CN111583190B - 用于内级联结构组件隐裂缺陷的自动识别方法 - Google Patents

用于内级联结构组件隐裂缺陷的自动识别方法 Download PDF

Info

Publication number
CN111583190B
CN111583190B CN202010300464.XA CN202010300464A CN111583190B CN 111583190 B CN111583190 B CN 111583190B CN 202010300464 A CN202010300464 A CN 202010300464A CN 111583190 B CN111583190 B CN 111583190B
Authority
CN
China
Prior art keywords
edge
cascade structure
image
subfissure
defect
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
Application number
CN202010300464.XA
Other languages
English (en)
Other versions
CN111583190A (zh
Inventor
丁莞尔
洪凌
沈曲
寿春晖
刘轩驿
周剑武
邬荣敏
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.)
Zhejiang Energy Group Research Institute Co Ltd
Original Assignee
Zhejiang Energy Group Research Institute Co Ltd
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 Zhejiang Energy Group Research Institute Co Ltd filed Critical Zhejiang Energy Group Research Institute Co Ltd
Priority to CN202010300464.XA priority Critical patent/CN111583190B/zh
Publication of CN111583190A publication Critical patent/CN111583190A/zh
Application granted granted Critical
Publication of CN111583190B publication Critical patent/CN111583190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/60—Rotation of a whole image or part thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods

Abstract

本发明涉及一种用于内级联结构组件隐裂缺陷的自动识别方法，包括：步骤1、通过隐裂检测设备获得内级联结构组件的隐裂图像；步骤2、基于隐裂图像，通过计算机图像处理方法自动识别隐裂图像上的缺陷点；步骤2.3、通过图像处理得到无边框内级联结构组件的边缘检测图像；步骤2.4、基于无边框内级联结构组件的边缘检测图像，确定各有效检测区域边缘所在位置。本发明的有益效果是：本发明实现了内级联结构光伏组件隐裂缺陷的自动识别，有利于节省人工，达成较为一致的隐裂判定结果，促进不同品牌型号内级联结构组件性能的横向对标。

