CN113487563A - 一种基于el图像的光伏组件隐裂自适应检测方法 - Google Patents

一种基于el图像的光伏组件隐裂自适应检测方法 Download PDF

Info

Publication number
CN113487563A
CN113487563A CN202110752828.2A CN202110752828A CN113487563A CN 113487563 A CN113487563 A CN 113487563A CN 202110752828 A CN202110752828 A CN 202110752828A CN 113487563 A CN113487563 A CN 113487563A
Authority
CN
China
Prior art keywords
image
photovoltaic module
contour
self
subfissure
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
Application number
CN202110752828.2A
Other languages
English (en)
Other versions
CN113487563B (zh
Inventor
丁坤
黎彰
张经炜
李辰阳
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.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
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 Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN202110752828.2A priority Critical patent/CN113487563B/zh
Publication of CN113487563A publication Critical patent/CN113487563A/zh
Application granted granted Critical
Publication of CN113487563B publication Critical patent/CN113487563B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于EL图像的光伏组件隐裂自适应检测方法，所述方法包括下列步骤：读取光伏组件EL图像，进行全局阈值分割；提取图像轮廓特征，通过特征参数进行轮廓选定；通过投影变换校正组件图像并分割单块电池片的EL图像；根据电池片图像的灰度直方图，去除自带的灰度干扰；对图像进行双边滤波，根据纵向投影图去除主栅线干扰；对图像霍夫直线检测，获取隐裂图像。本发明一种基于EL图像的光伏组件隐裂自适应检测方法，能够自适应地消除组件EL图像的灰度干扰以及主栅线干扰，获取光伏组件隐裂信息，并且能精确定位存在隐裂故障的电池片位置，能有效提高了光伏组件的隐裂故障的检测效率，避免了人眼观察而发生误判、漏判等状况。

