CN110766675B - 太阳能电池板缺陷检测方法 - Google Patents
太阳能电池板缺陷检测方法 Download PDFInfo
- Publication number
- CN110766675B CN110766675B CN201911006248.8A CN201911006248A CN110766675B CN 110766675 B CN110766675 B CN 110766675B CN 201911006248 A CN201911006248 A CN 201911006248A CN 110766675 B CN110766675 B CN 110766675B
- Authority
- CN
- China
- Prior art keywords
- image
- panel
- mask
- texture
- solar panel
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
Abstract
本发明公开了一种太阳能电池板缺陷检测方法。包括:对太阳能电池板原始灰度图像进行闭运算,得到图像Panel;对图像Panel进行闭运算、高斯滤波,得到光强分布图像I;根据图像Panel、光强分布图像I,得到自商图数据SQI;对图像Panel进行形态学滤波、模糊处理,获得假想纹理图像Fill;对原始灰度图像进行形态学顶帽处理、霍夫直线检测,获取遮罩图像Mask;根据Mask、Fill以及SQI获取电路区域图像X、感光区域图像Y;根据图像X和图像Y获得完全去除纹理图像;对完全去除纹理图像进行分析,检测并标示出电池板缺陷。利用本发明,可实现太阳能电池板的缺陷检测,解决了现有技术调整参数工作量大、对检测环境要求高、检测效率低的问题。
Description
技术领域
本发明涉及一种太阳能电池板智能检测技术领域,具体涉及一种太阳能电池板缺陷检测方法。
背景技术
面对能源的不断枯竭,我国对太阳能的利用愈加广泛。在我国坚持可持续发展观下,太阳能电池产业不断地扩大,为人民带来生活上的便利。太阳能发电主要载体为电池板,电池板目前90%以上是由晶体硅材料构成,其厚度非常薄,极易造成裂纹、破损等现象。另太阳能电池板的工作环境为户外环境,长期的太阳暴晒、雨水冲刷等易造成太阳能电池板的污迹、面状损坏等现象,企业需定期对电池板表面进行检测。随着太阳能发电产业的不断扩大,太阳能电池数量急剧上涨,企业的效益在于销量和产量,当产量增加,配套质检、生产效率达不到,就会降低企业效益,降低企业市场竞争率。现太阳能电池生产、市场需求已成规模,极需一种太阳能电池板智能检测设备。
目前无论是太阳能电池板出厂检测还是定期检测主要是人工检测,人工检测效率极低,并且由于人眼疲劳、注意力不集中容易造成漏检、误检现象。市面上也出现了视觉检测设备和红外检测设备,但这两种设备对外界环境要求比较高,需要较为稳定的光源、设备,并且现场需要专业技术员进行不断的调整参数,以适应检测需求,降低检测效率,影响公司的效益。
因此,现有技术存在调整参数工作量大、对检测环境要求高、检测效率低的问题。
发明内容
本发明提供了一种太阳能电池板缺陷检测方法,该方法实现了太阳能电池板的缺陷检测,能够降低调整参数工作量、对检测环境适应性高、检测效率高。
一种太阳能电池板缺陷检测方法,该方法包括:
步骤一,采用普通面阵相机获取太阳能电池板原始灰度图像,利用形态学算子结构对原始灰度图像进行闭运算,去除栅格纹理,得到图像Panel;
步骤二,利用形态学算子结构对图像Panel进行闭运算,对闭运算的结果进行高斯滤波,得到光强分布图像I;
步骤三,利用获取的图像Panel和光强分布图像I进行自商图处理,得到自商图数据SQI;
步骤四,对图像Panel进行形态学滤波以及模糊处理,获得电路导线位置的假想纹理图像Fill;
步骤五,对原始灰度图像进行形态学顶帽处理,对顶帽处理结果进行直线检测,获取电路导线位置的遮罩图像Mask;
步骤六,对遮罩图像Mask与假想纹理图像Fill进行处理,获得电路区域图像X,对遮罩图像Mask与自商图数据SQI进行处理,获取感光区域图像Y;
步骤七,将电路区域图像X和感光区域图像Y点对点相加,获得完全去除纹理图像;
步骤八,对完全去除纹理图像进行阈值分割以及连通域分析,检测出电池板缺陷,用包围框标示出太阳能电池板的缺陷。
步骤二具体为:
构造3×3全为1的形态学算子结构对图像Panel进行闭运算;令高斯函数σ=1.5,构建3×3高斯滤波的高斯核作为权重矩阵P3×3:将权重矩阵P3×3与图像Panel闭运算后的图像进行卷积操作,得到光强分布图像I。
步骤四中的模糊处理具体为高斯模糊处理。
直线检测具体采用霍夫直线检测。
步骤六具体为:对假想纹理图像Fill与自商图数据SQI进行归一化处理,将遮罩图像Mask与归一化后的假想纹理图像Fill点对点相乘,获得电路区域图像X,对遮罩图像Mask进行反色处理,将反色处理的Mask与归一化后的自商图数据SQI进行点对点相乘,获得感光区域图像Y。
阈值分割具体采用最大类间方差法进行阈值分割。
本发明的有益效果在于:
1、本发明采用自动图像检测,对环境光照条件要求低,无需技术人员频繁调参,降低调整参数工作量。
2、本发明根据Lambert原理,对图像进行自商图处理,自动去除光照不均匀影响,自适应外界环境与复杂对象,对检测环境适应性高。
3、本发明采用形态学滤波,获取去除纹理干扰的图像,能够对太阳能电池板图像快速响应并给出缺陷位置,提高了检测效率。
附图说明
图1为本发明方法流程图;
