CN111915552B - 一种太阳能电池内部缺陷检测方法 - Google Patents

一种太阳能电池内部缺陷检测方法 Download PDF

Info

Publication number
CN111915552B
CN111915552B CN202010489491.6A CN202010489491A CN111915552B CN 111915552 B CN111915552 B CN 111915552B CN 202010489491 A CN202010489491 A CN 202010489491A CN 111915552 B CN111915552 B CN 111915552B
Authority
CN
China
Prior art keywords
image
fourier transform
frequency domain
histogram
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
CN202010489491.6A
Other languages
English (en)
Other versions
CN111915552A (zh
Inventor
刘屿
倪君仪
徐嘉明
邬依林
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.)
South China University of Technology SCUT
Guangzhou Institute of Modern Industrial Technology
Original Assignee
South China University of Technology SCUT
Guangzhou Institute of Modern Industrial Technology
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 South China University of Technology SCUT, Guangzhou Institute of Modern Industrial Technology filed Critical South China University of Technology SCUT
Priority to CN202010489491.6A priority Critical patent/CN111915552B/zh
Publication of CN111915552A publication Critical patent/CN111915552A/zh
Application granted granted Critical
Publication of CN111915552B publication Critical patent/CN111915552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种太阳能电池内部缺陷检测方法，该方法首先选取一副太阳能电池内部图像作为原始图像，对选取图像进行傅里叶变换；然后提取傅里叶变换图像的图像矩阵，对得到的矩阵进行奇异值分解，重构新的傅里叶变换图像；再将重新构造的傅里叶变换图像进行傅里叶反变换之后与原图像相减，得到潜在的缺陷图；最后进行自适应阈值处理，利用高斯类分布从全局直方图中分离出缺陷直方图，并根据缺陷直方图的分布情况自动选取分割阈值分割出太阳能电池内部缺陷。本发明能准确的采集各种类型的缺陷形状，具有良好的鲁棒性和兼容性，可用于在线检测。