Description

用于内级联结构组件隐裂缺陷的自动识别方法
技术领域
本发明属于薄膜光伏组件检测领域，尤其包括一种用于内级联结构组件隐裂缺陷的自动识别方法。
背景技术
一些薄膜光伏电池的单片电池电压较小，所以这些电池采用内级联结构将单片电池组串联成大面积组件，增大工作电压，降低工作电流和内部电阻损失。内级联结构通常指在组件制备过程中，将采用溅镀或共蒸法形成的单层或多层薄膜物质通过激光或机械切割完成组件内部电池串联的结构。常见采用内级联结构光伏组件有CdTe、CIGS、钙钛矿等。
太阳能电池隐裂是光伏组件电池片或者电池片上导线断裂导致电池片电流出发收集输送到组件输出主栅线或无法输出到输出电缆的情况。组件隐裂检测的方法包括主要EL(Electroluminescence，电致发光)与PL(Photoluminescence，光致发光)等。EL是简单有效的检测隐裂的方法,电池片的核心部分半导体PN结，在没有其它激励(例如光照、电压、温度)的条件下，其内部处于一个动态平衡状态，电子和空穴的数量相对保持稳定。当被施加正向偏压之后，晶体硅电池就会发光，波长1100nm左右，属于红外波段，肉眼观测不到，可利用CCD相机辅助捕捉这些光子，然后通过计算机处理后以图像的形式显示出来。给晶硅组件施加电压后，所激发出的电子和空穴复合的数量越多，其发射出的光子也就越多，所测得的EL图像也就越亮；如果有的区域EL图像比较暗，说明该处产生的电子和空穴数量较少，代表该处存在缺陷。
光致发光(Photoluminescence,简称PL)是指物质吸收光子(或电磁波)后重新辐射出光子(或电磁波)的过程。从量子力学理论上，这一过程可以描述为物质吸收光子跃迁到较高能级的激发态后返回低能态，同时放出光子的过程。光致发光是一种探测材料电子结构的方法，它与材料无接触且不损坏材料。光致发光的光谱结构和光强是测量许多重要材料的直接手段。PL检测图像中颜色较暗处代表存在缺陷。
内级联结构光伏组件和晶硅光伏组件的生产工艺存在较大区别，其隐裂检测图像的测试条件和缺陷识别技术也存在不同。因此有必要针对性地对内级联结构光伏组件提出检测和缺陷识别方法，实现内级联结构光伏组件的隐裂检测和缺陷自动识别，有利于节省人工，达成较为一致的隐裂判定结果，促进不同品牌型号内级联结构组件的横向对标。
发明内容
本发明的目的是克服现有技术中的不足，提供一种用于内级联结构组件隐裂缺陷的自动识别方法。
这种用于内级联结构组件隐裂缺陷的自动识别方法，包括以下步骤：
步骤1、通过隐裂检测设备获得内级联结构组件的隐裂图像；
步骤1.1、选择隐裂检测设备；
步骤1.2、根据内级联结构组件参数调整隐裂检测设备相机参数，拍摄内级联结构组件的隐裂图像；
步骤2、基于隐裂图像，通过计算机图像处理方法自动识别隐裂图像上的缺陷点；
步骤2.1、将内级联结构组件的隐裂图像转化为灰度图像；
步骤2.2、对灰度图像进行边缘检测，获得内级联结构组件的边缘检测图像；
步骤2.3、通过图像处理得到无边框内级联结构组件的边缘检测图像：检测内级联结构组件边缘检测图中有效检测区域的边界，并根据有效检测区域的边界进行旋转和切割，获得无边框内级联结构组件边缘检测图像；
步骤2.4、基于无边框内级联结构组件的边缘检测图像，确定各有效检测区域边缘所在位置：
步骤2.4.1、统计无边框内级联结构组件的边缘检测图像的各纵列像素点中边缘点的总数：当该列边缘点总数超过一定阈值时，判定该列属于有效检测区域边缘；当该列边缘点总数未超过所述阈值时，判定该列属于非有效检测区域，不作边缘判定；
步骤2.4.2、分析有效检测区域边缘：通过对比内级联结构组件灰度图像的整体平均灰度和相邻两边缘中心列的平均灰度，判定内级联结构组件的有效检测区域与非有效检测区域；将所有有效检测区域边缘区分为有效检测区域的左边缘Ei1或右边缘Ei2；
步骤2.5、根据各有效检测区域左边缘Ei1和右边缘Ei2之间或相邻不同隐裂形式下的边缘形态，确定隐裂缺陷点判定的多项限制条件，通过多项限制条件耦合判定缺陷位置，记录缺陷点位置数据；
步骤2.6、筛除重复缺陷点并标注：将相距位置小于一定阈值的缺陷点合并为同一处隐裂缺陷，归并标记在同一个边长为所述阈值的缺陷框中；在图像上标注出缺陷点所在缺陷框。
作为优选，步骤1.1所述隐裂检测设备包括基于电致发光的隐裂检测设备或基于光致发光的隐裂检测设备。