Description

一种基于EL图像的光伏组件隐裂自适应检测方法
技术领域
本发明涉及光伏发电技术领域，尤其涉及一种基于EL图像的光伏组件隐裂自适应检测方法。
背景技术
目前，光伏行业发展迅速，由于光伏发电具有充分的清洁性、绝对的安全性、相对的广泛性、长寿命、免维护性、资源的充足性及潜在的经济性等优点,在长期的能源战略中具有重要地位。光伏阵列由光伏组件构成，在组件运输和安装时可能遭受机械损伤，在层叠、层压、装框、清洗等生产过程中，可能出现电池片断栅、隐裂、黑片等不同类型的缺陷。因此，通过光伏组件电致发光(EL)图像进行缺陷检测成为生产过程和维护过程中极其重要的环节。
由于组件的材料、接入电流、拍摄设备性能差异，光伏组件的EL图片的亮暗程度区别较大，传统的人工EL图像检测效率较低、对检测人员的专业性要求高，亦可能存在误判、漏判等情况。
经检索发现，公开号为CN107831173A的中国专利于2018年3月23日公开了一种光伏组件缺陷检测方法及系统，用于获取待检测的第一光伏电池单元的第一EL图像；将第一EL图像输入到光伏组件缺陷检测模型中，得到第一光伏电池单元的第一缺陷类别，光伏组件缺陷检测方法实现了光伏电池单元缺陷的自动识别与分类，然而，该方法没有考虑到消除组件EL图像的灰度干扰以及主栅线干扰，获取光伏组件隐裂信息，并且精准确定位存在隐裂故障的电池片位置的技术问题。
经检索发现，公开号为CN111047564A的中国专利于2021年4月21日公开了一种应用于光伏电站现场的EL缺陷检测方法，对获取的原始光伏组件的EL图像进行预处理，得到矫正后的EL图像；对矫正后的EL图像进行裁切，形成m×n的电池片；对得到的电池片进行灰度化、腐蚀、膨胀、二值化、像素运算的方式处理，根据像素投影找到可能出现的EL缺陷，进行缺陷分析。该方法有效协助测试人员对现场EL图像的判定，除了用于在实验室EL测试，还可处理分析光伏电站“现场”拍摄到的EL图片，提高工作效率，然而，该方法没有考虑到将读取到的EL图像进行全局阈值分割，也没有考虑到提取图像轮廓特征，通过特征参数进行轮廓选定，而是对获取的原始光伏组件的EL图像直接进行预处理，降低了通过光伏组件的EL图像进行缺陷检测的准确性。
发明内容
为克服上述现有技术的不足，本发明提供一种基于EL图像的光伏组件隐裂自适应检测方法，解决了现有技术中通过人眼观察EL图像时，受到图像灰度以及主栅线的干扰而发生误判、漏判等状况的问题，有效提高了光伏组件的隐裂故障的检测效率。
本发明是通过以下技术方案予以实现的：
一种基于EL图像的光伏组件隐裂自适应检测方法，所述方法包括下列步骤：
读取光伏组件EL图像，对光伏组件EL图像进行全局阈值分割；提取阈值分割后的光伏组件EL图像轮廓特征参数，通过轮廓特征参数的完整度、边数进行轮廓选定；通过投影变换校正轮廓选定后的光伏组件EL图像并分割得到单块电池片EL图像；对每块电池片EL图像进行灰度直方图检测，根据检测结果去除图像的灰度自带干扰；对去除灰度自带干扰的电池片EL图像进行双边滤波，去除电池片EL图像的噪声；对去除噪声的电池片EL图像获取纵向投影图，获取电池片主栅线的位置，对电池片主栅线进行屏蔽处理；对去除主栅线干扰的电池片EL图像进行霍夫直线检测，获取清晰的隐裂图像。
上述技术方案中，对光伏组件EL图像进行全局阈值分割，提取待测图像的轮廓特征参数并选定轮廓，根据投影变换的原理进行光伏组件EL图像校正，并获取每块光伏组件电池片EL图像，根据灰度直方图检测的结果去除电池片EL图像的灰度自带干扰，通过双边滤波去除光伏组件电池片EL图像的噪声干扰，通过对光伏组件电池片EL图像进行纵向投影，获取光伏组件电池片主栅线在图像中的位置并进行屏蔽，根据对去除主栅线干扰的电池片图像进行霍夫直线检测，获取隐裂图像。
优选地，全局阈值分割的方法包括：通过光伏组件EL图像的灰度直方图确定阈值，在进行全局阈值分割时以此阈值对图像进行阈值分割。
优选地，提取轮廓特征参数的方法包括：使用轮廓提取算法检测所有轮廓，提取阈值分割后图像的轮廓特征参数，获取轮廓的数量、点的坐标。
优选地，进行轮廓选定的方法包括：
a.使用多边拟合的方法进行轮廓拟合；
b.判断在步骤a拟合后的轮廓线条个数是否为4，是则保留，否则剔除；
