜数值差为≤b，判定为B级；
当b＜数值差为≤c，判定为C级；
当数值差＞c，判定为D级不合格；
D级又根据c＜数值差≤d时，判断为栅线粗细异常不合格；
D级又根据数值差＞d时，判断为栅线断栅不合格。
在本实施例中，灰度值易于获取且能有效地反映图像的信息，以灰度值作为判别处理的关键参数，只需检测灰度值是否异常即可判断电池片是否异常，这有利于简化技术方案，从而简化计算机的程序，加快运算速度；同时，技术人员可在基本测试标准的基础上根据需求设置阈值以个性化测试标准，适应企业的特殊生产标准和行业的变化，提升检测方法步骤的灵活性。
优选地，所述太阳能电池片栅线粗细异常的检测方法的电池片图像获取方法具体如下：
用直尺放到实验台，调整拍摄视野；其中，将所述拍摄视野的长度和宽度调整在175￣177mm范围内；
将待测硅片放置到实验台，调整相机焦距，当显示四个倒角栅线时停止调整；
使用边长为170mm的正方形标定板，调整所述标定板，直到显示标定板上所有的圆点；
提取暗室环境中X光拍摄的膜后太阳能电池硅片图像。
请参考图2其示出了本发明一个示例性实施例提供的一种太阳能电池片栅线粗细异常的检测装置，包括：
平滑处理模块201，用于获取待检测图像并对所述待检测图像进行平滑处理；
二值化处理模块202，用于根据相邻区域的灰度值对平滑处理后的图像进行二值化处理，并将二值化处理后的图像分成不同的区域集；
栅线区域获取模块203，用于根据面积特征，从所述区域集中筛选出栅线区域；
细栅区域获取模块204，用于从所述栅线区域中，提取出像素点分布在竖直方向的细栅区域，以及提取出像素点分布在水平方向的横栅区域；
段栅区域获取模块205，用于根据宽度特征，从所述横栅区域中提取出段栅区域；
主栅区域获取模块206，用于提取所述段栅区域后，对所述横栅区域进行差集运算，得到主栅区域；
判别模块207，用于基于灰度值，分别对细栅区域、段栅区域、主栅区域的粗细程度进行判别。
优选地，所述的太阳能电池片栅线粗细异常的检测装置，还包括：
灰度值获取模块，用于获取细栅区域、段栅区域、主栅区域各个区域的每一像素的像素灰度值；
均值计算模块，用于计算细栅区域、段栅区域、主栅区域各个区域的平均灰度值；
差值计算模块，用于分别计算每个区域的像素灰度值与平均灰度值的差值；
差值判别模块，用于根据所述差值判断栅线粗细是否异常，当所述差值符合预设条件时判定为正常情况，否则判定为异常情况。
优选地，所述的太阳能电池片栅线粗细异常的检测装置，还包括：
阈值对比模块，用于将所述差值与预设的第一异常阈值和/或第二异常阈值进行对比；
阈值判别模块，用于当所述差值小于或等于所述第二异常阈值时，判定栅线正常；或者当所述差值大于所述第一异常阈值时，判定栅线断栅异常；或者当所述差值小于或等于所述第一异常阈值且大于所述第二异常阈值时，判定栅线粗细异常。
优选地，所述的太阳能电池片栅线粗细异常的检测装置，还包括：
图像获取模块，用于获取电池片图像，并对所述电池片图像进行彩色图像分割处理；
全图二值化处理模块，用于从分割后的图像中筛选出对比度最大的图像进行全图二值化处理；
开运算处理模块，用于对全图二值化处理后的图像进行形态学的开运算，并提取经过开运算处理的部分图像。
本发明一个示例性实施例提供的一种太阳能电池片栅线粗细异常的检测设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述的太阳能电池片栅线粗细异常的检测方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

Claims (9)

