CN110942457A - 基于数字图像处理技术的太阳能电池板缺陷检测方法 - Google Patents
基于数字图像处理技术的太阳能电池板缺陷检测方法 Download PDFInfo
- Publication number
- CN110942457A CN110942457A CN201911207788.2A CN201911207788A CN110942457A CN 110942457 A CN110942457 A CN 110942457A CN 201911207788 A CN201911207788 A CN 201911207788A CN 110942457 A CN110942457 A CN 110942457A
- Authority
- CN
- China
- Prior art keywords
- image
- binarization
- contrast
- defect detection
- pixel
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 90
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 title claims abstract description 16
- 238000005516 engineering process Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000003708 edge detection Methods 0.000 claims abstract description 7
- 206010027146 Melanoderma Diseases 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims abstract description 4
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- RSWGJHLUYNHPMX-UHFFFAOYSA-N Abietic-Saeure Natural products C12CCC(C(C)C)=CC2=CCC2C1(C)CCCC2(C)C(O)=O RSWGJHLUYNHPMX-UHFFFAOYSA-N 0.000 claims abstract description 3
- KHPCPRHQVVSZAH-HUOMCSJISA-N Rosin Natural products O(C/C=C/c1ccccc1)[C@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 KHPCPRHQVVSZAH-HUOMCSJISA-N 0.000 claims abstract description 3
- 230000011218 segmentation Effects 0.000 claims abstract description 3
- KHPCPRHQVVSZAH-UHFFFAOYSA-N trans-cinnamyl beta-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OCC=CC1=CC=CC=C1 KHPCPRHQVVSZAH-UHFFFAOYSA-N 0.000 claims abstract description 3
- 238000001914 filtration Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 9
- 239000000969 carrier Substances 0.000 description 4
- 238000005401 electroluminescence Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 229910000679 solder Inorganic materials 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 229910021419 crystalline silicon Inorganic materials 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
- G01N2021/95646—Soldering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Abstract
