CN112381759A - 基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法 - Google Patents
基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法 Download PDFInfo
- Publication number
- CN112381759A CN112381759A CN202011081248.7A CN202011081248A CN112381759A CN 112381759 A CN112381759 A CN 112381759A CN 202011081248 A CN202011081248 A CN 202011081248A CN 112381759 A CN112381759 A CN 112381759A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- target detection
- silicon solar
- region
- 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 190
- 238000001514 detection method Methods 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 78
- 229910021421 monocrystalline silicon Inorganic materials 0.000 title claims abstract description 61
- 230000003287 optical effect Effects 0.000 title claims abstract description 38
- 238000005401 electroluminescence Methods 0.000 claims abstract description 34
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 235000012431 wafers Nutrition 0.000 claims description 82
- 238000006073 displacement reaction Methods 0.000 claims description 22
- 239000000523 sample Substances 0.000 claims description 15
- 230000002950 deficient Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000009776 industrial production Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 229910021419 crystalline silicon Inorganic materials 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000012634 optical imaging Methods 0.000 description 3
- 238000005424 photoluminescence Methods 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- -1 etching Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007650 screen-printing Methods 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000001228 spectrum 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明公开了一种基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法,该方法首先基于电致发光技术获取原始的目标检测图像;然后使用中值滤波器对获取的原始目标检测图像进行预处理;接着使用基于光流法的缺陷粗检测算法对预处理之后的目标检测图像进行缺陷粗检测,从而提取出可能的缺陷区域,并得到相应的二值图像;最后使用置信度法对提取出的可能缺陷区域进行进一步的缺陷精确检测,通过计算每一个可能的小缺陷区域的区域置信度来判断该小缺陷区域是否属于实际缺陷区域,从而得到包含实际缺陷区域的二值图像。本发明公开的缺陷检测方法能在实际单晶硅太阳能晶片工业生产中以较高的准确率在线实时地检测出晶片缺陷,从而提高生产效率。
Description
技术领域
本发明涉及机器视觉检测技术领域,具体涉及一种基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法。