图2为太阳能电池板缺陷检测的中间结果以及检测结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图以及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明主要针对太阳能电池板缺陷提出一种智能检测技术,对太阳能电池板图像采用形态学处理、直线检测自动绘制遮罩去除表面纹理干扰,自商滤波去除光照不均匀影响,自动阈值化通过轮廓筛选即可检测出缺陷。无需手工设计参数与特殊光源可完成检测,具有较强的鲁棒性。
本发明提供一种太阳能电池板缺陷检测方法,图1为本发明方法流程图,下面通过具体实施例来进行说明。
实施例一:
太阳能电池板缺陷检测方法,该方法包括:
步骤一,采用普通面阵相机获取太阳能电池板原始灰度图像,利用形态学算子结构对原始灰度图像进行闭运算,去除栅格纹理,得到图像Panel。
本发明采用普通面阵相机获取太阳能电池板原始灰度图像G(x,y)。图2(a)所示图像为点光源下拍摄的太阳能电池板原始灰度图像。考虑到电路板面纹理呈栅格状,对后续处理产生干扰,应去除栅格状纹理。利用形态学滤波法去除栅格纹理,带有方向性形态学算子结构如下:X方向结构元素:Y方向结构元素:采用Kx算子进行对原始灰度图像闭运算,对闭运算结果利用算子Ky进行闭运算获得图像Panel,如图2(b)所示,太阳能电池板的栅格纹理被去除。
步骤二,利用形态学算子结构对图像Panel进行闭运算,对闭运算的结果进行高斯滤波,得到光强分布图像I。
根据光吸收原理可知,假设外界点光源入射的能量为反射能量为物体的反射属性为:其中I为光照属性,R为物体反射属性,θ,为入射/反射的光线角度,λ为纹理反射性质。根据Lambert原理,太阳能电池板表面纹理、缺陷均为漫反射,因此,可以认为太阳能电池板是理想漫反射体。根据BRDF(Bi-directional Reflection Distribution Function,双向反射分布函数),物体反射属性公式可以简化为:图像Panel可作为物体反射属性。
下面,对光照属性进行建模,获取光强分布图像I。首先,构造3×3全为1的结构元素对图像Panel进行闭运算。然后,根据高斯函数:σ=1.5,构建3×3的服从高斯分布的卷积核作为权重矩阵P3×3:将权重矩阵P3×3与图像Panel闭运算后的图像进行卷积操作,得到光强分布图像I。
步骤三,利用获取的图像Panel和光强分布图像I进行自商图处理,得到自商图数据SQI。
SQI是自商图像Self-quotient Image的英文缩写,通过原图和滤波后的图像作商来表示光晕信息。利用获取的图像Panel和光强分布图像I进行自商图处理:SQI=Panel/I,得到的自商图数据SQI如图2(c)所示。
步骤四,对图像Panel进行形态学滤波以及模糊处理,获得电路导线位置的假想纹理图像Fill。
对图像Panel进行常规形态学滤波并均值模糊图像得到假想纹理图像Fill,如图2(d),目的是以便将假想纹理图像电路导线位置的灰度值替代原图电路导线位置区域。后续步骤将会获取电路导线位置图像灰度值,是与该步骤并行处理的。形态学滤波可采用闭运算,形态学算子结构采用3×3全为1的结构元素。模糊处理采用高斯模糊。
步骤五,对原始灰度图像进行形态学顶帽处理,对顶帽处理结果进行直线检测,获取电路导线位置的遮罩图像Mask。
对原始灰度图像进行形态学顶帽处理,即原始灰度图像与其开运算的结果之差。顶帽处理后的图像可以明显观察出电池板导线位置图像呈线型形态。对获得的图像进行直线检测,具体采用霍夫直线检测,获取电路导线直角坐标下原点到直线的距离ρ和x轴与ρ的角度θ。霍夫直线检测可采用如下步骤:在ρ,θ最大值与最小值之间建立一个离散的参数空间;将参数空间(ρ,θ)量化成m*n(m为ρ的等份数,n为θ的等份数)个单元,并设置累加器矩阵;给参数空间的每一个单元分配一个累加器,并把累加器的初始值设置为0;对图像边界上的每一个点(x,y)带入ρ=xcosθ+ysinθ,求得每个θ对应的ρ值;在参数空间中,找到ρ和θ所对应的单元,并将该单元的累加器加1;当直角坐标系中的所有点都经过遍历后,检验参数空间中每个累加器的值,累加器最大的单元所对应的ρ和θ即为直角坐标系中直线方程的参数。至此,可以得到经形态学顶帽处理的图像中的直线。构造Panel图像大小的全零矩阵M,将M中直线位置的像素灰度值置为255,获得遮罩Mask,如图2(e)所示。
步骤六,对遮罩图像Mask与假想纹理图像Fill进行处理,获得电路区域图像X,对遮罩图像Mask与自商图数据SQI进行处理,获取感光区域图像Y。
对假想纹理图像Fill、自商图数据SQI进行离差标准化处理,使其像素值位于[0,1]区间。将归一化后的假想图像Fill电路导线位置的灰度值提取出来作为电路区域图像X:X=Mask*Fill。为去除Panel图像中电路导线的纹理,用遮罩数据Mask取反,对遮罩图像Mask进行反色处理,将反色处理的Mask与归一化后的自商图数据SQI进行点对点相乘,获得感光区域图像Y:Y=(255-Mask)*SQI。进一步地,可以对获取的图像数据进行四舍五入取整处理。
步骤七,将电路区域图像X和感光图像Y点对点相加,获得完全去除纹理图像。
去除电路导线纹理的感光区域图像Y,电路导线位置图像全为0,干扰脏点的提取。因此,将电路区域图像X与感光区域图像Y点对点相加,即图像Fill电路导线区域灰度值替代Panel电路导线区域,达到去除导线区域纹理的目的,获得太阳能电池板的去纹理图像。至此获得完全去除纹理的图像。电池板纹理及导线位置纹理被去除,得到光照均匀的脏点图像。