本发明涉及一种基于数字图像处理技术的太阳能电池板缺陷检测方法，包括下列步骤：对太阳能电池板进行角度倾斜图像畸形的纠正；进行图像预处理；对电池板上的电池单元进行提取，分割得到的电池单元图像用F表示；检测裂纹、黑斑缺陷：根据对比度变化明显的特点，进行canny边缘检测或者ostu二值化处理，检测裂纹、黑斑缺陷；检测虚焊缺陷：通过直方图均衡化加强图像对比度，再通过ostu法二值化进行缺陷检测，找出虚焊区域；对电池单元图像进行隐裂缺陷检测，采用改进的二值化阈值法进行此类缺陷检测。
Description
所属技术领域
本发明属于图像处理、能源系统和计算机视觉技术领域，涉及一种基于数字图像处理技术的太阳能电池板缺陷检测方法。
背景技术
随着环境日益污染严重，作为清洁能源之一的太阳能产业也逐渐发展起来。在太阳能产业中，太阳电池的效率和可靠性越来越重要。而在生产太阳能电池的过程中，由于生产设备、生产原料质量及工艺参数等诸多影响[1]，会对生产出电池的质量有很大影响，可能会出现多种缺陷。而且目前普遍生产的电池片的平均厚度仅为190um左右，极易破碎；而太阳能电池的缺陷对电池的发电效率以及使用寿命长短有着直接的影响。而这些缺陷大部分是人的肉眼难以识别和发现的隐形缺陷，因此发明一种快速有效的太阳电池缺陷检测方法是非常有价值的。
电致发光(Electroluminescence,EL)成像技术作为一种新的太阳电池缺陷检测方法，渐渐被大规模应用于工业生产过程中[2]。电致发光是由于半导体硅在正向电压偏置的情况下，载流子注入穿越P-N结，使得载流子形成过量载流子；过量载流子超负荷后，将能量以光子的形式释放。含有缺陷的电池板中载流子分布不均匀，造成发光图像的亮度不均匀，因此可以从电致发光图像中找到太阳能电池板的缺陷。在硅太阳能电池中，其发射光波的波长为1150nm左右，使用近红外CCD照相机捕捉光子，拍摄1150nm波长的发射图像。当电池单元出现故障时，其近红外图像也会呈现与缺陷对应的异常图像。
太阳能电池板的缺陷主要有隐裂、裂片、裂纹、断栅、黑斑、虚焊等，部分缺陷有较为明显的特征，而隐裂缺陷肉眼很难检测出来。但是目前工业界大部分的电致发光图像缺陷都是通过人工肉眼观察或者伏安特性曲线检测[3]；随着太阳能产业的发展，这种检测方式速度慢效率低下不能满足生产的需求。因此，发明一种针对太阳能电池缺陷检测的方法尤其是针对隐裂缺陷，设计符合隐裂特性的专属检测方案是很有必要的。对于太阳能电池板单元来说，如果图像是背景与目标比较均匀，经过图像预处理后，通过全局阈值法进行二值化可以有效地将缺陷检测出来。但由于太阳能电池板本身特性，以及部分缺陷不明显等问题，造成电池单元图像目标与背景区分不明显，在这种情况下使用全局阈值往往不能得到很好的处理结果。针对这类情况，本专利考虑引入对比度拉伸算子来进行二值化。通过对比度拉伸算法，可以避免噪声判断为缺陷点，也可以避免漏测缺陷点。
参考文献：
[1]孙雯.太阳能电池板缺陷的检测研究[D].淮北师范大学,2017.
[2]杨畅民,张豪,黄国锋.电致发光成像在晶体硅电池和组件质量监测中的应用[J].阳光能源,2009(06):42-43+45.
[3]鹿卓慧,彭艳艳,赵炎,孙朋超,赵辉宏.太阳能电池片缺陷检测方法综述[J].河北农机,2019(07):36.
发明内容
提出了一种基于数字图像处理技术的太阳能电池板缺陷检测方法。采用本发明所述方法，能将电池板的缺陷检测出来。由于不同的电池板具有不同特征，因此分别对不同的缺陷进行相关的缺陷检测。对于电池板经常出现的隐裂缺陷具有的特征不明显的特点，设计了一种新型的局部阈值二值化的方法，相比于最大类间差方法(ostu法)二值化，能够更加全面地、清晰地、准确地检测出隐裂缺陷，具有较好的视觉效果。通过对电池板缺陷的检测，使得检测缺陷的位置更加精准，进而提高检测准确率，相对人工目视检测，具有可靠、高效、准确等优势，大大降低劳动成本。本发明的技术方案如下：
一种基于数字图像处理技术的太阳能电池板缺陷检测方法，包括下列步骤：
1)对太阳能电池板进行角度倾斜图像畸形的纠正；
2)进行图像预处理；对纠正好的图像进行灰度变换、滤波去噪、图像裁剪、增强图像亮度等预处理，预处理结果用I表示；
3)对电池板上的电池单元进行提取，分割得到的电池单元图像用F表示；
4)检测裂纹、黑斑缺陷：根据对比度变化明显的特点，进行canny边缘检测或者ostu二值化处理，检测裂纹、黑斑缺陷；
5)检测虚焊缺陷：通过直方图均衡化加强图像对比度，再通过ostu法二值化进行缺陷检测，找出虚焊区域；
6)对电池单元图像进行隐裂缺陷检测，采用改进的二值化阈值法进行此类缺陷检测，方法如下：
第1步：对于F中(x,y)位置上的点F(x,y)，计算以此点为中心的大小为M*N的邻域窗口的均值，用M(x,y)表示，均值代表着每个局域的平均亮度；
第2步：对于同一个点F(x,y)，计算以此点为中心的大小为M*N的邻域窗口的方差，用σ2(x,y)表示，方差代表着每个局域的对比度；