Description

一种太阳能电池内部缺陷检测方法
技术领域
本发明涉及机器视觉检测技术领域，具体涉及一种太阳能电池内部缺陷检测方法。
背景技术
对于太阳能电池而言，由于其生产过程中包含着多种复杂的技术，所以每块太阳能电池都会受到成千上万个参数的影响。一些有害影响将以缺陷的形式出现在太阳能电池的内部或外部。通常，太阳能电池内部缺陷来自硅材料缺陷和机械缺陷，它们不仅降低了光电转换效率，而且还带来了安全隐患。因此，太阳能电池内部质量监控至关重要。
目前，光致发光和电致发光技术已广泛应用于太阳能电池内部结构的图像采集。光致发光检测仪器为缺陷定量分析提供基础，作为一种新型无损快速检测手段，光致发光技术可以广泛的应用到太阳能电池缺陷检测过程中；电池的缺陷检测也可以通过电致发光技术进行成像检测，这种方法具有直观、方便、简单的优点。
对太阳能电池内部缺陷进行检测存在着较大的难度。现如今，存在着较多的太阳能电池内部缺陷检测方法，比如对比度自适应阈值法(CAT)、实体稀疏追踪法(ESP)、容差差异性度量法(STDM)。但其中CAT对小尺度、低对比度的缺陷不敏感，ESP虽然能够产生较少的伪缺陷，但它受超像素尺寸的限制，而STDM对灰度值梯度很敏感，虽然可以准确定位缺陷，但检测结果不完整，所以，提出一种新的更优的太阳能电池内部缺陷检测的方法是有一定的实际意义的。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种太阳能电池内部缺陷检测方法。
本发明的目的可以通过采取如下技术方案达到：
一种太阳能电池内部缺陷检测方法，所述的检测方法包括以下步骤：
S1、选取一副太阳能电池内部图像作为原始图像，并对原始图像进行傅里叶变换得到傅里叶变换频域图像；
S2、提取傅里叶变换频域图像的图像矩阵，并将该图像矩阵进行奇异值分解，保留R个奇异值重构新的实部和虚部，将新构造的实部和虚部与原傅里叶图像的实部和虚部进行对比构造新的傅里叶变换频域图像；
S3、对步骤S2中得到的新的傅里叶变换频域图像进行傅里叶逆变换后得到原始图像的重构图像，将该重构图像与原始图像相减，得到潜在的缺陷图；
S4、自适应阈值处理，利用类高斯分布从潜在缺陷图的全局直方图中分离出缺陷直方图，并根据缺陷直方图的分布情况自动选取阈值分割出太阳能电池内部的缺陷。
进一步地，所述的步骤S1中对原始图像进行傅里叶变换得到傅里叶变换频域图像的具体过程如下：
S1.1、对一副大小为W×H的太阳能电池内部图像I(x，y)进行二维离散傅里叶变换得到频域图像F(u,v)，其中，W为图像的高，H为图像的宽：
F(u,v)＝Re(u,v)+j·Im(u,v)，
其中，(x,y)为图像I(x，y)在空间域的坐标，(u,v)为图像I(x，y)的频域坐标，j为虚数单位，Re(u,v)和Im(u,v)分别为频域图像F(u,v)的实部与虚部；
S1.2、求出傅里叶变换后图像F(u,v)的功率谱P(u,v)为：
为了在强度图像中可视化功率谱，将功率谱P(u,v)移动到以(W/2,H/2)为中心的位置，并按照log10(1+P(u,v))进行归一化处理。
进一步地，所述的步骤S2的实现过程为：
S2.1、傅里叶变换频域图像F(u,v)的图像矩阵MW×H，将图像矩阵MW×H分解成UW×W,ΛW×H,VH×H三个矩阵，分解后得到k个奇异值，其中，UW×W和VH×H是正交矩阵，ΛW×H为非负实对角矩阵，MW×H＝UW×WΛW×HVH×H
UW×W＝[u1…uk|uk+1…uW]
其中σk表示第k个奇异值，并且σ1＞…＞σk，k<W，k<H，uk和vk为图像矩阵MW×H分解后求得的值；
S2.2、得出傅里叶变换的频域图像F(u,v)的实部和虚部分别为
实部：
虚部：
其中，分别为矩阵UW×W、ΛW×H、VH×H的实部， 分别为矩阵UW×W、ΛW×H、VH×H的虚部；
S2.3、保留R个奇异值重构新的实部和虚部，将重构的实部和虚部分别与步骤S2.2中的实部与虚部进行比较选取较小的值：
重构的实部：
重构的虚部：
最终得到的实部：Re”(u,v)＝min(Re(u,v),Re'(u,v))
最终得到的虚部：Im”(u,v)＝min(Im(u,v),Im'(u,v))，
其中，min表示求最小值函数；