背景技术
太阳能晶片是用于太阳能光伏电池最重要的组成部件,目前在市场中占据主导地位的太阳能晶片是晶体硅太阳能晶片。按照结晶状态的不同,晶体硅太阳能晶片可分为单晶硅太阳能晶片和多晶硅太阳能晶片两种。相比于多晶硅太阳能晶片,单晶硅太阳能晶片的生产工艺更加成熟,光电转换效率更高,因此成为了太阳能光伏发电领域应用最为广泛的一类太阳能晶片。单晶硅太阳能晶片的生产工艺较为复杂,涉及切片、制绒、扩散、去磷硅玻璃、刻蚀、镀膜、丝网印刷、烧结等多道工序,而其中的任何一道工序都可能造成晶片的损伤,从而导致晶片缺陷的产生。单晶硅太阳能晶片中的缺陷会对其光电转化效率和使用寿命产生不同程度的影响,因此在实际工业生产中对单晶硅太阳能晶片进行缺陷检测是十分必要的。
目前,单晶硅太阳能晶片的缺陷检测方法主要可分为两大类:人工检测和基于机器视觉缺陷检测算法的检测。人工检测虽然简单方便,对检测设备的要求低,不需要复杂的机械设备和检测工具,但该方法的主观性强,劳动强度大,检测效率低,容易造成晶片缺陷的漏检和误检情况的发生,并且人工检测过程中手动抓取晶片的过程容易造成晶片缺陷的意外产生。因此,随着自动化的普及、生产效率和人工成本的提高,人工检测方法越来越无法满足实际工业生产的需求。基于机器视觉的单晶硅太阳能晶片缺陷检测算法根据成像方式的不同主要可分为三类:基于自动光学成像的缺陷检测算法、基于电致发光的缺陷检测算法和基于光致发光的缺陷检测算法。在实际运用中,自动光学成像方式相比于其他两种成像方式更容易获得高分辨率的图像,所以基于自动光学成像的缺陷检测算法目前已经比较成熟,可以运用于实际工业生产中,能以较高地准确率检测出单晶硅太阳能晶片中的缺陷,但该算法只能检测出单晶硅太阳能晶片的表面缺陷,而无法检测出单晶硅太阳能晶片的内部缺陷。通常情况下,单晶硅太阳能晶片内部的缺陷对其光电转化效率和使用寿命的影响比表面缺陷要大。基于电致发光的缺陷检测算法和基于光致发光的缺陷检测算法虽然能够检测出单晶硅太阳能晶片的内部缺陷,但是目前大部分现有的基于电致发光和基于光致发光的缺陷检测算法仅处于理论研究阶段,无法运用于实际工业生产中,即使有少部分相应的算法能够用于实际的工业生产中,也只能对单晶硅太阳能晶片的内部缺陷进行离线抽样检测,而无法做到在线实时检测,即使勉强实现在线实时缺陷检测,其对晶片内部缺陷的检测效果也不理想。
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,提供一种基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法,该缺陷检测方法能够以较高的准确率在线实时地检测出单晶硅太阳能晶片缺陷,尤其是晶片的内部缺陷。
本发明的目的可以通过采取如下技术方案达到:
一种基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法,所述的缺陷检测方法包括以下步骤:
S1、目标检测图像的获取:在基于电致发光技术的单晶硅太阳能晶片的图像拍摄系统中获取系统摄像机拍摄的单晶硅太阳能晶片电致发光(EL)图像;
S2、目标检测图像的预处理:使用中值滤波器对步骤S1中获得的单晶硅太阳能晶片EL图像进行预处理,从而在消除单晶硅太阳能晶片EL图像中噪声的同时有效地保护图像中缺陷的边缘信息;
S3、目标检测图像的缺陷粗检测:使用基于光流法的缺陷粗检测算法对步骤S2中获得的预处理之后的单晶硅太阳能晶片EL图像进行缺陷粗检测,提取出目标检测图像中可能的缺陷区域,并将目标检测图像转化为包含可能的缺陷区域的二值图像;
S4、目标检测图像的缺陷精确检测:使用置信度法对步骤S3提取出的目标检测图像中可能的缺陷区域进行进一步的缺陷精确检测,首先根据基于电致发光技术的单晶硅太阳能晶片的图像拍摄系统中用于电致发光的探针的固定位置建立目标检测图像的置信度模板,然后将建立的目标检测图像的置信度模板与步骤S3中得到的包含可能的缺陷区域的二值图像结合起来,从而求得目标检测图像中每一个可能的小缺陷区域的区域置信度,若求得的可能的小缺陷区域的区域置信度大于一个事先设定的阈值,则该可能的小缺陷区域为实际缺陷区域,反之,则该可能的小缺陷区域不是实际缺陷区域。
进一步地,所述的步骤S3目标检测图像的缺陷粗检测的具体过程如下:
S3.1、对步骤S2中获得的中值滤波后的单晶硅太阳能晶片EL图像fm(x,y)进行灰度值闭运算,从而获得灰度值闭运算后的结果图像fc(x,y):
S3.2、使用光流法比较步骤S2中获得的中值滤波后的目标检测图像fm(x,y)和步骤S3.1中得到的图像fm(x,y)经过灰度值闭运算后的结果图像fc(x,y),过程如下:
S3.2.1、令图像fm(x,y)为光流法比较所需要的前一帧图像,即t时刻的图像f(X),令图像fc(x,y)为光流法比较所需要的后一帧图像,即t+1时刻的图像f(X+W);
其中,X=(x,y,t)T表示在t时刻图像中各像素点在二维直角坐标系中的位置,x,y分别表示图像中各像素点在二维直角坐标系中的横纵坐标,t表示时间维度;W=(u(x,y),v(x,y),1)T表示图像中各像素点在t→t+1时刻的位移矢量,u(x,y),v(x,y)分别表示图像中各像素点在x轴和y轴方向的位移分量;