步骤八,对完全去除纹理图像进行阈值分割以及连通域分析,检测出电池板缺陷,用包围框标示出太阳能电池板的缺陷。
利用最大类间方差法计算图像分割的阈值,根据阈值对完全去除纹理图像进行阈值分割,对阈值分割后的图像进行连通域分析,逐行扫描阈值化后的图像,将具有相同值的像素组成团,从而检测出完全去除纹理图像的连通域,即太阳能电池板的缺陷。根据缺陷的左上坐标、右下坐标、宽、高等信息,在原图上绘制边框,用包围框标示出太阳能电池板的缺陷。可以在结果图中标示出电池板导线、横向栅格的位置,以便确认缺陷位置。太阳能电池板检测结果如图2(f)所示。
实施者应知道本发明提供一种太阳能电池板缺陷检测系统,实施者应根据实际质检规则来判断缺陷的面积大小是否影响太阳能电池板的使用。
以上实施例仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种太阳能电池板缺陷检测方法,其特征在于,该方法包括:
步骤一,采用普通面阵相机获取太阳能电池板原始灰度图像,利用形态学算子结构对原始灰度图像进行闭运算,去除栅格纹理,得到图像Panel;
步骤二,利用形态学算子结构对图像Panel进行闭运算,对闭运算的结果进行高斯滤波,得到光强分布图像I;
步骤三,利用获取的图像Panel和光强分布图像I进行自商图处理,得到自商图数据SQI;
步骤四,对图像Panel进行形态学滤波以及模糊处理,获得电路导线位置的假想纹理图像Fill;
步骤五,对原始灰度图像进行形态学顶帽处理,对顶帽处理结果进行直线检测,获取电路导线位置的遮罩图像Mask;
步骤六,对遮罩图像Mask与假想纹理图像Fill进行处理,获得电路区域图像X,对遮罩图像Mask与自商图数据SQI进行处理,获取感光区域图像Y;
步骤七,将电路区域图像X和感光区域图像Y点对点相加,获得完全去除纹理图像;
步骤八,对完全去除纹理图像进行阈值分割以及连通域分析,检测出电池板缺陷,用包围框标示出太阳能电池板的缺陷。
4.如权利要求1所述的太阳能电池板缺陷检测方法,其特征在于,所述步骤四中的模糊处理具体为高斯模糊处理。
5.如权利要求1所述的太阳能电池板缺陷检测方法,其特征在于,所述直线检测具体采用霍夫直线检测。
6.如权利要求1所述的太阳能电池板缺陷检测方法,其特征在于,所述步骤六具体为:对假想纹理图像Fill与自商图数据SQI进行归一化处理,将遮罩图像Mask与归一化后的假想纹理图像Fill点对点相乘,获得电路区域图像X,对遮罩图像Mask进行反色处理,将反色处理的Mask与归一化后的自商图数据SQI进行点对点相乘,获得感光区域图像Y。
7.如权利要求1所述的太阳能电池板缺陷检测方法,其特征在于,所述阈值分割具体采用最大类间方差法进行阈值分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911006248.8A CN110766675B (zh) | 2019-10-22 | 2019-10-22 | 太阳能电池板缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911006248.8A CN110766675B (zh) | 2019-10-22 | 2019-10-22 | 太阳能电池板缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766675A CN110766675A (zh) | 2020-02-07 |
CN110766675B true CN110766675B (zh) | 2020-07-10 |
Family
ID=69332548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911006248.8A Active CN110766675B (zh) | 2019-10-22 | 2019-10-22 | 太阳能电池板缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766675B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833319A (zh) * | 2020-07-02 | 2020-10-27 | 南京工程学院 | 一种基于红外视频的退役动力锂电池热点自动检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8165837B1 (en) * | 2008-06-09 | 2012-04-24 | Kla-Tencor Corporation | Multi-scale classification of defects |
CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
CN109816652A (zh) * | 2019-01-25 | 2019-05-28 | 湖州云通科技有限公司 | 一种基于灰度显著性的复杂铸件缺陷识别方法 |
CN110298825A (zh) * | 2019-06-17 | 2019-10-01 | 杭州舜浩科技有限公司 | 导光板黑点缺陷检测方法 |
-
2019