作为优选，步骤1.2所述内级联结构组件参数包括短路电流和开路电压；所述隐裂检测设备相机参数包括快门速度、感光度和光圈大小。
作为优选，步骤2.2所述对灰度图像进行边缘检测的方式包括运用Prewitt、Sobel、Canny或Laplacian检测算法来判定内级联结构组件中有效检测区域的边缘。
作为优选，在灰度图像中，步骤2.4所述有效检测区域为发光区域，非有效检测区域为非发光区域。
作为优选，所述步骤2.4.1采用结合邻列边缘点总和数的方式统计无边框内级联结构组件的边缘检测图像的各纵列像素点中边缘点的总数。
作为优选，步骤2.5所述不同隐裂形式下有效检测区域边缘形态的特点包括隐裂处边缘像素点的分布和边缘形态的变化率。
本发明的有益效果是：本发明实现了内级联结构光伏组件隐裂缺陷的自动识别，有利于节省人工，达成较为一致的隐裂判定结果，促进不同品牌型号内级联结构组件性能的横向对标。
附图说明
图1为用于内级联结构组件隐裂缺陷的自动识别方法的流程图；
图2为碲化镉组件电致发光图；
图3为裁切后的边缘检测图像；
图4为裁切后的灰度图像；
图5为标记缺陷点的裁切后的灰度图像；
图6为标记缺陷框的裁切后灰度图像。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
以某117.5W碲化镉光伏组件为例，进一步对用于碲化镉隐裂的检测及缺陷自动识别方法作进一步描述：
1)根据碲化镉组件铭牌参数，确认其开路电压88.1V，短路电流1.83A；
2)采用EL检测设备进行隐裂检测，设置组件输入电压为80V，并逐渐增大，观察组件电致发光图像清晰时，拍摄获得如图2的碲化镉组件电致发光照片IMG。
3)获取碲化镉组件电致发光照片IMG的组件灰度图像GRAYIMG。
4)利用CANNY算子获取组件灰度图像GRAYIMG的边缘检测图像F，获得所有边缘点位置[id1,id2]。假设边缘点共有N个，则id1和id2均为具有1×N数组。
5)根据N个边缘点的位置，在F图像上矩形裁切，裁切区域为[min(id1):max(id1),min(id2):max(id2)]，获得裁切后图像F’(见图3)及对应灰度图像GRAY’(见图4)。
8)获得图像F’的行数Hei和列数Wid，对各列取和，获得各列边缘点的总数k(1×Hei的矩阵)；采用邻列叠加算法，令edge1＝k(i)+k(i+1)，edge2＝k(i+1)+k(i+2)，如果edge1或者edge2达到阈值(此处选取80％Hei)，则认为两列中较大者认定为电池片边缘列，并形成边缘列数组Edge，Edge中的元素代表边缘在图像F’的列数。
9)确定边缘列数组Edge元素个数Le，取Mid(t)＝round(Edge(t)+Edge(t+1))/2)(1≤t≤Le-1)，计算组件灰度图像GRAY’各像素点的平均值G,以及GRAY’图像中Mid(t)列像素点的平均值M(t)。则有边缘判定关系如下：
a)如果M(t)≥G,则判定[Edge(t),Edge(t+1)]为发光区域即有效检测区域，其中E(t)为左边缘Ei1，Edge(t+1)为右边缘Ei2
b)如果M(t)<G，则认为[Edge(t),Edge(t+1)]为非发光区域即非有效检测区域，不做边缘判定。
10)检测图像F’每一行各有效检测区域边缘附近及之间的区间内的边缘点个数，综合缺陷区域边缘分布形态，确定判定区间包括DEF1＝[Ei1,Ei2]、DEF2＝[Ei1+1,Ei2-1]、DEF3＝[Ei1+2,Ei2-2]、DEF4＝[Ei1-1,Ei2+1]、DEF5＝[Ei1,Ei1+2]、DEF6＝[Ei2-1,Ei2]。则有缺陷判定关系如下：
a)如果DEF1区间内边缘点个数大于3或DEF2区间内边缘点个数大于2或DEF3区间内边缘点个数大于0，则认为该位置中间可能存在缺陷；
b)如果DEF4区间内边缘点个数为0或DEF5区间内边缘点个数为3或DEF6区间内边缘点个数为3则认为该位置可能存在栅线缺失或点状缺陷；
如果通过a)、b)条件判定为缺陷则记录缺陷点位置信息CRACK(Hei×Wid的矩阵，有缺陷位置标记1，其余位置为0)。在灰度图GRAY’上将缺点位置标出颜色如图5所示。
11)遍历Crack，找到标记为1的点，如果这些点相邻距离小于阈值Rec_a(此处选10)，则归并标记在同一个边长为Rec_a的缺陷框中，即将距离过于接近的缺陷点，认定为同一个缺陷。在灰度图Gray’上将缺陷框标出如图6所示。

Claims (7)

1.用于内级联结构组件隐裂缺陷的自动识别方法，其特征在于，包括以下步骤：
步骤1、通过隐裂检测设备获得内级联结构组件的隐裂图像；
步骤1.1、选择隐裂检测设备；
步骤1.2、根据内级联结构组件参数调整隐裂检测设备相机参数，拍摄内级联结构组件的隐裂图像；
步骤2、基于隐裂图像，通过计算机图像处理方法自动识别隐裂图像上的缺陷点；
步骤2.1、将内级联结构组件的隐裂图像转化为灰度图像；
步骤2.2、对灰度图像进行边缘检测，获得内级联结构组件的边缘检测图像；
步骤2.3、通过图像处理得到无边框内级联结构组件的边缘检测图像：检测内级联结构组件边缘检测图中有效检测区域的边界，并根据有效检测区域的边界进行旋转和切割，获得无边框内级联结构组件边缘检测图像；
步骤2.4、基于无边框内级联结构组件的边缘检测图像，确定各有效检测区域边缘所在位置：
步骤2.4.1、统计无边框内级联结构组件的边缘检测图像的各纵列像素点中边缘点的总数：当该列边缘点总数超过设定阈值A时，判定该列属于有效检测区域边缘；当该列边缘点总数未超过设定阈值A时，判定该列属于非有效检测区域，不作边缘判定；
步骤2.4.2、分析有效检测区域边缘：通过对比内级联结构组件灰度图像的整体平均灰度和相邻两边缘中心列的平均灰度，判定内级联结构组件的有效检测区域与非有效检测区域；将所有有效检测区域边缘区分为有效检测区域的左边缘Ei1或右边缘Ei2；
步骤2.5、根据各有效检测区域左边缘Ei1和右边缘Ei2之间或相邻不同隐裂形式下的边缘形态，确定隐裂缺陷点判定的多项限制条件，通过多项限制条件耦合判定缺陷位置，记录缺陷点位置数据；
步骤2.6、筛除重复缺陷点并标注：将相距位置小于设定阈值B的缺陷点合并为同一处隐裂缺陷，归并标记在同一个边长为设定阈值B的缺陷框中；在图像上标注出缺陷点所在缺陷框。
2.根据权利要求1所述用于内级联结构组件隐裂缺陷的自动识别方法，其特征在于：步骤1.1所述隐裂检测设备包括基于电致发光的隐裂检测设备或基于光致发光的隐裂检测设备。
3.根据权利要求1所述用于内级联结构组件隐裂缺陷的自动识别方法，其特征在于：步骤1.2所述内级联结构组件参数包括短路电流和开路电压；所述隐裂检测设备相机参数包括快门速度、感光度和光圈大小。
4.根据权利要求1所述用于内级联结构组件隐裂缺陷的自动识别方法，其特征在于：步骤2.2所述对灰度图像进行边缘检测的方式包括运用Prewitt、Sobel、Canny或Laplacian检测算法来判定内级联结构组件中有效检测区域的边缘。
5.根据权利要求1所述用于内级联结构组件隐裂缺陷的自动识别方法，其特征在于：在灰度图像中，步骤2.4所述有效检测区域为发光区域，非有效检测区域为非发光区域。
6.根据权利要求1所述用于内级联结构组件隐裂缺陷的自动识别方法，其特征在于：所述步骤2.4.1采用结合邻列边缘点总和数的方式统计无边框内级联结构组件的边缘检测图像的各纵列像素点中边缘点的总数。
7.根据权利要求1所述用于内级联结构组件隐裂缺陷的自动识别方法，其特征在于：步骤2.5所述不同隐裂形式下有效检测区域边缘形态的特点包括隐裂处边缘像素点的分布和边缘形态的变化率。
CN202010300464.XA 2020-04-16 2020-04-16 用于内级联结构组件隐裂缺陷的自动识别方法 Active CN111583190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010300464.XA CN111583190B (zh) 2020-04-16 2020-04-16 用于内级联结构组件隐裂缺陷的自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010300464.XA CN111583190B (zh) 2020-04-16 2020-04-16 用于内级联结构组件隐裂缺陷的自动识别方法

Publications (2)

Publication Number Publication Date
CN111583190A CN111583190A (zh) 2020-08-25
CN111583190B true CN111583190B (zh) 2022-07-22

Family

ID=72113058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010300464.XA Active CN111583190B (zh) 2020-04-16 2020-04-16 用于内级联结构组件隐裂缺陷的自动识别方法

Country Status (1)

Country Link
CN (1) CN111583190B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335963A (zh) * 2015-09-24 2016-02-17 凌云光技术集团有限责任公司 一种边缘缺陷检测方法及装置
CN105334219A (zh) * 2015-09-16 2016-02-17 湖南大学 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN108550705A (zh) * 2018-06-30 2018-09-18 浙江浙能技术研究院有限公司 一种钙钛矿太阳能电池模块
CN109087286A (zh) * 2018-07-17 2018-12-25 江西财经大学 一种基于计算机图像处理和模式识别的检测方法及应用
CN109540900A (zh) * 2018-09-25 2019-03-29 浙江浙能技术研究院有限公司 一种光伏组件隐裂判定方法
CN109840900A (zh) * 2018-12-31 2019-06-04 常州轻工职业技术学院 一种应用于智能制造车间的故障在线检测系统及检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7215811B2 (en) * 2000-11-22 2007-05-08 Osama Moselhi Method and apparatus for the automated detection and classification of defects in sewer pipes