S2.4、得到新的傅里叶变换频域图像F'(u,v)＝Re”(u,v)+j·Im”(u,v)。
进一步地，所述的步骤S3中潜在缺陷图获取的具体过程为：
S3.1、利用傅里叶反变换将新的傅里叶变换频域图像F'(u,v)转化为空间域图像I'(x,y):
S3.2、将重构的图像I'(x,y)与原图像相减即可得到潜在的缺陷图：
S(x,y)＝(-1)i·[I(x,y)-I'(x,y)]
i取值为1或0，如果i＝1时，检测较暗的异常，i＝0时，检测较亮的异常。
进一步地，所述的步骤S4中自适应阈值获取的具体过程如下：
S4.1、获得潜在缺陷图S(x,y)的全局直方图fg(n)，利用类高斯分布得到全局直方图fg(n)的背景直方图fb(n)，二者相减即得到缺陷分布直方图fd(n)：
fd(n)＝fg(n)-fb(n)；
S4.2、根据缺陷直方图fd(n)自动选择分割阈值：在缺陷直方图中找到频率最小的点，在大于这个灰度值的范围内寻找频率最大的点，该点所对应的灰度值即为自动选取的阈值T，由此得到检测结果D(x,y)为：
进一步地，R的取值为[·]表示取整函数。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明提出的基于傅里叶变换及奇异值分解的太阳能电池内部缺陷自动检测方法在纹理均匀、亮度不均匀的异常检测中可以增强缺陷相对于背景的显著性，从而得到令人满意的检测结果；
(2)将检测任务形式化为提取嵌入在非均匀纹理和非均匀亮度背景中的局部异常，在频率域设计了基于奇异值分解的滤波器，使缺陷灰度信息在空间域内急剧变化，并通过减法运算和自适应阈值来突出局部异常；
(3)通过无监督自比较来完成缺陷检测，利用像素级检测可以准确的采集各种类型缺陷的形状，特别是模糊型和嵌入型；
(4)具有良好的鲁棒性、兼容性和准确性，可用于在线检测。
附图说明
图1是本发明公开的太阳能电池内部缺陷检测方法的流程图；
图2(a)、图2(b)、图2(c)、图2(d)和图2(e)是五种不同生产技术下太阳能电池内部图像样本示意图；
图3是本发明公开的自适应阈值法方法图(T为自动选取的阈值)；
图4是本发明实施例中本发明提出的基于傅里叶变换及奇异值分解太阳能电池内部缺陷自动检测算法(FSSI)与现有的三种算法对比结果图；
图5是不同的R值对局部异常检测的影响示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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做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。
实施例
本实施例主要针对太阳能电池内部缺陷提出一种智能检测技术，依据傅里叶变换及反变换和矩阵的奇异值分解初步得到太阳能电池内部图像潜在缺陷图，然后根据类高斯回归对潜在的缺陷图进行自适应阈值法自动选取阈值即可得到太阳能电池内部缺陷分布，具有较高的准确性和较强的鲁棒性。
图1是本实施例公开的一种太阳能电池内部缺陷检测方法的流程图，下面通过具体实施例来进行说明。一种太阳能电池内部缺陷自动检测方法，具体步骤如下：
S1、选取一副太阳能电池内部图像作为原始图像，并对原始图像进行傅里叶变换得到傅里叶变换频域图像，图2(a)、图2(b)、图2(c)、图2(d)和图2(e)为不同生产技术下的太阳能电池内部图像样本图；
S2、提取傅里叶变换频域图像的图像矩阵，并将该图像矩阵进行奇异值分解，保留R个奇异值重构新的实部和虚部，将新构造的实部和虚部与原傅里叶图像的实部和虚部进行对比构造新的傅里叶变换频域图像；
S3、对步骤S2中得到的新的傅里叶变换频域图像进行傅里叶逆变换后得到原始图像的重构图像，将其与原始图像相减，得到潜在的缺陷图；
S4、自适应阈值处理，由于步骤S3中得到的缺陷图的背景很平滑，利用类高斯分布可以从潜在缺陷图的全局直方图中分离出缺陷直方图，并根据缺陷直方图的分布情况自动选取阈值分割出太阳能电池内部的缺陷，图3为自适应阈值法中应用的灰度直方图。
本发明提出的一种太阳能电池内部缺陷自动检测方法通过以下技术方案进一步实现：
本实施例中，步骤S1中对图像进行傅里叶变换的具体过程如下：
S1.1、对一副大小为W×H的太阳能电池内部图像I(x，y)进行二维离散傅里叶变换得到频域图像F(u,v)，其中，W为图像的高，H为图像的宽：
F(u,v)＝Re(u,v)+j·Im(u,v)，
其中，(x,y)为图像I(x，y)在空间域的坐标，(u,v)为图像I(x，y)的频域坐标，j为虚数单位，Re(u,v)和Im(u,v)分别为频域图像F(u,v)的实部与虚部；
S1.2、求出频域图像F(u,v)的功率谱P(u,v)：
为了在强度图像中可视化功率谱，将功率谱P(u,v)移动到以(W/2,H/2)为中心的位置，并按照log10(1+P(u,v))进行归一化处理。
本实施例中，步骤S2中对图像进行奇异值分解和傅里叶图像重构的具体过程为：
S2.1、提取步骤S1中得到的傅里叶变换频域图像的图像矩阵MW×H，并将图像矩阵MW×H分解成UW×W,ΛW×H,VH×H三个矩阵，分解得到k个奇异值，其中，UW×W和VH×H是正交矩阵，ΛW×H为非负实对角矩阵，MW×H＝UW×WΛW×HVH×H
UW×W＝[u1…uk|uk+1…uW]
其中σk表示第k个奇异值，并且σ1＞…＞σk，k<W，k<H，uk和vk为图像矩阵MW×H分解后求得的值；
S2.2、得出傅里叶变换的频域图像F(u,v)的实部和虚部分别为
实部：
虚部：
S2.3、保留R个奇异值，重构新的实部和虚部，将重构的实部和虚部分别与步骤S2.2中的实部与虚部进行比较选取较小的值：
重构的实部：
重构的虚部：
最终得到的实部：Re”(u,v)＝min(Re(u,v),Re'(u,v))
最终得到的虚部：Im”(u,v)＝min(Im(u,v),Im'(u,v))；
S2.4、得到新的傅里叶变换频域图像F'(u,v)＝Re”(u,v)+j·Im”(u,v)。
在本实施例中，步骤S3中潜在缺陷图获取的具体过程为：
S3.1、利用傅里叶反变换将新的傅里叶变换频域图像F'(u,v)转化为空间域图像I'(x,y):
S3.2、将重构的图像I'(x,y)与原图像相减即可得到潜在的缺陷图：
S(x,y)＝(-1)i·[I(x,y)-I'(x,y)]
i取值为1或0，如果i＝1时，检测较暗的异常，i＝0时，检测较亮的异常。
在本实施例中，步骤S4中自适应阈值获取的具体过程如下：
S4.1、获得潜在缺陷图S(x,y)的全局直方图fg(n)，因为S(x,y)背景是平滑的，利用类高斯分布可以得到其背景直方图fb(n)，二者相减即得到缺陷分布直方图fd(n)：
fd(n)＝fg(n)-fb(n)；
S4.2、根据缺陷直方图fd(n)自动选择分割阈值：在缺陷直方图中找到频率最小的点，在大于这个灰度值的范围内寻找频率最大的点，该点所对应的灰度值即为自动选取的阈值T，由此得到检测结果D(x,y)为：
上述公开的一种太阳能电池内部缺陷自动检测方法，在原始图像输入步骤和傅里叶变换之间引入图像缩放，因为傅里叶变换和奇异值分解计算量较大，此举可以加速处理速度。
将参数R的值设为1，对四组数据集分别采用CAT、ESP、FSSI(本发明提出的方法)、STDM四种方法进行检测，具体测试结果如下表1所示：
表1.不同检测方法的定量比较
各度量标准定义如下：
其中，FP表示伪缺陷区域，TN为真实背景区域，FN为未检测到的缺陷区域，TP为真实缺陷区域。因此，FPR被定义为将背景错误的检测为缺陷的像素的比例，FNR为将缺陷错误的检测为背景的像素的比例，MAE为错误区分背景和缺陷的像素比例，显然，这三个指标的值越小，检测效果越好。
由表1可知本发明提出的一种太阳能电池内部缺陷检测方法与其他三种现有方法综合比较，在本发明所应用的三种度量标准下，具有最准确的识别效果。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种太阳能电池内部缺陷检测方法，其特征在于，所述的检测方法包括以下步骤：
S1、选取一副太阳能电池内部图像作为原始图像，并对原始图像进行傅里叶变换得到傅里叶变换频域图像；
S2、提取傅里叶变换频域图像的图像矩阵，并将该图像矩阵进行奇异值分解，保留R个奇异值重构新的实部和虚部，将新构造的实部和虚部与原傅里叶图像的实部和虚部进行对比构造新的傅里叶变换频域图像；实现过程为：
S2.1、傅里叶变换频域图像F(u,v)的图像矩阵MW×H，将图像矩阵MW×H分解成UW×W,ΛW×H,VH×H三个矩阵，分解后得到k个奇异值，其中，UW×W和VH×H是正交矩阵，ΛW×H为非负实对角矩阵，MW×H＝UW×WΛW×HVH×H
UW×W＝[u1…ukuk+1…uW]
其中σk表示第k个奇异值，并且σ1＞…＞σk，k<W，k<H，uk和vk为图像矩阵MW×H分解后求得的值；
S2.2、得出傅里叶变换的频域图像F(u,v)的实部和虚部分别为
实部：
虚部：
其中，分别为矩阵UW×W、ΛW×H、VH×H的实部， 分别为矩阵UW×W、ΛW×H、VH×H的虚部；
S2.3、保留R个奇异值重构新的实部和虚部，将重构的实部和虚部分别与步骤S2.2中的实部与虚部进行比较选取较小的值：
重构的实部：
重构的虚部：
最终得到的实部：Re”(u,v)＝min(Re(u,v),Re'(u,v))
最终得到的虚部：Im”(u,v)＝min(Im(u,v),Im'(u,v))，
其中，min表示求最小值函数；
S2.4、得到新的傅里叶变换频域图像F'(u,v)＝Re”(u,v)+j·Im”(u,v)；
S3、对步骤S2中得到的新的傅里叶变换频域图像进行傅里叶逆变换后得到原始图像的重构图像，将该重构图像与原始图像相减，得到潜在的缺陷图；其中潜在缺陷图获取的具体过程为：
S3.1、利用傅里叶反变换将新的傅里叶变换频域图像F'(u,v)转化为空间域图像I'(x,y):
S3.2、将重构的图像I'(x,y)与原图像相减即可得到潜在的缺陷图：
S(x,y)＝(-1)i·[I(x,y)-I'(x,y)]
i取值为1或0，如果i＝1时，检测较暗的异常，i＝0时，检测较亮的异常；
S4、自适应阈值处理，利用类高斯分布从潜在缺陷图的全局直方图中分离出缺陷直方图，并根据缺陷直方图的分布情况自动选取阈值分割出太阳能电池内部的缺陷。
2.根据权利要求1所述的一种太阳能电池内部缺陷检测方法，其特征在于，所述的步骤S1中对原始图像进行傅里叶变换得到傅里叶变换频域图像的具体过程如下：
S1.1、对一副大小为W×H的太阳能电池内部图像I(x，y)进行二维离散傅里叶变换得到频域图像F(u,v)，其中，W为图像的高，H为图像的宽：
F(u,v)＝Re(u,v)+j·Im(u,v)，
其中，(x,y)为图像I(x，y)在空间域的坐标，(u,v)为图像I(x，y)的频域坐标，j为虚数单位，Re(u,v)和Im(u,v)分别为频域图像F(u,v)的实部与虚部；
S1.2、求出傅里叶变换后图像F(u,v)的功率谱P(u,v)为：
u＝0,1,2,...,W-1；v＝0,1,2,...,H-1，为了在强度图像中可视化功率谱，将功率谱P(u,v)移动到以(W/2,H/2)为中心的位置，并按照log10(1+P(u,v))进行归一化处理。
3.根据权利要求1所述的一种太阳能电池内部缺陷检测方法，其特征在于，所述的步骤S4中自适应阈值获取的具体过程如下：
S4.1、获得潜在缺陷图S(x,y)的全局直方图fg(n)，利用类高斯分布得到全局直方图fg(n)的背景直方图fb(n)，二者相减即得到缺陷分布直方图fd(n)：
fd(n)＝fg(n)-fb(n)；
S4.2、根据缺陷直方图fd(n)自动选择分割阈值：在缺陷直方图中找到频率最小的点，在大于这个灰度值的范围内寻找频率最大的点，该点所对应的灰度值即为自动选取的阈值T，由此得到检测结果D(x,y)为：
4.根据权利要求1所述的一种太阳能电池内部缺陷检测方法，其特征在于，R的取值为[·]表示取整函数。
CN202010489491.6A 2020-06-02 2020-06-02 一种太阳能电池内部缺陷检测方法 Active CN111915552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010489491.6A CN111915552B (zh) 2020-06-02 2020-06-02 一种太阳能电池内部缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010489491.6A CN111915552B (zh) 2020-06-02 2020-06-02 一种太阳能电池内部缺陷检测方法

Publications (2)

Publication Number Publication Date
CN111915552A CN111915552A (zh) 2020-11-10
CN111915552B true CN111915552B (zh) 2024-06-21

Family

ID=73238109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010489491.6A Active CN111915552B (zh) 2020-06-02 2020-06-02 一种太阳能电池内部缺陷检测方法

Country Status (1)

Country Link
CN (1) CN111915552B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927218B (zh) * 2021-03-23 2023-07-25 上海晨兴希姆通电子科技有限公司 用于cpu散热板缺陷的检测方法及检测系统
CN114529515B (zh) * 2022-01-17 2024-09-13 华南理工大学 一种自动识别太阳能电池内部缺陷的方法
CN116823790A (zh) * 2023-07-07 2023-09-29 上海谦煜光电科技有限公司 一种太阳能电池片污染缺陷检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016106960A1 (zh) * 2014-12-30 2016-07-07 华中科技大学 一种对地建筑群遥感图像频谱特性约束的去噪方法
CN109816654A (zh) * 2019-01-30 2019-05-28 哈尔滨工业大学 一种太阳能电池暗场锁相热成像分层微缺陷精准表征系统与方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9563939B2 (en) * 2014-12-30 2017-02-07 Huazhong University Of Science And Technology De-noising system for remote images of ground buildings using spectrum constraints and de-noising method thereof
US10031997B1 (en) * 2016-11-29 2018-07-24 Taiwan Semiconductor Manufacturing Co., Ltd. Forecasting wafer defects using frequency domain analysis
CN109615612A (zh) * 2018-11-20 2019-04-12 华南理工大学 一种太阳能电池板的缺陷检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016106960A1 (zh) * 2014-12-30 2016-07-07 华中科技大学 一种对地建筑群遥感图像频谱特性约束的去噪方法
CN109816654A (zh) * 2019-01-30 2019-05-28 哈尔滨工业大学 一种太阳能电池暗场锁相热成像分层微缺陷精准表征系统与方法

Also Published As

Publication number Publication date
CN111915552A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
KR102812904B1 (ko) 표본의 조사 방법 및 그 시스템
CN111915552B (zh) 一种太阳能电池内部缺陷检测方法
CN104778692B (zh) 一种基于稀疏表示系数优化的织物疵点检测方法
Stromer et al. Enhanced crack segmentation (eCS): a reference algorithm for segmenting cracks in multicrystalline silicon solar cells
KR20220014805A (ko) 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성
US12400319B2 (en) Defect examination on a semiconductor specimen
CN106296670B (zh) 一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法
CN114170184A (zh) 一种基于嵌入特征向量的产品图像异常检测方法及装置
US20240338811A1 (en) Machine learning based defect examination for semiconductor specimens
KR20230161868A (ko) 반도체 시편의 결함 검출
CN116402742A (zh) 一种汽车钣金件表面缺陷的视觉检测方法及系统
US12260543B2 (en) Machine learning based examination of a semiconductor specimen and training thereof
Fu et al. Automatic detection of multi-crossing crack defects in multi-crystalline solar cells based on machine vision
JP2022013667A (ja) 半導体試料の画像のセグメンテーション
KR20250038166A (ko) 반도체 시편들에 대한 기계 학습 기반 결함 검사
CN117078679B (zh) 一种基于机器视觉的散热风扇自动组装线生产检测方法
KR20240130647A (ko) 프로세스 모니터링을 위한 기계 학습 기반 검사
CN114972151B (zh) 影像处理方法、非暂态计算机可读取媒体及影像处理系统
US20230114624A1 (en) Defect examination on a semiconductor specimen
KR20250095533A (ko) 반도체 시편들의 결함 검사를 위한 푸리에 변환 기반 기계 학습
CN114529515B (zh) 一种自动识别太阳能电池内部缺陷的方法
CN117788364B (zh) 通过奇异值分解检测晶圆缺陷的方法
CN119804462A (zh) 一种碳刷磨损检测方法及其系统
CN117036256B (zh) 基于双支路图像重构的缺陷检测模型的训练方法和装置
Chong et al. Fabric Defect Detection Method Based on Projection Location and Superpixel Segmentation

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