第3步：引入对比度拉伸算子：设Qold为改进前的二值化阈值，σ'2(x,y)为某固定方差值，E代表拉伸程度，考虑引入对比度拉伸算子：
当方差大于固定方差值σ'2(x,y)时，则说明此像素点与其所在邻域具有较大的对比度，则此像素点是隐裂像素的可能性更大；当方差小于固定方差值σ'2(x,y)时，则说明此像素点与其所在邻域具有较小的对比度，则此像素点是隐裂像素的可能性较小；
第4步：使用对比度拉伸算子作为系数改进二值化阈值判断条件：将F(x,y)与Qnew进行比较，得到二值化结果，用B(x,y)表示；如果F(x,y)>Qnew，则令B(x,y)＝1；否则，B(x,y)＝0，二值图B中取值为0的点，对应于隐裂缺陷点；改进后的二值化阈值判断条件为
本专利基于数字图像处理，设计了一种对太阳能电池板缺陷的检测方法。由于不同的电池板具有不同特征，因此分别对不同的缺陷进行相关的缺陷检测。对于电池板经常出现的隐裂缺陷具有的特征不明显的特点，设计了一种新型的局部阈值二值化的方法，相比于ostu法二值化，能够更加全面地、清晰地、准确地检测出隐裂缺陷，具有较好的视觉效果。通过对电池板缺陷的检测，使得检测缺陷的位置更加精准，进而提高检测准确率。
本实验共含有360个电池单元。其中正常的电池单元有340个，缺陷电池单元有20个。其中缺陷类型分别为：裂纹(7)、黑片(1)、虚焊(3)、隐裂(9)。通过使用本算法，裂纹、黑片、虚焊的缺陷全部被检出；隐裂缺陷相对于提到的两种检测算法，视觉效果更好，检测准确性也较高。
附图说明
附图1太阳能电池板图像纠正
附图2将电池板分块为电池单元
附图3检测明显裂纹：(a)原图 (b)canny算子提取边缘 (c)ostu法二值化
附图4检测明显黑斑：(a)原图 (b)canny算子提取边缘 (c)ostu法二值化
附图5检测背景有明显噪声电池单元的裂纹：(a)原图 (b)均值滤波后 (c)canny算子 (d)二值化 (e)未滤波直接二值化(全白)
附图6检测虚焊1：(a)原图 (b)均值滤波 (c)全局灰度增强-直方图均衡 (d)ostu法二值化
附图7检测虚焊2：(a)原图 (b)均值滤波 (c)全局灰度增强-直方图均衡 (d)ostu法二值化
附图8检测隐裂方法1：(a)原图 (b)canny (c)ostu法二值化 (d)去噪后二值化
附图9检测隐裂方法2：(a)原图 (b)全局灰度增强-直方图均衡 (c)均值滤波 (d)ostu法二值化
附图10不同固定方差和拉伸程度E下的拉伸曲线
附图11新二值化法与ostu法检测裂纹对比图1：(a)原图 (b)新二值化 (c)ostu二值化 (d)灰度强化滤波再二值化
附图12新二值化法与ostu法检测裂纹对比图2：(a)原图 (b)新二值化 (c)ostu二值化
附图13新二值化法与ostu法检测裂纹对比图3：(a)原图 (b)新二值化 (c)ostu二值化
具体实施方式
为使本发明的技术方案更加清楚，下面结合附图对本发明具体实施方式做进一步地描述。所提方法主要包括：位置纠正、图像预处理、缺陷检测等步骤。
1.对太阳能电池板的位置纠正。采集到的太阳能电池板的图像不一定是从正面拍摄，由于拍摄角度以及成像系统、环境等多种原因的相互影响，拍摄的电池板图像会产生角度倾斜图像畸形等问题，需要对图像进行纠正。在这里利用透视变换原理，将拍摄得到的不规则四边形电池板图像纠正为规则的矩形图像。投射变换是三维空间上的非线性变换，它是二维空间(x,y)到三维空间(X,Y,Z)，再到另一个二维空间(x’,y’)的映射。其对应的原理公式如下：
X＝m11*x+m12*y+m13
Y＝m21*x+m22*y+m23
Z＝m31*x+m32*y+m33
具体实现如下：
第1步：从拍摄的电池板图像中提取最大的四边形的四个顶点，步骤如下：(1)因源图像无电池板部分像素值都较低，范围在0-30之间，边缘明显，可以通过设置阈值为50进行二值化处理；(2)从处理之后的图像调用提取轮廓并保存，提取面积最大的轮廓；(3)调用函数进行多边形逼近，可以得到严格四边形，有助于找角点；(4)调用函数寻找凸包即可得四个顶点。
第2步：按照左上、右上、左下、右下的顺序记录此四边形的四个顶点；目标图像为矩形，统一大小为402*804，即对应的四个顶点为(0，0)，(402,0)，(0,804)，(402,804)。
第3步：可根据两对顶点调用opencv中的函数得到透视变换矩阵；再由源图像和透视变换矩阵进行透视变换即可得目标矩形图像。最后得到的目标图像尺寸都为402*804，方便后续操作。处理后的结果如图1所示。
2.进行图像预处理。为了便于后续缺陷检测，对纠正好的图像进行灰度变换、滤波去噪、图像裁剪、增强图像亮度等预处理。预处理旨在突出电池板重要细节部分，削弱不重要的细节部分。
第1步：灰度变换。对一幅输入图像进行处理，产生一幅灰度化后的图像。图像由三维变成二维。便于后续进行二值化缺陷检测。