S3.2.2、根据光流法的前提假设I——相邻帧之间图像亮度恒定,可以推得:
f(X+W)=f(X)
根据光流法的前提假设II——相邻帧之间图像中物体运动比较“微小”,可以推得:
S3.2.3、结合上述假设得到的等式,可求得能量函数E(W):
其中,Jρ表示标准差为ρ的高斯滤波器,*表示卷积运算,α为事先设定的正则化系数,图像中各像素点在t→t+1时刻的位移矢量的梯度,分别表示图像中各像素点在x轴和y轴方向的位移分量u(x,y),v(x,y)的梯度;
S3.2.4、通过求能量函数E(W)的最小值来求得图像中各像素点在x轴和y轴方向的位移分量u(x,y),v(x,y);
S3.3、求步骤S3.2中得到的图像中各像素点在x轴和y轴方向的位移分量u(x,y),v(x,y)的幅值m(x,y):
S3.4、根据步骤S3.3中求得图像中各像素点在x轴和y轴方向的位移分量的幅值m(x,y)来计算自适应分割阈值AT,从而提取出目标检测图像中可能的缺陷区域,并将目标检测图像转化为包含可能的缺陷区域的二值图像gpd(x,y):
AT=Hmax+λ·σm
其中,Hmax是幅值m(x,y)的直方图中峰值点对应的纵坐标,λ是事先设定的增益常数,σm为幅值m(x,y)的标准差,RPD表示目标检测图像中可能的缺陷区域,RDF表示目标检测图像中无缺陷区域。
进一步地,所述的步骤S4目标检测图像的缺陷精确检测的具体过程如下:
S4.1、根据基于电致发光技术的单晶硅太阳能晶片的图像拍摄系统中用于电致发光的探针的固定位置建立目标检测图像的置信度模板gct(x,y):
其中,d(x,y)为目标检测图像中像素点距离最近的固定探针区域的直线距离,d(x,y)越小,则该像素点在置信度模板gct(x,y)中对应的置信度越小,各像素点在置信度模板中对应的置信度取值范围为[0,100);
S4.2、将步骤S4.1中建立的目标检测图像的置信度模板gct(x,y)和步骤S3中得到的包含目标检测图像中可能的缺陷区域的二值图像gpd(x,y)结合起来,从而求得目标检测图像中每一个可能的小缺陷区域的区域置信度
其中,(x,y)为目标检测图像中像素点在二维直角坐标系中的坐标,表示步骤S3中提取出的目标检测图像中可能的缺陷区域RPD中第i个小缺陷区域,L为步骤S3中提取出的目标检测图像中可能的缺陷区域RPD中所有小缺陷区域的总数,为目标检测图像中可能的缺陷区域中第i个小缺陷区域中所有像素点的总数;
其中,RD的初始值为φ,CT是事先设定的阈值分割常数。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明提出的基于光流法的缺陷粗检测方法相比于传统的基于模板匹配的缺陷检测方法,不需要在缺陷检测前建立大量的包含各种缺陷的模板图像库用于后续的模板匹配,而是直接利用待检测的目标图像建立唯一相应的模板图像,从而进行缺陷检测,并且本发明提出的基于光流法的缺陷粗检测算法可以克服不均匀光照和复杂纹理对检测效果的影响。
(2)本发明提出的基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法能满足实际单晶硅太阳能晶片工业生产中对晶片缺陷在线实时检测的要求,能以较高的准确率自动在线实时地检测出单晶硅太阳能晶片的内部缺陷和一些对晶片光电转换效率有影响的表面缺陷,相比于一些其他常用的缺陷检测方法如实体稀疏追踪算法(ESP)、局部邻域分析算法(LNA)等,本发明公开的缺陷检测方法的准确率更高,缺陷漏检率和误检率更低,算法所需要的运行时间也相对减少。
附图说明
图1是本发明公开的基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法的整体流程图;
图2是本发明实施例中步骤S1中获得的原始的目标检测图像;
图3是本发明实施例中步骤S2中获得的中值滤波后的目标检测图像;
图4是本发明实施例中步骤S3.1中获得的对中值滤波后目标检测图像进行灰度值闭运算后的结果图像;
图5是本发明实施例中步骤S3.3中获得的目标检测图像各像素点在轴和轴方向的位移分量的幅值的图像;
图6是本发明实施例中步骤S3.4中获得的包含目标检测图像中可能的缺陷区域的二值图像;
图7是本发明实施例中步骤S4中提取出的目标检测图像的实际缺陷区域的二值图像;
图8是本发明实施例中基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法的各步骤实现效果流程图;
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
本实施例公开了一种基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法,该缺陷检测方法的整体流程图如图1所示,主要包括以下步骤:
S1、目标检测图像的获取:在基于电致发光技术的单晶硅太阳能晶片的图像拍摄系统中获取系统摄像机拍摄的单晶硅太阳能晶片电致发光(EL)图像,获取的目标检测图像如图2所示;