1.一种太阳能电池片栅线粗细异常的检测方法，其特征在于，步骤包括：
获取待检测图像并对所述待检测图像进行平滑处理；
根据相邻区域的灰度值对平滑处理后的图像进行二值化处理，并将二值化处理后的图像分成不同的区域集；
根据面积特征，从所述区域集中筛选出栅线区域；
从所述栅线区域中，提取出像素点分布在竖直方向的细栅区域，以及提取出像素点分布在水平方向的横栅区域；
根据宽度特征，从所述横栅区域中提取出段栅区域；
提取所述段栅区域后，对所述横栅区域进行差集运算，得到主栅区域；
基于灰度值，分别对细栅区域、段栅区域、主栅区域的粗细程度进行判别。
2.如权利要求1所述的太阳能电池片栅线粗细异常的检测方法，其特征在于，所述基于灰度值，分别对细栅区域、段栅区域、主栅区域的粗细程度进行判别，具体步骤包括：
获取细栅区域、段栅区域、主栅区域各个区域的每一像素的像素灰度值；
计算细栅区域、段栅区域、主栅区域各个区域的平均灰度值；
分别计算每个区域的像素灰度值与平均灰度值的差值；
根据所述差值判断栅线粗细是否异常，当所述差值符合预设条件时判定为正常情况，否则判定为异常情况。
3.如权利要求2所述的太阳能电池片栅线粗细异常的检测方法，其特征在于，所述根据所述差值判断栅线粗细是否异常，当所述差值符合预设条件时判定为正常情况，否则判定为异常情况，具体为：
将所述差值与预设的第一异常阈值和/或第二异常阈值进行对比；
当所述差值小于或等于所述第二异常阈值时，判定栅线正常；或者当所述差值大于所述第一异常阈值时，判定栅线断栅异常；或者当所述差值小于或等于所述第一异常阈值且大于所述第二异常阈值时，判定栅线粗细异常。
4.如权利要求1所述的太阳能电池片栅线粗细异常的检测方法，其特征在于，所述检测方法还包括获取待检测图像后对所述待检测图像进行图像预处理，具体步骤为：
获取电池片图像，并对所述电池片图像进行彩色图像分割处理；
从分割后的图像中筛选出对比度最大的图像进行全图二值化处理；
对全图二值化处理后的图像进行形态学的开运算，并提取经过开运算处理的部分图像。
5.一种太阳能电池片栅线粗细异常的检测装置，其特征在于，包括：
平滑处理模块，用于获取待检测图像并对所述待检测图像进行平滑处理；
二值化处理模块，用于根据相邻区域的灰度值对平滑处理后的图像进行二值化处理，并将二值化处理后的图像分成不同的区域集；
栅线区域获取模块，用于根据面积特征，从所述区域集中筛选出栅线区域；
细栅区域获取模块，用于从所述栅线区域中，提取出像素点分布在竖直方向的细栅区域，以及提取出像素点分布在水平方向的横栅区域；
段栅区域获取模块，用于根据宽度特征，从所述横栅区域中提取出段栅区域；
主栅区域获取模块，用于提取所述段栅区域后，对所述横栅区域进行差集运算，得到主栅区域；
判别模块，用于基于灰度值，分别对细栅区域、段栅区域、主栅区域的粗细程度进行判别。
6.如权利要求5所述的太阳能电池片栅线粗细异常的检测装置，其特征在于，还包括：
灰度值获取模块，用于获取细栅区域、段栅区域、主栅区域各个区域的每一像素的像素灰度值；
均值计算模块，用于计算细栅区域、段栅区域、主栅区域各个区域的平均灰度值；
差值计算模块，用于分别计算每个区域的像素灰度值与平均灰度值的差值；
差值判别模块，用于根据所述差值判断栅线粗细是否异常，当所述差值符合预设条件时判定为正常情况，否则判定为异常情况。
7.如权利要求5所述的太阳能电池片栅线粗细异常的检测装置，其特征在于，还包括：
阈值对比模块，用于将所述差值与预设的第一异常阈值和/或第二异常阈值进行对比；
阈值判别模块，用于当所述差值小于或等于所述第二异常阈值时，判定栅线正常；或者当所述差值大于所述第一异常阈值时，判定栅线断栅异常；或者当所述差值小于或等于所述第一异常阈值且大于所述第二异常阈值时，判定栅线粗细异常。
8.如权利要求5所述的太阳能电池片栅线粗细异常的检测装置，其特征在于，还包括：
图像获取模块，用于获取电池片图像，并对所述电池片图像进行彩色图像分割处理；
全图二值化处理模块，用于从分割后的图像中筛选出对比度最大的图像进行全图二值化处理；
开运算处理模块，用于对全图二值化处理后的图像进行形态学的开运算，并提取经过开运算处理的部分图像。
9.一种太阳能电池片栅线粗细异常的检测设备，其特征在于，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的太阳能电池片栅线粗细异常的检测方法。
CN201910597052.4A 2019-07-02 2019-07-02 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 Active CN110443278B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910597052.4A CN110443278B (zh) 2019-07-02 2019-07-02 一种太阳能电池片栅线粗细异常的检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910597052.4A CN110443278B (zh) 2019-07-02 2019-07-02 一种太阳能电池片栅线粗细异常的检测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN110443278A true CN110443278A (zh) 2019-11-12
CN110443278B CN110443278B (zh) 2022-02-15