第2步：对图像进行滤波，去除背景噪声影响。滤波方式及参数由下表给出：
表1图像滤波方式及其参数
3.电池单元的提取分块。每个太阳能电池板由多个电池单元组成。每个电池单元可能出现的缺陷类型不同，为了方便地进行缺陷的分析检测，需对电池板上的电池单元进行提取。因每个电池板已经被预设为相同的尺寸，可以简单地将其分割成67*67的小像素块，分块处理结果如图2所示。本发明实验使用了5个6*12的多晶太阳能电池板，最后总划分得到360个电池单元。其中正常的电池单元有340个，缺陷电池单元有20个。其中缺陷类型分别为：裂纹(7)、虚焊(3)、隐裂(9)、黑斑(1)。
4.检测裂纹、黑斑缺陷。电池单元裂纹缺陷一般都有比较明显的对比度变化，有较强的边缘。同样黑块缺陷特征是电池单元部分呈现黑色，也有明显的对比度变化。因此，这两类缺陷可以使用同一种方法检测，可以直接进行边缘检测或者二值化。
边缘检测方式通常采用的算子有sobel算子、robert算子等，这些传统算子在收到噪声干扰时会变得较为敏感，信噪比不高。而canny算子可以弥补他们的不足，因此这里使用canny边缘检测算法；二值化方法使用最大类间差方法(ostu法)。此方法二值化的全局阈值是通过统计整个图像的直方图特性自动选取的。将图像直方图的灰度像素基于某一阈值分为两类，计算两类的类间方差，通过迭代，使得类间方差达到极小值，从而得到阈值。通过canny边缘检测或ostu法二值化可以较好检测出裂纹缺陷。检测裂纹效果如图3所示。检测黑斑效果如图4。对于原图有噪声的电池单元图像，一定要先进行滤波去噪处理，否则检测效果差，对比如图5所示。
5.检测虚焊缺陷。虚焊的电池单元的特征是，单元的一部分或者全部在EL技术下拍摄所得图像呈现出一种灰黑色的状态，比其他区域的颜色略深一些。本发明首先通过直方图均衡化加强图像对比度，再通过ostu法二值化进行缺陷检测，找出虚焊区域。检测效果如图6，图7所示。
6.检测隐裂缺陷。隐裂电池单元的特征不太明显，纹理细小不够清晰。对于背景噪声小、程度较明显的隐裂，可以通过canny算子提取边缘，可以很清晰地看出隐裂缺陷存在的位置，但通过ostu法进行二值化操作，会发现阈值设定的不是很合理，图像边缘位置模糊，容易漏掉部分缺陷检测。而在原图基础上先经过一个平滑滤波去噪，再进行二值化操作，最后的效果依旧不佳，效果如图8所示；对于背景杂、程度不太明显的隐裂，考虑到隐裂缺陷细节都比较不明显，肉眼不能轻易看出，我们可以使用灰度直方图均衡来强化细小裂纹，由于均衡化同样把噪声也进行了强化，需要对均衡后的图像进行均值滤波去噪处理，由此再进行ostu法二值化，缺陷并没有特别好地被检测出来。(滤波不能放在均衡前，先滤波将会把此类特征直接弱化甚至滤除)如图9所示。
以上两种方法通过常规的ostu法二值化都不能把电池单元的隐裂缺陷很好地检测出来；因此本发明设计一种对图像合理进行二值化的方法，能使难以检测的隐裂缺陷，较其他方法更好地检测出来。电池板隐裂缺陷较其他缺陷来说，没有很好的对比度，比较细微，通常只与缺陷周边的像素点有对比关系，但从全局来看，特征并不明显。因此在此处采用基于图像局部特征的自适应局域阈值算法。完整检测流程如下：
第1步：对太阳能电池板的位置纠正。
第2步：相比其余缺陷，隐裂缺陷具有细微的特点，因此在检测隐裂缺陷时，不能对纠正好的电池板进行图像去噪增强等预处理预处理。
第3步：电池单元的提取分块。因每个电池板已经被预设为相同的尺寸，可以简单地将其分割成67*67的小像素块。
第4步：基于隐裂缺陷的特点，采用基于图像局部特征的自适应局域阈值算法进行图像二值化处理，处理后的二值图中很明显地将隐裂缺陷检测出来了。具体算法步骤如下：
(1)计算邻域的均值和方差。假设在电池单元中，有以某像素点F(x,y)为中心的大小为M*N的邻域窗口。M(x,y)和σ2(x,y)表示邻域所有像素的平均值和方差。平均值和方差代表着每个局域的平均亮度和对比度，对应的计算方式如下式：
(2)引入对比度拉伸算子。常用的二值化阈值判断条件是：
如果F(x,y)>Qold，那么将此像素点的值判断为255，否则为0。但是对于背景噪声背景大的特征不明显的隐裂电池单元，基于此算法获得的阈值并不准确。考虑引入对比度拉伸算子，假设σ'2(x,y)为某固定值，σ2(x,y)为某邻域方差，E代表拉伸程度。则引入对比度拉伸算法：
当方差大于某固定值σ'时，则说明此像素点与其所在邻域具有较大的对比度，则此像素点是隐裂像素的可能性更大，此算法拉伸了方差大于σ'的范围，这样可以避免遗漏可能的隐裂像素点；当方差小于某固定值σ'时，则说明此像素点与其所在邻域具有较小的对比度，则此像素点是隐裂像素的可能性较小，此算法压缩了方差小于σ'的范围，这样可以有效去除噪声点，使得最终结果有更好的对比度。不同参数下的拉伸曲线如图10所示。
(3)使用对比度拉伸算子改进二值化阈值判断条件。则改进后的公式为：
σ2(x,y)表示邻域的方差，M(x,y)表示邻域的均值，E表示对比度拉伸的程度,σ'2(x,y)表示某固定方差。其中取a＝80，E＝2,σ'2(x,y)＝0.04。当σ2(x,y)<σ'2(x,y)时，对于同一像素点来说，Qold>Qnew，判断条件变得容易达到；即对于对比度小于σ'2(x,y)的像素点F(x,y)，更容易将其在二值化图像中判别为255(白色)。当σ2(x,y)>σ'2(x,y)时，对于同一像素点来说，Qold<Qnew，判断条件变得不易达到。对于对比度大于某值的像素点，使其尽可能地在二值化图像中用0(黑色)表示，这样使得最终结果图像有了更好的对比度。
经新设计的二值化，检测隐裂的效果对比以上两种检测效果如图11、图12和图13所示。可以看出缺陷的位置用黑色展示出来，边界比较清晰，效果较好。
Claims (1)
1.一种基于数字图像处理技术的太阳能电池板缺陷检测方法，包括下列步骤：
1)对太阳能电池板进行角度倾斜图像畸形的纠正；
2)进行图像预处理；对纠正好的图像进行灰度变换、滤波去噪、图像裁剪、增强图像亮度等预处理，预处理结果用I表示；
3)对电池板上的电池单元进行提取，分割得到的电池单元图像用F表示；
4)检测裂纹、黑斑缺陷：根据对比度变化明显的特点，进行canny边缘检测或者ostu二值化处理，检测裂纹、黑斑缺陷；
5)检测虚焊缺陷：通过直方图均衡化加强图像对比度，再通过ostu法二值化进行缺陷检测，找出虚焊区域；
6)对电池单元图像进行隐裂缺陷检测，采用改进的二值化阈值法进行此类缺陷检测，方法如下：
第1步：对于F中(x,y)位置上的点F(x,y)，计算以此点为中心的大小为M*N的邻域窗口的均值，用M(x,y)表示，均值代表着每个局域的平均亮度；
第2步：对于同一个点F(x,y)，计算以此点为中心的大小为M*N的邻域窗口的方差，用σ2(x,y)表示，方差代表着每个局域的对比度；
第3步：引入对比度拉伸算子：设Qold为改进前的二值化阈值，σ'2(x,y)为某固定方差值，E代表拉伸程度，考虑引入对比度拉伸算子：
当方差大于固定方差值σ'2(x,y)时，则说明此像素点与其所在邻域具有较大的对比度，则此像素点是隐裂像素的可能性更大；当方差小于固定方差值σ'2(x,y)时，则说明此像素点与其所在邻域具有较小的对比度，则此像素点是隐裂像素的可能性较小；
第4步：使用对比度拉伸算子作为系数改进二值化阈值判断条件：将F(x,y)与Qnew进行比较，得到二值化结果，用B(x,y)表示；如果F(x,y)>Qnew，则令B(x,y)＝1；否则，B(x,y)＝0，二值图B中取值为0的点，对应于隐裂缺陷点；改进后的二值化阈值判断条件为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911207788.2A CN110942457B (zh) | 2019-11-30 | 2019-11-30 | 基于数字图像处理技术的太阳能电池板缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911207788.2A CN110942457B (zh) | 2019-11-30 | 2019-11-30 | 基于数字图像处理技术的太阳能电池板缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110942457A true CN110942457A (zh) | 2020-03-31 |
| CN110942457B CN110942457B (zh) | 2023-12-08 |
Family
ID=69908656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911207788.2A Active CN110942457B (zh) | 2019-11-30 | 2019-11-30 | 基于数字图像处理技术的太阳能电池板缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110942457B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862074A (zh) * | 2020-07-30 | 2020-10-30 | 国网湖南省电力有限公司 | 一种电缆阻水缓冲层缺陷识别方法及装置 |
| CN112834457A (zh) * | 2021-01-23 | 2021-05-25 | 中北大学 | 基于反射式激光热成像的金属微裂纹三维表征系统及方法 |
| CN113921411A (zh) * | 2021-09-27 | 2022-01-11 | 华东理工大学 | 提高单晶光伏组串虚焊识别率的方法 |
| US20220077820A1 (en) * | 2020-09-04 | 2022-03-10 | Mgit | Method and system for soar photovoltaic power station monitoring |
| CN115099290A (zh) * | 2022-08-29 | 2022-09-23 | 瀚能太阳能(山东)集团有限公司 | 一种太阳能电池板生产质量检测方法 |
| 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 |
| CN116664565A (zh) * | 2023-07-28 | 2023-08-29 | 江苏森标科技有限公司 | 一种光伏太阳能电池片的隐裂检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016107408A1 (zh) * | 2014-12-30 | 2016-07-07 | 江苏科技大学 | 窄间隙焊缝偏差的红外视觉传感检测方法及装置 |
| WO2016201947A1 (zh) * | 2015-06-16 | 2016-12-22 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
| US20170004612A1 (en) * | 2015-07-03 | 2017-01-05 | Yuan Ze University | Optical film defect detection method and system thereof |
| CN107727662A (zh) * | 2017-09-28 | 2018-02-23 | 河北工业大学 | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 |
| CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
| CN109242853A (zh) * | 2018-11-05 | 2019-01-18 | 南京信息工程大学 | 一种基于图像处理的pcb缺陷智能检测方法 |
-
2019
- 2019-11-30 CN CN201911207788.2A patent/CN110942457B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016107408A1 (zh) * | 2014-12-30 | 2016-07-07 | 江苏科技大学 | 窄间隙焊缝偏差的红外视觉传感检测方法及装置 |
| WO2016201947A1 (zh) * | 2015-06-16 | 2016-12-22 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
| US20170004612A1 (en) * | 2015-07-03 | 2017-01-05 | Yuan Ze University | Optical film defect detection method and system thereof |
| CN107727662A (zh) * | 2017-09-28 | 2018-02-23 | 河北工业大学 | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 |
| CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
| CN109242853A (zh) * | 2018-11-05 | 2019-01-18 | 南京信息工程大学 | 一种基于图像处理的pcb缺陷智能检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| MM HITTAWE ET AL.: "Multiple features extraction for timber defects detection and classification using SVM", 《2015 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
| 杨祖彬 等: "脐橙分选包装表面损伤识别算法设计研究", 《食品工业科技》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862074A (zh) * | 2020-07-30 | 2020-10-30 | 国网湖南省电力有限公司 | 一种电缆阻水缓冲层缺陷识别方法及装置 |
| CN111862074B (zh) * | 2020-07-30 | 2023-11-24 | 国网湖南省电力有限公司 | 一种电缆阻水缓冲层缺陷识别方法及装置 |