S2、目标检测图像的预处理:使用大小为3×3的中值滤波器对步骤S1中获得的单晶硅太阳能晶片EL图像进行预处理,从而在消除单晶硅太阳能晶片EL图像中噪声的同时有效地保护图像中缺陷的边缘信息,中值滤波后的目标检测图像fm(x,y)如图3所示;
S3、目标检测图像的缺陷粗检测:使用基于光流法的缺陷粗检测算法对步骤S2中获得的预处理之后的单晶硅太阳能晶片EL图像fm(x,y)进行缺陷粗检测,提取出目标检测图像中可能的缺陷区域RPD,并将目标检测图像转化为包含可能的缺陷区域的二值图像gpd(x,y);
S4、目标检测图像的缺陷精确检测:使用置信度法对步骤S3提取出的目标检测图像中可能的缺陷区域进行进一步的缺陷精确检测,首先根据基于电致发光技术的单晶硅太阳能晶片的图像拍摄系统中用于电致发光的探针的固定位置建立目标检测图像的置信度模板gct(x,y),然后将建立的目标检测图像的置信度模板gct(x,y)与步骤S3中得到的包含可能的缺陷区域的二值图像gpd(x,y)结合起来,从而求得目标检测图像中每一个可能的小缺陷区域的区域置信度若求得的可能的小缺陷区域的区域置信度大于一个事先设定的阈值,则该可能的小缺陷区域为实际缺陷区域,反之,则该可能的小缺陷区域不是实际缺陷区域。
本实施例中,步骤S3目标检测图像的缺陷粗检测的具体过程如下:
S3.1、对步骤S2中获得的中值滤波后的单晶硅太阳能晶片EL图像fm(x,y)进行灰度值闭运算,从而获得如图4所示的灰度值闭运算后的结果图像fc(x,y):
S3.2、使用光流法比较步骤S2中获得的中值滤波后的目标检测图像fm(x,y)和步骤S3.1中得到的图像fm(x,y)经过灰度值闭运算后的结果图像fc(x,y),过程如下;
首先,令图像fm(x,y)为光流法比较所需要的前一帧图像,即t时刻的图像f(X),令图像fc(x,y)为光流法比较所需要的后一帧图像,即t+1时刻的图像f(X+W);
其中,X=(x,y,t)T表示在t时刻图像中各像素点在二维直角坐标系中的位置,x,y分别表示图像中各像素点在二维直角坐标系中的横纵坐标,t表示时间维度;W=(u(x,y),v(x,y),1)T表示图像中各像素点在t→t+1时刻的位移矢量,u(x,y),v(x,y)分别表示图像中各像素点在x轴和y轴方向的位移分量;
然后根据光流法的前提假设I——相邻帧之间图像亮度恒定,推导得到:
f(X+W)=f(X)
根据光流法的前提假设II——相邻帧之间图像中物体运动比较“微小”,推导得到:
接着,结合上述假设得到的等式,可求得能量函数E(W):
其中,Jρ表示标准差为ρ的高斯滤波器,*表示卷积运算,α为事先设定的正则化系数,图像中各像素点在t→t+1时刻的位移矢量的梯度,分别表示图像中各像素点在x轴和y轴方向的位移分量u(x,y),v(x,y)的梯度,本实施例中α=0.5,;
最后,通过求能量函数E(W)的最小值来求得图像中各像素点在x轴和y轴方向的位移分量u(x,y),v(x,y);
S3.3、求步骤S3.2中得到的图像中各像素点在x轴和y轴方向的位移分量u(x,y),v(x,y)的幅值m(x,y),其效果图如图5所示:
S3.4、根据步骤S3.3中求得图像中各像素点在x轴和y轴方向的位移分量的幅值m(x,y)来计算自适应分割阈值AT,从而提取出目标检测图像中可能的缺陷区域,并将目标检测图像转化为包含可能的缺陷区域的二值图像gpd(x,y):
AT=Hmax+λ·σm
其中,Hmax是幅值m(x,y)的直方图中峰值点对应的纵坐标,λ是事先设定的增益常数,σm为幅值m(x,y)的标准差,RPD表示目标检测图像中可能的缺陷区域,RDF表示目标检测图像中无缺陷区域,本实施例中λ=4.4,目标检测图像(图2)转化为的包含可能的缺陷区域的二值图像如图6所示。
本实施例中,步骤S4目标检测图像的缺陷精确检测的具体过程如下:
S4.1、根据基于电致发光技术的单晶硅太阳能晶片的图像拍摄系统中用于电致发光的探针的固定位置建立目标检测图像的置信度模板gct(x,y):
其中,d(x,y)为目标检测图像中像素点距离最近的固定探针区域的直线距离,d(x,y)越小,则该像素点在置信度模板gct(x,y)中对应的置信度越小,各像素点在置信度模板中对应的置信度取值范围为[0,100);
S4.2、将步骤S4.1中建立的目标检测图像的置信度模板gct(x,y)和步骤S3中得到的包含目标检测图像中可能的缺陷区域的二值图像gpd(x,y)结合起来,从而求得目标检测图像中每一个可能的小缺陷区域的区域置信度
其中,x,y分别表示目标检测图像中像素点在二维直角坐标系中的横、纵坐标,表示步骤S3中提取出的目标检测图像中可能的缺陷区域RPD中第i个小缺陷区域,L为步骤S3中提取出的目标检测图像中可能的缺陷区域RPD中所有小缺陷区域的总数,为目标检测图像中可能的缺陷区域中第i个小缺陷区域中所有像素点的总数;
其中,RD的初始值为φ,CT是事先设定的阈值分割常数,本实施例中CT=55;目标检测图像(图2)中实际缺陷区域RD的二值图像如图7所示,图8是本发明公开的基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法在本实施例中各个步骤的实现效果流程图。