Family

ID=68429439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910597052.4A Active CN110443278B (zh) 2019-07-02 2019-07-02 一种太阳能电池片栅线粗细异常的检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110443278B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
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
CN110992321A (zh) * 2019-11-22 2020-04-10 广州大学 一种太阳电池片栅线提取方法
CN112179318A (zh) * 2020-10-14 2021-01-05 刘灿灿 基于电池板特性的轨道机器人倾斜角度检测方法
CN113066118A (zh) * 2021-04-13 2021-07-02 武汉一维路科技有限公司 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
CN115797351A (zh) * 2023-02-08 2023-03-14 山东第一医科大学(山东省医学科学院) 一种光伏电池板的异常检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102590222A (zh) * 2012-03-06 2012-07-18 英利能源（中国）有限公司 一种光伏组件缺陷检测方法及系统
CN106298568A (zh) * 2016-07-25 2017-01-04 河海大学常州校区 一种太阳能电池片的灰片的检测方法
CN107274393A (zh) * 2017-06-12 2017-10-20 郑州轻工业学院 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法
CN107490584A (zh) * 2017-09-16 2017-12-19 河北工业大学 一种太阳能电池片el测试断栅缺陷检测方法
CN107578409A (zh) * 2017-09-16 2018-01-12 河北工业大学 一种太阳能电池片外观断栅缺陷检测的方法
CN107742283A (zh) * 2017-09-16 2018-02-27 河北工业大学 一种电池片外观栅线粗细不均缺陷检测的方法
CN107764832A (zh) * 2017-09-29 2018-03-06 青海黄河上游水电开发有限责任公司光伏产业技术分公司 光伏组件的隐裂缺陷检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102590222A (zh) * 2012-03-06 2012-07-18 英利能源（中国）有限公司 一种光伏组件缺陷检测方法及系统
CN106298568A (zh) * 2016-07-25 2017-01-04 河海大学常州校区 一种太阳能电池片的灰片的检测方法
CN107274393A (zh) * 2017-06-12 2017-10-20 郑州轻工业学院 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法
CN107490584A (zh) * 2017-09-16 2017-12-19 河北工业大学 一种太阳能电池片el测试断栅缺陷检测方法
CN107578409A (zh) * 2017-09-16 2018-01-12 河北工业大学 一种太阳能电池片外观断栅缺陷检测的方法
CN107742283A (zh) * 2017-09-16 2018-02-27 河北工业大学 一种电池片外观栅线粗细不均缺陷检测的方法
CN107764832A (zh) * 2017-09-29 2018-03-06 青海黄河上游水电开发有限责任公司光伏产业技术分公司 光伏组件的隐裂缺陷检测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992321A (zh) * 2019-11-22 2020-04-10 广州大学 一种太阳电池片栅线提取方法
CN110992321B (zh) * 2019-11-22 2023-05-09 广州大学 一种太阳电池片栅线提取方法
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
CN112179318A (zh) * 2020-10-14 2021-01-05 刘灿灿 基于电池板特性的轨道机器人倾斜角度检测方法
CN113066118A (zh) * 2021-04-13 2021-07-02 武汉一维路科技有限公司 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
CN115797351A (zh) * 2023-02-08 2023-03-14 山东第一医科大学(山东省医学科学院) 一种光伏电池板的异常检测方法
CN115797351B (zh) * 2023-02-08 2023-05-02 山东第一医科大学(山东省医学科学院) 一种光伏电池板的异常检测方法

Also Published As

Publication number Publication date
CN110443278B (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN110443278A (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
CN105405142B (zh) 一种玻璃面板的边缺陷检测方法及系统
CN104101600B (zh) 连铸坯断面微小裂纹检测方法
CN105046700B (zh) 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统
CN117078672B (zh) 基于计算机视觉的手机屏幕缺陷智能检测方法
CN104268872B (zh) 基于一致性的边缘检测方法
CN116385445B (zh) 一种基于视觉技术的电镀五金件瑕疵检测方法
CN110163853A (zh) 一种边缘缺陷的检测方法
CN110400290A (zh) 一种太阳能电池片色差的检测方法、装置及存储介质
CN109035195A (zh) 一种织物疵点检测方法
CN103778624A (zh) 一种基于最优阈值分割的织物疵点检测方法
CN109977831A (zh) 一种基于数字图像处理的旋钮识别方法
CN102621154B (zh) 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法
CN104156951A (zh) 一种针对支气管肺泡灌洗涂片的白细胞检测方法
CN110717909A (zh) 一种金属表面划痕检测方法与装置
CN112819844B (zh) 一种图像边缘检测方法及装置
CN110096980A (zh) 字符检测识别系统
CN117115196B (zh) 一种切割机刀具磨损视觉检测方法及系统
CN110426395A (zh) 一种太阳能el电池硅片表面检测方法及装置
CN103177244A (zh) 水下显微图像中快速检测目标生物的方法
CN111815575B (zh) 一种基于机器视觉的轴承钢珠零件检测方法
CN111707672A (zh) 风电回转支撑件表面缺陷检测方法
CN115830021B (zh) 一种用于五金件加工的金属表面缺陷检测方法
CN116993745A (zh) 基于图像处理给水管表面漏损检测方法
CN106504251B (zh) 一种基于图片处理的电子铝箔立方织构含量检测方法

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