| US20220077820A1 (en) * | 2020-09-04 | 2022-03-10 | Mgit | Method and system for soar photovoltaic power station monitoring |
| CN112834457A (zh) * | 2021-01-23 | 2021-05-25 | 中北大学 | 基于反射式激光热成像的金属微裂纹三维表征系统及方法 |
| CN113921411A (zh) * | 2021-09-27 | 2022-01-11 | 华东理工大学 | 提高单晶光伏组串虚焊识别率的方法 |
| CN115099290A (zh) * | 2022-08-29 | 2022-09-23 | 瀚能太阳能(山东)集团有限公司 | 一种太阳能电池板生产质量检测方法 |
| CN115099290B (zh) * | 2022-08-29 | 2022-11-01 | 瀚能太阳能(山东)集团有限公司 | 一种太阳能电池板生产质量检测方法 |
| 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 |
| CN116664565A (zh) * | 2023-07-28 | 2023-08-29 | 江苏森标科技有限公司 | 一种光伏太阳能电池片的隐裂检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110942457B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN111275679B (zh) | 一种基于图像的太阳能电池缺陷检测系统及方法 | |
| CN111539935B (zh) | 一种基于机器视觉的电缆表面缺陷在线检测方法 | |
| CN107578409B (zh) | 一种太阳能电池片外观断栅缺陷检测的方法 | |
| CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
| CN107490582B (zh) | 一种流水线工件检测系统 | |
| CN105158258A (zh) | 一种基于计算机视觉的竹条表面缺陷检测方法 | |
| CN110146791A (zh) | 一种基于图像处理的电晕检测方法 | |
| CN107843600B (zh) | 一种多晶硅太阳能电池片外观手印缺陷检测的方法 | |
| CN109613023B (zh) | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 | |
| CN105046700A (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 | |
| CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
| CN112819844B (zh) | 一种图像边缘检测方法及装置 | |
| Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
| CN110717909A (zh) | 一种金属表面划痕检测方法与装置 | |
| CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
| CN108416814A (zh) | 一种菠萝头部的快速定位与识别方法及系统 | |
| 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 | |
| CN109584181A (zh) | 一种改进的基于Retinex红外图像细节增强方法 | |
| CN114445331A (zh) | 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置 | |
| CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
| CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
| CN110443166A (zh) | 一种雾霾天气的车牌识别方法 | |
| Pathak et al. | Evaluation of effect of pre-processing techniques in solar panel fault detection | |
| CN110766675B (zh) | 太阳能电池板缺陷检测方法 |
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 |