为了验证本发明公开的基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法的缺陷检测效果,本实施例中将本发明公开的缺陷检测方法(OP-C)和其他的机器视觉检测技术领域中常用的缺陷检测算法:实体稀疏追踪算法(ESP)、局部邻域分析算法(LNA)、基于相位谱显著性的检测算法(PSS)在含有100张测试样本图像的测试样本数据集上分别测试了各算法的缺陷检测性能。该测试样本数据集中的100张测试样本图像皆为单晶硅太阳能晶片EL图像,且每张测试样本图像中都包含不止一种类型的缺陷。各缺陷检测算法实现的硬件环境为Intel(R)Core(TM)i7-7700 3.3GHz处理器、8G内存的计算机,各算法的缺陷检测性能的具体测试结果如下表1所示:
表1.算法缺陷检测性能测试结果表
方法 | FPR(%) | FNR(%) | MAE(%) | Time(ms) |
ESP | 0.057 | 11.358 | 0.086 | 942 |
LNA | 0.023 | 16.816 | 0.075 | 583 |
PSS | 0.033 | 23.716 | 0.105 | 543 |
OP-C | 0.042 | 8.557 | 0.068 | 489 |
其中,FPR(假阳性率)、FNR(假阴性率)和MAE(平均绝对误差)为算法缺陷检测性能的评价指标,Time表示算法的运行时间,FPR、FNR和MAE的具体定义如下:
其中,TP表示True Positive真阳性,即表示图像中实际缺陷区域被检测为缺陷区域的情况;TN表示True Negative真阴性,即表示图像中实际背景区域(非缺陷区域)被检测为背景区域的情况;FP表示False Positive假阳性,即表示图像中实际背景区域被误检测为缺陷区域的情况;FN表示False Negative假阴性,即表示图像中实际缺陷区域被误检测为背景区域的情况;
假阳性率FPR用来表示图像中实际背景区域被误检测为缺陷区域的面积比例,假阴性率FNR用来表示图像中实际缺陷区域被误检测为背景区域的面积比例,平均绝对误差MAE用来表示缺陷检测算法误检测的整体面积比例,FPR、FNR和MAE越小,则缺陷检测算法的检测性能越好,即算法检测出的缺陷区域越接近图像中的实际缺陷区域。
由表1可知,本发明公开的基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法所需要的运行时间是本实施例中用以比较的算法中最少的,仅需要489ms,满足实际单晶硅太阳能晶片工业生产中对晶片缺陷在线实时检测的要求。相比于EPS算法,本发明公开的缺陷检测方法的各项缺陷检测性能评价指标FPR、FNR和MAE都优于ESP算法,因此本发明公开的缺陷检测方法的缺陷检测性能要远优于ESP算法。虽然从FPR缺陷检测性能评价指标来看,LNA算法和PSS算法的缺陷检测性能要略微优于本发明公开的缺陷检测方法,但是从FNR和MAE缺陷检测性能评价指标来看,本发明公开的缺陷检测方法的缺陷检测性能要明显优于LNA算法和PSS算法,尤其是从FNR缺陷检测性能评价指标来看,本发明公开的缺陷检测方法要远优于LNA算法和PSS算法,本发明公开的缺陷检测方法的FNR仅仅是LNA算法的50.9%、是PSS算法的36.1%,因此综合考虑,本发明公开的缺陷检测方法的缺陷检测性能要优于LNA算法和PSS算法。
综上所述,无论从算法的运行时间还是从算法的缺陷检测性能的角度考虑,本发明公开的基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法都更适用于实际单晶硅太阳能晶片的实际生产过程,该缺陷检测方法能以更高的准确率在线实时地检测出单晶硅太阳能晶片的内部缺陷和一些对晶片光电转换效率有影响的表面缺陷,从而提高单晶硅太阳能晶片的生产效率。
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)
1.一种基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法,其特征在于,所述的缺陷检测方法包括以下步骤:
S1、通过基于电致发光技术的单晶硅太阳能晶片的图像拍摄系统中的摄像机拍摄得到单晶硅太阳能晶片电致发光图像,其中,单晶硅太阳能晶片电致发光图像又称为单晶硅太阳能晶片EL图像;
S2、使用中值滤波器对步骤S1中获得的单晶硅太阳能晶片EL图像进行预处理;
S3、使用基于光流法的缺陷粗检测算法对步骤S2中获得的预处理之后的单晶硅太阳能晶片EL图像进行缺陷粗检测,提取出目标检测图像中可能的缺陷区域,并将目标检测图像转化为包含可能的缺陷区域的二值图像;
S4、使用置信度法对步骤S3提取出的目标检测图像中可能的缺陷区域进行缺陷精确检测,首先根据基于电致发光技术的单晶硅太阳能晶片的图像拍摄系统中用于电致发光的探针的固定位置建立目标检测图像的置信度模板,然后将建立的目标检测图像的置信度模板与步骤S3中得到的包含可能的缺陷区域的二值图像结合,从而求得目标检测图像中每一个可能的小缺陷区域的区域置信度,若求得的可能的小缺陷区域的区域置信度大于一个事先设定的阈值,则该可能的小缺陷区域为实际缺陷区域,反之,则该可能的小缺陷区域不是实际缺陷区域。
2.根据权利要求1所述的基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法,其特征在于,所述的步骤S3中目标检测图像的缺陷粗检测的过程如下:
S3.1、对步骤S2中获得的中值滤波后的单晶硅太阳能晶片EL图像fm(x,y)进行灰度值闭运算,从而获得灰度值闭运算后的结果图像fc(x,y):
S3.2、使用光流法比较步骤S2中获得的中值滤波后的目标检测图像fm(x,y)和步骤S3.1中得到的图像fm(x,y)经过灰度值闭运算后的结果图像fc(x,y),过程如下:
S3.2.1、令图像fm(x,y)为光流法比较所需要的前一帧图像,即t时刻的图像f(X),令图像fc(x,y)为光流法比较所需要的后一帧图像,即t+1时刻的图像f(X+W);
其中,X=(x,y,t)T表示在t时刻图像中各像素点在二维直角坐标系中的位置,x,y分别表示图像中各像素点在二维直角坐标系中的横、纵坐标,t表示时间维度;W=(u(x,y),v(x,y),1)T表示图像中各像素点在t→t+1时刻的位移矢量,u(x,y),v(x,y)分别表示图像中各像素点在x轴和y轴方向的位移分量;
S3.2.2、根据光流法的前提假设I——相邻帧之间图像亮度恒定,推导得到:
f(X+W)=f(X)
根据光流法的前提假设II——相邻帧之间图像中物体运动比较“微小”,推导得到:
S3.2.3、结合上述假设得到的等式,求得能量函数E(W):
其中,Jρ表示标准差为ρ的高斯滤波器,*表示卷积运算,α为事先设定的正则化系数,图像中各像素点在t→t+1时刻的位移矢量的梯度,分别表示图像中各像素点在x轴和y轴方向的位移分量u(x,y),v(x,y)的梯度;
S3.2.4、通过求能量函数E(W)的最小值来求得图像中各像素点在x轴和y轴方向的位移分量u(x,y),v(x,y);
S3.3、求步骤S3.2中得到的图像中各像素点在x轴和y轴方向的位移分量u(x,y),v(x,y)的幅值m(x,y):
S3.4、根据步骤S3.3中求得图像中各像素点在x轴和y轴方向的位移分量的幅值m(x,y)来计算自适应分割阈值AT,从而提取出目标检测图像中可能的缺陷区域,并将目标检测图像转化为包含可能的缺陷区域的二值图像gpd(x,y):
AT=Hmax+λ·σm
其中,Hmax是幅值m(x,y)的直方图中峰值点对应的纵坐标,λ是事先设定的增益常数,σm为幅值m(x,y)的标准差,RPD表示目标检测图像中可能的缺陷区域,RDF表示目标检测图像中无缺陷区域。
3.根据权利要求1所述的基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法,其特征在于,所述的步骤S4中目标检测图像的缺陷精确检测的过程如下:
S4.1、根据基于电致发光技术的单晶硅太阳能晶片的图像拍摄系统中用于电致发光的探针的固定位置建立目标检测图像的置信度模板gct(x,y):
其中,d(x,y)为目标检测图像中像素点距离最近的固定探针区域的直线距离;
S4.2、将步骤S4.1中建立的目标检测图像的置信度模板gct(x,y)和步骤S3中得到的包含目标检测图像中可能的缺陷区域的二值图像gpd(x,y)结合,从而求得目标检测图像中每一个可能的小缺陷区域的区域置信度
其中,x,y分别表示目标检测图像中像素点在二维直角坐标系中的横、纵坐标,表示步骤S3中提取出的目标检测图像中可能的缺陷区域RPD中第i个小缺陷区域,L为步骤S3中提取出的目标检测图像中可能的缺陷区域RPD中所有小缺陷区域的总数,为目标检测图像中可能的缺陷区域中第i个小缺陷区域中所有像素点的总数;
其中,RD的初始值为φ,CT是事先设定的阈值分割常数。
4.根据权利要求3所述的基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法,其特征在于,目标检测图像中像素点距离最近的固定探针区域的直线距离d(x,y)越小,则该像素点在置信度模板gct(x,y)中对应的置信度越小,各像素点在置信度模板中对应的置信度取值范围为[0,100)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011081248.7A CN112381759B (zh) | 2020-10-10 | 2020-10-10 | 基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011081248.7A CN112381759B (zh) | 2020-10-10 | 2020-10-10 | 基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381759A true CN112381759A (zh) | 2021-02-19 |
CN112381759B CN112381759B (zh) | 2022-10-14 |
Family
ID=74581202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011081248.7A Active CN112381759B (zh) | 2020-10-10 | 2020-10-10 | 基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381759B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114324394A (zh) * | 2021-12-28 | 2022-04-12 | 上海超硅半导体股份有限公司 | 一种单晶硅片无缺陷区深度的测量方法 |
CN114758125A (zh) * | 2022-03-31 | 2022-07-15 | 江苏庆慈机械制造有限公司 | 基于深度学习的齿轮表面缺陷检测方法与系统 |
CN115496755A (zh) * | 2022-11-16 | 2022-12-20 | 南京云创大数据科技股份有限公司 | 基于结构光及梯度分析的类镜面缺陷检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001022937A (ja) * | 1999-07-08 | 2001-01-26 | Mitsubishi Electric Corp | 欠陥検査方法および欠陥検査装置 |
WO2013085385A1 (en) * | 2011-12-09 | 2013-06-13 | Stichting Energieonderzoek Centrum Nederland | Qualification of silicon wafers for photo-voltaic cells by optical imaging |
CN106485696A (zh) * | 2016-09-22 | 2017-03-08 | 电子科技大学 | 一种基于机器视觉的易爆危险品压合缺陷的检测方法 |
CN107808378A (zh) * | 2017-11-20 | 2018-03-16 | 浙江大学 | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 |
CN110610474A (zh) * | 2019-07-04 | 2019-12-24 | 上海大学 | 一种基于红外图像的太阳能板缺陷实时检测方法 |
-
2020
- 2020-10-10 CN CN202011081248.7A patent/CN112381759B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001022937A (ja) * | 1999-07-08 | 2001-01-26 | Mitsubishi Electric Corp | 欠陥検査方法および欠陥検査装置 |
WO2013085385A1 (en) * | 2011-12-09 | 2013-06-13 | Stichting Energieonderzoek Centrum Nederland | Qualification of silicon wafers for photo-voltaic cells by optical imaging |
CN106485696A (zh) * | 2016-09-22 | 2017-03-08 | 电子科技大学 | 一种基于机器视觉的易爆危险品压合缺陷的检测方法 |
CN107808378A (zh) * | 2017-11-20 | 2018-03-16 | 浙江大学 | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 |
CN110610474A (zh) * | 2019-07-04 | 2019-12-24 | 上海大学 | 一种基于红外图像的太阳能板缺陷实时检测方法 |
Non-Patent Citations (3)
Title |
---|
PETER LIN ETC.: "E-beam Mechanics and Net Connectivity for Interlay Short Detection", 《2017 28TH ANNUAL SEMI ADVANCED SEMICONDUCTOR MANUFACTURING CONFERENCE (ASMC)》 * |
段志达等: "基于Hough变换圆检测和边缘模板匹配的轴承缺陷检测与定位", 《安徽工程大学学报》 * |
陆帆等: "PET瓶封装质量视觉检测系统的设计", 《仪表技术与传感器》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114324394A (zh) * | 2021-12-28 | 2022-04-12 | 上海超硅半导体股份有限公司 | 一种单晶硅片无缺陷区深度的测量方法 |
CN114324394B (zh) * | 2021-12-28 | 2024-06-04 | 上海超硅半导体股份有限公司 | 一种单晶硅片无缺陷区深度的测量方法 |
CN114758125A (zh) * | 2022-03-31 | 2022-07-15 | 江苏庆慈机械制造有限公司 | 基于深度学习的齿轮表面缺陷检测方法与系统 |
CN115496755A (zh) * | 2022-11-16 | 2022-12-20 | 南京云创大数据科技股份有限公司 | 基于结构光及梯度分析的类镜面缺陷检测方法及装置 |
CN115496755B (zh) * | 2022-11-16 | 2023-02-14 | 南京云创大数据科技股份有限公司 | 基于结构光及梯度分析的类镜面缺陷检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112381759B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381759B (zh) | 基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法 | |
Tsai et al. | Defect detection in solar modules using ICA basis images | |
CN111325721A (zh) | 一种基于红外热成像的气体泄漏检测方法及系统 | |
Li et al. | Automatic saw-mark detection in multicrystalline solar wafer images | |
Stromer et al. | Enhanced crack segmentation (eCS): a reference algorithm for segmenting cracks in multicrystalline silicon solar cells | |
CN109632808B (zh) | 棱边缺陷检测方法、装置、电子设备及存储介质 | |
CN110544231B (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
CN116740073B (zh) | 基于石墨舟视觉图像的太阳能电池片缺陷检测方法及系统 | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN112014407A (zh) | 一种集成电路晶圆表面缺陷检测的方法 | |
CN113834816A (zh) | 基于机器视觉的光伏电池缺陷在线检测方法及系统 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN110345918A (zh) | 基于恒星检索的空间碎片检测方法和系统 | |
Liu et al. | A CISG method for internal defect detection of solar cells in different production processes | |
CN112991264A (zh) | 一种单晶硅光伏电池裂纹缺陷的检测方法 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
Monicka et al. | Detection of microcracks in silicon solar cells using Otsu-Canny edge detection algorithm | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
Fu et al. | Automatic detection of multi-crossing crack defects in multi-crystalline solar cells based on machine vision | |
Wang et al. | Effective segmentation approach for solar photovoltaic panels in uneven illuminated color infrared images | |
CN110766675B (zh) | 太阳能电池板缺陷检测方法 | |
CN112381794A (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
Rodriguez et al. | Segmentation and error detection of PV modules | |
CN113592953B (zh) | 一种基于特征点集的双目非合作目标位姿测量方法 | |
CN110345919A (zh) | 基于三维空间向量与二维平面坐标的空间碎片检测方法 |
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 |