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105334219A (zh) * 2015-09-16 2016-02-17 湖南大学 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN105335963A (zh) * 2015-09-24 2016-02-17 凌云光技术集团有限责任公司 一种边缘缺陷检测方法及装置
CN108550705A (zh) * 2018-06-30 2018-09-18 浙江浙能技术研究院有限公司 一种钙钛矿太阳能电池模块
CN109087286A (zh) * 2018-07-17 2018-12-25 江西财经大学 一种基于计算机图像处理和模式识别的检测方法及应用
CN109540900A (zh) * 2018-09-25 2019-03-29 浙江浙能技术研究院有限公司 一种光伏组件隐裂判定方法
CN109840900A (zh) * 2018-12-31 2019-06-04 常州轻工职业技术学院 一种应用于智能制造车间的故障在线检测系统及检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Condition Monitoring and Fault Diagnosis of PEMFC Systems;Chunhui Shou 等;《2019 Chinese Automation Congress (CAC)》;20200213;全文 *
Crack detection in historical structures based on convolutional neural network;Krisada Chaiyasarn 等;《GEOMATE》;20181130;第15卷(第51期);全文 *
基于圆弧边缘特征的圆检测算法;董辉 等;《浙江工业大学学报》;20181231;第46卷(第1期);全文 *
基于机器视觉的太阳能电池硅片隐裂检测;王宇 等;《组合机床与自动化加工技术》;20191231(第12期);全文 *

Also Published As

Publication number Publication date
CN111583190A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
Aghaei et al. IR real-time analyses for PV system monitoring by digital image processing techniques
Aghaei et al. Innovative automated control system for PV fields inspection and remote control
EP2463672B1 (en) Solar cell evaluation method, evaluation device, maintenance method, maintenance system, and method of manufacturing solar cell module
CN111275679B (zh) 一种基于图像的太阳能电池缺陷检测系统及方法
US8483476B2 (en) Photovoltaic cell manufacturing
CN102017191B (zh) 用于晶片成像及处理的方法和设备
Høiaas et al. Inspection and condition monitoring of large-scale photovoltaic power plants: A review of imaging technologies
US20150070487A1 (en) Method and a device for the purpose of elctroluminescence inspection and/or photoluminescence inspection
Di Tommaso et al. A multi-stage model based on YOLOv3 for defect detection in PV panels based on IR and visible imaging by unmanned aerial vehicle
CN207743935U (zh) 用于检查光伏模块的设备
Doll et al. Photoluminescence for defect detection on full-sized photovoltaic modules
dos Reis Benatto et al. Development of outdoor luminescence imaging for drone-based PV array inspection
CN109540900B (zh) 一种光伏组件隐裂判定方法
de Oliveira et al. Automatic fault detection of photovoltaic array by convolutional neural networks during aerial infrared thermography
Ebner et al. Defect analysis in different photovoltaic modules using electroluminescence (EL) and infrared (IR)-thermography
CN104067512A (zh) 通过光学成像对用于光伏电池的硅晶圆进行质量鉴定
US20230042106A1 (en) System and method for the statistical analysis of images of photovoltaic panels
CN111583190B (zh) 用于内级联结构组件隐裂缺陷的自动识别方法
Peng et al. Non-destructive displaying defects for luminescence image of photovoltaic panel arrays
JP7149534B2 (ja) 太陽電池パネルの検査装置、及び検査方法
CN101915546B (zh) 太阳能芯片的抗反射层的检测方法及检测装置
JP5499223B2 (ja) 光起電層システムの分析方法
WO2023272479A1 (zh) 电站运维系统、电站运维方法及光伏电站
TW202213938A (zh) 太陽能發電模組失效分析系統與方法
CN201740515U (zh) 太阳能芯片的抗反射层的检测装置

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