- 2019-10-22 CN CN201911006248.8A patent/CN110766675B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8165837B1 (en) * | 2008-06-09 | 2012-04-24 | Kla-Tencor Corporation | Multi-scale classification of defects |
CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
CN109816652A (zh) * | 2019-01-25 | 2019-05-28 | 湖州云通科技有限公司 | 一种基于灰度显著性的复杂铸件缺陷识别方法 |
CN110298825A (zh) * | 2019-06-17 | 2019-10-01 | 杭州舜浩科技有限公司 | 导光板黑点缺陷检测方法 |
Non-Patent Citations (5)
Title |
---|
Application of an image processing software tool to crack inspection of crystalline silicon solar cells;Jong-Hann Jean;《ICLMCG》;20111231;全文 * |
基于机器视觉的太阳能电池片表面缺陷检测的研究;赵慧阳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20111015(第10期);全文 * |
太阳能电池板缺陷EL检测系统的设计;索雪松;《中国农机化学报》;20130531;第34卷(第3期);全文 * |
太阳能电池板缺陷分割技术研究;陈磊;《微电子学与计算机》;20141231;第31卷(第12期);全文 * |
太阳能电池板缺陷的检测研究;孙雯;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180215(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110766675A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103872983A (zh) | 太阳能电池表面缺陷检测设备及方法 | |
CN108416766B (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN111325721A (zh) | 一种基于红外热成像的气体泄漏检测方法及系统 | |
CN107808161B (zh) | 一种基于光视觉的水下目标识别方法 | |
CN111179225A (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
CN110942457A (zh) | 基于数字图像处理技术的太阳能电池板缺陷检测方法 | |
CN115082744B (zh) | 一种基于人工智能的太阳能集热效率分析方法及系统 | |
CN106709529B (zh) | 一种光伏电池色差分类的视觉检测方法 | |
CN109064439B (zh) | 基于分区的单侧入光式导光板暗影缺陷提取方法 | |
CN105741244A (zh) | 一种室内巡检机器人弱光下去除阴影和光晕的方法 | |
CN106651831B (zh) | 一种竹块缺陷检测方法和系统 | |
WO2023231262A1 (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN111157532A (zh) | 一种手机外壳划痕视觉检测装置及方法 | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
CN110766675B (zh) | 太阳能电池板缺陷检测方法 | |
CN116309275A (zh) | 一种电池片图像亚像素边缘检测方法、装置及存储介质 | |
CN113808104B (zh) | 一种基于分块的金属表面缺陷检测方法及系统 | |
CN109829912B (zh) | Tft阵列基板的缺陷检测方法 | |
CN112381794B (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN112288726B (zh) | 一种井下带式输送机带面异物检测方法 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN112116600A (zh) | 一种基于图像处理的光伏板计数方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200526 Address after: 200062 room 805, floor 8, No. 6, Lane 600, Yunling West Road, Putuo District, Shanghai Applicant after: COSEN Technology (Shanghai) Co., Ltd Address before: No.11, Changchun Road, high tech Zone, Zhongyuan District, Zhengzhou City, Henan Province Applicant before: Meng Shuaishuai |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |