CN112991264A - 一种单晶硅光伏电池裂纹缺陷的检测方法 - Google Patents
一种单晶硅光伏电池裂纹缺陷的检测方法 Download PDFInfo
- Publication number
- CN112991264A CN112991264A CN202110165990.4A CN202110165990A CN112991264A CN 112991264 A CN112991264 A CN 112991264A CN 202110165990 A CN202110165990 A CN 202110165990A CN 112991264 A CN112991264 A CN 112991264A
- Authority
- CN
- China
- Prior art keywords
- image
- edge point
- monocrystalline silicon
- photovoltaic cell
- detected
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明提供的一种单晶硅光伏电池裂纹缺陷的检测方法,将无缺陷单晶硅光伏电池图像的边缘点特征进行聚类分析,通过判断待检图像的边缘点是否处于所有类簇之中,从而找到缺陷点所在,实现了单晶硅光伏电池图像裂纹缺陷的检测;具体地,是利用改进的Haar‑l ike提取边缘点的特征,利用极值聚类对特征向量进行聚类,形成类簇,接着改变极值聚类的聚类中心,能显著地提高单晶硅光伏电池裂纹缺陷检测的准确率;同时在聚类过程中只使用采集到的无缺陷图像,省略了收集缺陷图像的过程;该检测方法不依赖于人为检测经验,检测准确率高,降低了检测成本。
Description
技术领域
本发明属于太阳能光伏电池表面缺陷检测技术领域,具体涉及一种单晶硅光伏电池裂纹缺陷的检测方法。
背景技术
能源对人类的发展和生存尤为重要,随着全球经济快速增长,煤炭和石油等传统能源对环境的严重污染以及资源的枯竭迫使人类急切寻找绿色可再生能源,其中太阳能就是新能源的典型代表。太阳能技术是一种将阳光照射硅材料以产生电能的技术,将太阳能转换成电能的半导体器件称为光伏电池。目前市场上常见的有单晶硅光伏电池、多晶硅光伏电池和非晶硅光伏电池这三种光伏电池,其中单晶硅光伏电池由于具有一致的晶格取向和高质量的光电转换效率而备受关注,并成为太阳能电池发展的主流。然而,在制造光伏电池的过程中,经常会引起诸如光伏芯片表面上的划痕、污点和裂纹等缺陷,这些缺陷会降低光伏电池的工作效率,严重时会失去蓄电功能。
对于光伏电池中产生的缺陷,目前工业上大部分检测方法是利用特殊的近红外CCD(Charge Coupled Device)相机拍取电池电致发光图像,投影在显示屏幕上,由专业技术人员观察图像,判别出光伏电池中的缺陷。在光伏电池生产过程中,裂纹缺陷较其它缺陷更容易产生,裂纹缺陷通常细长且颜色浅,在光伏电池片表面栅线的干扰下,人眼检测必须细致观察,这很考验工作人员的视力和主观意识。因此在未来一段时间内,研究单晶硅光伏电池裂纹缺陷的检测方法是至关重要的。
发明内容
本发明的目的在于提供一种单晶硅光伏电池裂纹缺陷的检测方法,解决了现有的单晶硅光伏电池裂纹缺陷检测存在的效率低、准确率低的缺陷。
为了达到上述目的,本发明采用的技术方案是:
本发明提供的一种单晶硅光伏电池裂纹缺陷的检测方法,包括以下步骤:
步骤1,对获取的无缺陷单晶硅光伏电池图像依次进行形态学开操作和同态滤波处理,得到样本图像;
步骤2,对步骤1中得到的样本图像进行边缘点的提取,得到多个边缘点;
步骤3,对步骤2中得到的每个边缘点进行特征提取,得到每个边缘点对应的一组特征向量;
步骤4,对步骤3中得到的多组特征向量进行极值聚类,得到聚类结果,聚类的类数可以根据选取的参数计算得到;
将聚类结果中每类包含的所有特征向量的平均值作为该类的聚类中心;
步骤5,计算步骤4中得到的每类中的每个边缘点到该聚类中心的欧氏距离,根据该欧氏距离计算该类对应的距离阈值;
步骤6,对获取的待检测图像执行步骤1至步骤3,得到待检测图像对应的多组特征向量;
步骤7,计算步骤6中得到的每组特征向量分别与步骤4中样本图像对应的所有聚类中心之间的欧氏距离,得到多个欧氏距离值;
将得到的每个欧氏距离值分别与步骤5中得到的所有距离阈值Tc进行比对,根据比对结果判定每组特征向量对应的边缘点的类型;
步骤8,根据步骤7中得到的每个边缘点的类型,标注得到待检测图像的缺陷部分。
优选地,步骤2中,对步骤1中得到的样本图像进行边缘点的提取,具体方法是:
利用Canny边缘检测算子对步骤1中得到的样本图像进行边缘点的提取,得到多个边缘点。
优选地,步骤3,对步骤2中得到的每个边缘点进行特征提取,具体方法是:
利用改进的Haar-like对步骤3中提取到的每个边缘点进行特征提取,得到每个边缘点对应的一组特征向量;
所述改进的Haar-like的表达式为:
其中,E(x,y)是边缘点(x,y)处的梯度幅值;F(x,y)是边缘点(x,y)处改进的Haar-like特征值;WWhite和Wblack均为权值。
优选地,步骤5中,根据该欧氏距离计算该类对应的距离阈值,具体方法是:
根据每类中的每个边缘点到该聚类中心的欧氏距离,计算该类所有欧氏距离的平均值和标准差;
根据得到的平均值和标准差结合下式计算每类对应的距离阈值:
Tc=μc+t·σc,t>0,c=1,2,...,C
其中,Tc为第c类的距离阈值;μc为第c类距离的平均值;σc为第c类距离的标准差;t为阈值参数。
优选地,步骤7中,根据比对结果判定每组特征向量对应的边缘点的类型,具体方法是:
若该欧氏距离值大于每个距离阈值,则记该组特征向量对应的边缘点为缺陷点,反之为非缺陷点。
优选地,步骤8中,根据步骤7中得到的每个边缘点的类型,标注得到待检测图像的缺陷部分,具体方法是:
采用形态学闭操作将所有标记的缺陷点进行连接,最终得到该待检测图像中的缺陷部分。
一种单晶硅光伏电池裂纹缺陷的检测系统,该系统能够执行所述的一种单晶硅光伏电池裂纹缺陷的检测方法,包括数据采集模块、特征提取模块、数据处理模块、数据分析模块、数据判断模块和数据输出模块,其中:
数据采集模块用于对获取的无缺陷单晶硅光伏电池图像和待检测图像分别依次进行形态学开操作和同态滤波处理,分别得到样本图像和处理后的待检测图像;
特征提取模块用于分别对得到的样本图像和处理后的待检测图像进行边缘点的提取,分别得到样本图像对应的多个边缘点和处理后的待检测图像对应的多个边缘点;并对每个边缘点进行特征提取,得到每个边缘点对应的一组特征向量;
数据处理模块用于对得到的多组特征向量进行极值聚类,得到聚类结果,聚类的类数可以根据选取的参数计算得到;
将聚类结果中每类包含的所有特征向量的平均值作为该类的聚类中心;
数据分析模块用于计算得到的每类中的每个边缘点到该聚类中心的欧氏距离,根据该欧氏距离计算该类对应的距离阈值;
同时,用于计算待检测图像对应的每组特征向量分别与样本图像对应的所有聚类中心之间的欧氏距离,得到多个欧氏距离值;
数据判断模块用于将待检测图像对应的每个欧氏距离值分别与样本图像对应的所有距离阈值进行比对,根据比对结果判定每组特征向量对应的边缘点的类型;
数据输出模块用于根据得到的每个边缘点的类型,标注得到待检测图像的缺陷部分。
与现有技术相比,本发明的有益效果是:
本发明提供的一种单晶硅光伏电池裂纹缺陷的检测方法,将无缺陷单晶硅光伏电池图像的边缘点特征进行聚类分析,通过判断待检图像的边缘点是否处于所有类簇之中,从而找到缺陷点所在,实现了单晶硅光伏电池图像裂纹缺陷的检测;具体地,是利用改进的Haar-like提取边缘点的特征,利用极值聚类对特征向量进行聚类,形成类簇,接着改变极值聚类的聚类中心,能显著地提高单晶硅光伏电池裂纹缺陷检测的准确率;同时,在聚类过程中只使用采集到的无缺陷图像,省略了收集缺陷图像的过程;该检测方法不依赖于人为检测经验,检测准确率高,降低了检测成本。
附图说明
图1示出本发明的单晶硅光伏电池图像裂纹缺陷检测框图;
图2示出本发明的单晶硅光伏电池图像开操作和同态滤波处理后的图像;
图3示出本发明的12种Haar-like矩形特征模板;
图4示出本发明的单晶硅光伏电池图像裂纹缺陷检测方法关于阈值参数t取不同值的检测结果。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明针对单晶硅光伏电池生产制造过程中出现的裂纹缺陷问题,提出了一种单晶硅光伏电池裂纹缺陷的检测方法。不同于传统的图像处理方法检测缺陷,该方法将无缺陷单晶硅光伏电池图像的边缘点特征进行聚类分析,通过判断待检图像的边缘点是否处于所有类簇之中,从而找到缺陷点所在,实现了单晶硅光伏电池图像裂纹缺陷的检测。
具体地,如图1所示,本发明提供的一种单晶硅光伏电池裂纹缺陷的检测方法,包括以下步骤:
步骤1,获取大小均为M×N的无缺陷单晶硅光伏电池图像和待检测图像,其中,M和N分别为图像的总行数和总列数;
步骤2,采用形态学开操作对步骤1中得到的无缺陷单晶硅光伏电池图像进行处理,用以消除光伏电池图像中的电极线;之后利用同态滤波对图像进行处理,用以消除图像中的光照不均匀性,得到样本图像;其中,形态学开操作的结构元素为圆形,大小为5×5;同态滤波中的高频增益γH=4.7,低频增益γL=0.5,截止频率D0=10,锐化系数为c=2;
步骤3,利用Canny边缘检测算子对步骤2中得到的样本图像进行边缘点提取,得到多个边缘点;其中,Canny边缘检测算子的阈值上界为0.2,阈值下界为阈值上界的0.4倍,高斯滤波的标准差为默认值1;
步骤4,利用改进的Haar-like对步骤3中提取到的每个边缘点进行特征提取,每一个边缘点能够得到一组特征向量xm,m为维数;将得到的多组特征向量记为X={xi m,i=1,2,...,L},L为边缘点的个数;
步骤5,对步骤4得到的多组特征向量进行极值聚类,得到聚类结果,聚类的类数C可以根据选取的参数k计算得到;
将聚类结果中每类包含的特征向量的平均值作为该类的聚类中心Bc;进而得到聚类中心集B={Bc,c=1,2,...,C},C为聚类的类数;
其中,极值聚类算法计算聚类类数时需要设定参数k来控制聚类的多少,一般情况下,k∈[1,5],为达到最好的检测结果,本发明选取k=1.5。
步骤6,计算步骤5中得到的每类中每个边缘点到该聚类中心的欧氏距离,之后计算该聚类所有欧氏距离的平均值μ={μc,c=1,2,...,C}和标准差σ={σc,c=1,2,...,C},C为聚类的类数,依据每一个平均值μc和标准差σc设定距离阈值Tc;
步骤7,对待检图像实施步骤2至步骤4,得到待检测图像对应的多组特征向量,计算每组特征向量与步骤5中得到的每类聚类中心之间的欧氏距离,得到多个欧氏距离值;
将得到的每个欧氏距离值分别与步骤6中得到的所有距离阈值Tc进行比对,若该欧氏距离值大于每个距离阈值Tc,则记该组特征向量对应的边缘点为缺陷点,反之为非缺陷点;
步骤8,若该待检测图像中无缺陷点,则记该待检测图像为正常图像;若含有至少一个缺陷点,则记该待检测图像为缺陷图像,并标注出该缺陷图像中的缺陷部分。
其中,标注出该缺陷图像中的缺陷部分,具体方法是:
将每个缺陷点进行标记;
采用结构元素为圆形,大小为3×3的形态学闭操作将所有标记的缺陷点进行连接,最终得到该缺陷图像中的缺陷部分、以及该缺陷部分的位置信息。
图2示出了单晶硅光伏电池图像形态学开操作和同态滤波处理后的图像,经过形态学开操作处理后,原图像中的电极线消失,缺陷部分仍保持原状,再经过同态滤波的处理后,原图像中一些显著的光亮部分得到了抑制,黯淡的背景图像变明亮了许多,这样背景部分和前景部分的灰度值差别更加显著,可以更好地突出缺陷位置,便于后续的进一步检测。
图3示出了12种Haar-like特征的矩形模板图,前两行的矩形模板用于提取线边缘特征;第三行矩形模板用于提取细线特征,这12个模板能很好地捕捉到裂纹缺陷的特征;其中,改进的Haar-like的表达式如式(1)所示:
其中,E(x,y)是边缘点(x,y)处的梯度幅值;F(x,y)是边缘点(x,y)处改进的Haar-like特征值;WWhite和Wblack均为权值,WWhite和Wblack的取值根据Haar-like矩形特征模板中白色矩形white和黑色矩形black所占全部矩形的比例而定,实施例给出了两种取值方法,具体地:
第一种,若白色矩形white和黑色矩形black将Haar-like矩形特征模板分成相同的两部分,则WWhite=1,Wblack=-2;
第二种,若白色矩形white和黑色矩形black将Haar-like矩形特征模板分成相同的三部分,则WWhite=1,Wblack=-3。
本实施例中选用了12种矩形模板,每个模板中h=18,w=6,12,18,24,30,36,42,h为Haar-like矩形块的长,w为宽,这样对于每一个边缘点可以得到84维的特征向量。
图4示出本发明的单晶硅光伏电池图像裂纹缺陷检测方法关于阈值参数t取不同值的检测结果。用极值聚类将样本图像的边缘点特征分成C类,将每一个类中所有边缘点的特征向量的平均值作为聚类中心,计算聚类结果中每一类所包含的边缘点到该类的聚类中心的欧氏距离的平均值μ={μc,c=1,2,...,C}和标准差σ={σc,c=1,2,...,C},依据每一个平均值μc和标准差σc设定距离阈值Tc,如式(2)所示:
Tc=μc+t·σc,t>0,c=1,2,...,C (2)
其中,t为阈值参数,依据经验取值。
求待检图像的边缘点特征到每类中心的欧氏距离,如果这个距离比所有的距离阈值Tc,c=1,2,...,C都要大,那么该边缘点为缺陷点,反之则为正常点,找到待检图像的所有缺陷点即可确定该图像的缺陷位置所在。
图4中,从左到右,第一列为原图像、第二列为阈值参数t=6的检测结果、第三列为阈值参数t=8的检测结果,第四列为阈值参数t=10的检测结果,通过与原图像比较发现,当阈值参数t取8时检测结果最接近实际结果。
采用本发明一种单晶硅光伏电池裂纹缺陷的检测方法对50幅图像进行检测,可获得96%的检测准确率,其中,缺陷检测准确率定义为判断正确的单晶硅光伏电池图像的数量与参与检测的单晶硅光伏电池图像的总数之比。表1所示为50幅待检图像的检测结果统计,其中47幅有裂纹缺陷图像中有45幅检测正确,2幅未被检出,3幅无缺陷图像全部检测正确。漏检的原因是该类缺陷电池图像带有一些污渍,因带有污渍的缺陷部分像素值是渐变的,在边缘检测中不能很好地识别出缺陷轮廓,从而导致检测失败。
表1对50幅图像的检测结果统计
本发明还提供一种单晶硅光伏电池裂纹缺陷的检测系统,该系统能够执行所述的一种单晶硅光伏电池裂纹缺陷的检测方法,包括数据采集模块、特征提取模块、数据处理模块、数据分析模块、数据判断模块和数据输出模块,其中:
数据采集模块用于对获取的无缺陷单晶硅光伏电池图像和待检测图像分别依次进行形态学开操作和同态滤波处理,分别得到样本图像和处理后的待检测图像;
特征提取模块用于分别对得到的样本图像和处理后的待检测图像进行边缘点的提取处理,分别得到样本图像对应的多个边缘点和处理后的待检测图像对应的多个边缘点;并对每个边缘点进行特征提取,得到每个边缘点对应的一组特征向量;
数据处理模块用于对得到的多组特征向量进行极值聚类,得到聚类结果,聚类的类数可以根据选取的参数计算得到;
将聚类结果中每类包含的所有特征向量的平均值作为该类的聚类中心;
数据分析模块用于计算得到的每类中的每个边缘点到该聚类中心的欧氏距离,根据该欧氏距离计算该类对应的距离阈值;
同时,用于计算待检测图像对应的每组特征向量分别与样本图像对应的所有聚类中心之间的欧氏距离,得到多个欧氏距离值;
数据判断模块用于将待检测图像对应的每个欧氏距离值分别与样本图像对应的所有距离阈值进行比对,根据比对结果判定每组特征向量对应的边缘点的类型;
数据输出模块用于根据得到的每个边缘点的类型,标注得到待检测图像的缺陷部分。
Claims (7)
1.一种单晶硅光伏电池裂纹缺陷的检测方法,其特征在于,包括以下步骤:
步骤1,对获取的无缺陷单晶硅光伏电池图像依次进行形态学开操作和同态滤波处理,得到样本图像;
步骤2,对步骤1中得到的样本图像进行边缘点提取,得到多个边缘点;
步骤3,对步骤2中得到的每个边缘点进行特征提取,得到每个边缘点对应的一组特征向量;
步骤4,对步骤3中得到的多组特征向量进行极值聚类,得到聚类结果;
将聚类结果中每类包含的所有特征向量的平均值作为该类的聚类中心;
步骤5,计算步骤4中得到的每类中的每个边缘点到该聚类中心的欧氏距离,根据该欧氏距离计算该聚类对应的距离阈值;
步骤6,对获取的待检测图像执行步骤1至步骤3,得到待检测图像对应的多组特征向量;
步骤7,计算步骤6中得到的每组特征向量分别与步骤4中样本图像对应的所有聚类中心之间的欧氏距离,得到多个欧氏距离值;
将得到的每个欧氏距离值分别与步骤5中得到的所有距离阈值进行比对,根据比对结果判定每组特征向量对应的边缘点的类型;
步骤8,根据步骤7中得到的每个边缘点的类型,标注得到待检测图像的缺陷部分。
2.根据权利要求1所述的一种单晶硅光伏电池裂纹缺陷的检测方法,其特征在于,步骤2中,对步骤1中得到的样本图像进行边缘点提取,具体方法是:
利用Canny边缘检测算子对步骤1中得到的样本图像进行边缘点的提取,得到多个边缘点。
4.根据权利要求1所述的一种单晶硅光伏电池裂纹缺陷的检测方法,其特征在于,步骤5中,根据该欧氏距离计算该聚类对应的距离阈值,具体方法是:
根据每类中的每个边缘点到该聚类中心的欧氏距离,计算该类所有欧氏距离的平均值和标准差;
根据得到的平均值和标准差结合下式计算每类对应的距离阈值:
Tc=μc+t·σc,t>0,c=1,2,...,C
其中,Tc为第c类的距离阈值;μc为第c类距离的平均值;σc为第c类距离的标准差;t为阈值参数。
5.根据权利要求1所述的一种单晶硅光伏电池裂纹缺陷的检测方法,其特征在于,步骤7中,根据比对结果判定每组特征向量对应的边缘点的类型,具体方法是:
若该欧氏距离值大于每个距离阈值,则记该组特征向量对应的边缘点为缺陷点,反之为非缺陷点。
6.根据权利要求5所述的一种单晶硅光伏电池裂纹缺陷的检测方法,其特征在于,步骤8中,根据步骤7中得到的每个边缘点的类型,标注得到待检测图像的缺陷部分,具体方法是:
采用形态学闭操作将所有标记的缺陷点进行连接,最终得到该待检测图像中的缺陷部分。
7.一种单晶硅光伏电池裂纹缺陷的检测系统,其特征在于,该系统能够执行权利要求1至权利要求6中任一项所述的一种单晶硅光伏电池裂纹缺陷的检测方法,包括数据采集模块、特征提取模块、数据处理模块、数据分析模块、数据判断模块和数据输出模块,其中:
数据采集模块用于对获取的无缺陷单晶硅光伏电池图像和待检测图像分别依次进行形态学开操作和同态滤波处理,分别得到样本图像和处理后的待检测图像;
特征提取模块用于分别对得到的样本图像和处理后的待检测图像进行边缘点的提取处理,分别得到样本图像对应的多个边缘点和处理后的待检测图像对应的多个边缘点;并对每个边缘点进行特征提取,得到每个边缘点对应的一组特征向量;
数据处理模块用于对得到的多组特征向量进行极值聚类处理,得到聚类结果,聚类的类数可以根据选取的参数计算得到;
将聚类结果中每类包含的所有特征向量的平均值作为该类的聚类中心;
数据分析模块用于计算得到的每类中的每个边缘点到该聚类中心的欧氏距离,根据该欧氏距离计算该类对应的距离阈值;
同时,用于计算待检测图像对应的每组特征向量分别与样本图像对应的所有聚类中心之间的欧氏距离,得到多个欧氏距离值;
数据判断模块用于将待检测图像对应的每个欧氏距离值分别与样本图像对应的所有距离阈值进行比对,根据比对结果判定每组特征向量对应的边缘点的类型;
数据输出模块用于根据得到的每个边缘点的类型,标注得到待检测图像的缺陷部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110165990.4A CN112991264B (zh) | 2021-02-05 | 2021-02-05 | 一种单晶硅光伏电池裂纹缺陷的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110165990.4A CN112991264B (zh) | 2021-02-05 | 2021-02-05 | 一种单晶硅光伏电池裂纹缺陷的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112991264A true CN112991264A (zh) | 2021-06-18 |
CN112991264B CN112991264B (zh) | 2023-08-11 |
Family
ID=76348659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110165990.4A Active CN112991264B (zh) | 2021-02-05 | 2021-02-05 | 一种单晶硅光伏电池裂纹缺陷的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991264B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781483A (zh) * | 2021-11-12 | 2021-12-10 | 常州微亿智造科技有限公司 | 工业产品外观缺陷检测方法和装置 |
CN113820333A (zh) * | 2021-09-16 | 2021-12-21 | 无锡先导智能装备股份有限公司 | 电池极片异常检测方法、装置、上位机及检测系统 |
CN116030021A (zh) * | 2023-02-01 | 2023-04-28 | 苏州德机自动化科技有限公司 | 一种光伏组件隐裂特性的自动化检测系统 |
CN116109604A (zh) * | 2023-02-21 | 2023-05-12 | 天合光能(宿迁)光电有限公司 | 用于TOPCon结构太阳能电池板的栅线检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130236086A1 (en) * | 2012-03-09 | 2013-09-12 | National Applied Research Laboratories | Method of Inspecting Chip Defects |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN108198175A (zh) * | 2017-12-28 | 2018-06-22 | 广东欧珀移动通信有限公司 | 检测方法、检测装置、计算机设备和计算机可读存储介质 |
-
2021
- 2021-02-05 CN CN202110165990.4A patent/CN112991264B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130236086A1 (en) * | 2012-03-09 | 2013-09-12 | National Applied Research Laboratories | Method of Inspecting Chip Defects |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN108198175A (zh) * | 2017-12-28 | 2018-06-22 | 广东欧珀移动通信有限公司 | 检测方法、检测装置、计算机设备和计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
伍李春;刘明周;蒋倩男;葛茂根;凌琳;: "基于人工神经网络的太阳能电池片表面质量检测系统", 合肥工业大学学报(自然科学版), no. 09 * |
时亚涛;戴芳;杨畅民;: "太阳能光伏电池缺陷检测", 电子测量与仪器学报, no. 04 * |
阮成雄;阮秋琦;: "基于LoG梯度加权Haar-like特征的车轮裂纹检测", 铁道学报, no. 05 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113820333A (zh) * | 2021-09-16 | 2021-12-21 | 无锡先导智能装备股份有限公司 | 电池极片异常检测方法、装置、上位机及检测系统 |
CN113820333B (zh) * | 2021-09-16 | 2024-06-07 | 无锡先导智能装备股份有限公司 | 电池极片异常检测方法、装置、上位机及检测系统 |
CN113781483A (zh) * | 2021-11-12 | 2021-12-10 | 常州微亿智造科技有限公司 | 工业产品外观缺陷检测方法和装置 |
CN116030021A (zh) * | 2023-02-01 | 2023-04-28 | 苏州德机自动化科技有限公司 | 一种光伏组件隐裂特性的自动化检测系统 |
CN116109604A (zh) * | 2023-02-21 | 2023-05-12 | 天合光能(宿迁)光电有限公司 | 用于TOPCon结构太阳能电池板的栅线检测方法 |
CN116109604B (zh) * | 2023-02-21 | 2023-11-07 | 天合光能(宿迁)光电有限公司 | 用于TOPCon结构太阳能电池板的栅线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112991264B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112991264B (zh) | 一种单晶硅光伏电池裂纹缺陷的检测方法 | |
CN107727662B (zh) | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 | |
Aghaei et al. | Innovative automated control system for PV fields inspection and remote control | |
Tsai et al. | Defect detection in solar modules using ICA basis images | |
CN107578409A (zh) | 一种太阳能电池片外观断栅缺陷检测的方法 | |
CN107274393A (zh) | 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法 | |
CN109540900B (zh) | 一种光伏组件隐裂判定方法 | |
CN108961154B (zh) | 基于改进非下采样轮廓波变换的太阳电池热斑检测方法 | |
CN111260617A (zh) | 一种基于深度学习的太阳能电池板缺陷检测方法 | |
CN111047564A (zh) | 一种应用于光伏电站现场的el缺陷检测方法 | |
CN103302039B (zh) | 太阳能电池晶片分色的方法 | |
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 | |
CN113989241A (zh) | 一种基于图像处理与深度学习融合的光伏组件el缺陷检测方法 | |
Liu et al. | A CISG method for internal defect detection of solar cells in different production processes | |
CN112381794B (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN107563990B (zh) | 一种光伏电池片崩边及钝型和v型缺口的检测方法 | |
Wang et al. | Effective segmentation approach for solar photovoltaic panels in uneven illuminated color infrared images | |
Rodriguez et al. | Segmentation and error detection of PV modules | |
Pathak et al. | Evaluation of effect of pre-processing techniques in solar panel fault detection | |
Abdullah-Vetter et al. | Localization of defects in solar cells using luminescence images and deep learning | |
CN115330768B (zh) | 一种太阳能电池板质量分级方法 | |
CN113221668B (zh) | 一种风力发电机组叶片视频监测中的抽帧方法 | |
Xu et al. | A Segmentation Method for PV Modules in Infrared Thermography Images | |
TWI777307B (zh) | 在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法、電腦程式及電腦可讀取媒體 | |
CN112258463A (zh) | 基于相机参数调节的光伏缺陷特征采集方法与系统 |
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 |