c.对剩余轮廓进行边界检测，判断轮廓是否与边界相连，若相连则剔除。
优选地，进行轮廓拟合的步骤如下：
a1.起始轮廓曲线是有序的一组点或线，递归地划分线为点，距离维度ε>0；
a2.最初给出了第一点和最后一点之间的所有点，自动标记要保存第一个和最后一个点；
a3.找到距离第一点和最后一点组成的线段的垂直距离最远的点作为终点；
a4.如果该点离线段距离近似值小于ε，那么当前未被标记的任何点将被保存，而没有简化的曲线比ε更差的被丢弃；
a5.如果离线段最远的点距离近似值大于ε，则必须保留该点；
a6.上述步骤以第一个点和最远点递归地调用自身，然后以最远点和最后一个点，其中包括最远点被标记为保留，递归调用自身；
a7.当递归完成时，生成一个新的输出曲线，把连续光滑曲线折线化，其中包括所有且仅标记为保留的点。
进一步地，通过选定轮廓的信息进行边框构造，具体包括：利用轮廓特征参数的信息选取每条线条的初始点和末尾点的位置信息，根据两点信息绘制直线，最终绘制四边形框图。
优选地，通过投影变换校正轮廓选定后的光伏组件EL图像并分割得到单块电池片EL图像的方法包括：建立几何失真双线性方程模型，选取原图像的四个基准点和对应目标图像四个点的坐标，建立各基准点坐标变换的双线性方程，计算获取几何校正参数，对原图像进行投影变换，从而进行图像几何投影校正，通过校正后光伏组件图像的轮廓信息，对光伏组件校正图像进行分割，获取每块组件的EL图像，根据每块组件EL图像的像素信息对其进行裁剪，切分成m×n的电池片EL图像。
进一步地，通过投影变换校正组件图像的方法包括，其步骤如下：
m.原图像f(x0，y0)产生了一定的变形，即存在一定的几何关系，变成的另一幅目标图像g(x1，y1),这种变化只是位置的变化并不改变像素的值。因此像素点位置关系可以用以下函数形式表示：
x1＝s(x0，y0)
y1＝t(x0，y0)
其中s(x0，y0)和t(x0，y0)为f(x0，y0)到g(x1，y1)的坐标变换函数。
n.在步骤m中确定两幅图像各像素点之间位置的转换函数后，其几何失真的图像校正为其变换的逆过程。函数表达式为：
x0＝s-1(x1，y1)
y0＝t-1(x1，y1)
o.在步骤n中确定图像逆转换过程后，建立描述几何失真的合理双线性方程模型。函数表达式为：
x1＝s(x0，y0)＝c1x0+c2y0+c3x0y0+c4
y1＝t(x0，y0)＝c5x0+c6y0+c7x0y0+c8
其中8个未知参数c1，c2，c3，c4，c5，c6，c7，c8可在失真图像和标准图像取四组对应点求出。
p.在步骤o求出8个未知参数后，便可对图像进行投影校正。
优选地，去除灰度自带干扰的方法包括：对光伏组件图像的每个组件图像分割出来的电池片图像进行灰度直方图检测，从而获取电池片图像背景的灰度值，根据检测结果，去除背景的灰度自带干扰。
优选地，通过加权双边滤波和曲波变换联合去噪方法去除电池片EL图像的噪声，具体步骤如下：
v.通过加权双边滤波，将电池片噪声图像分解为低频图像和高频噪声图像；
w.对高频噪声图像进行曲波变换，得到不同尺度上的曲波系数；
x.采取软、硬阈值函数相折中的方式，对曲波系数做阈值处理；
y.利用曲波逆变换对阈值处理后的曲波系数进行重构，得到高频去噪图像；
z.将高频去噪图像和低频图像融合成一幅图像，获取电池片去噪图像。
优选地，对电池片主栅线进行屏蔽处理的方法包括：通过获取电池片图像纵向投影图，获取电池片纵向坐标系的灰度值分布图，根据灰度分布图的波峰分布获取电池片主栅线的像素位置，最后对电池片图像主栅线进行图像屏蔽处理。
优选地，获取隐裂图像的方法包括：对去除主栅线干扰的电池片图像进行霍夫直线检测，获取隐裂的位置以及长度，并标注在原图中。
与现有技术相比，本发明的有益效果在于：
(1)本发明提供一种基于EL图像的光伏组件隐裂自适应检测方法，对阈值分割后的光伏组件EL图像提取轮廓参数，从而进行轮廓选定，通过投影变换校正光伏组件EL图像并分割得到单块电池片EL图像，对分割后的电池片EL图像进行灰直度方图检测，从而实现自适应地消除电池片EL图像的灰度干扰；根据电池片EL图像纵向投影图获取电池片主栅线的像素位置，从而实现屏蔽主栅线的干扰；通过对去除主栅线干扰的电池片图像进行霍夫直线检测，从而实现获取光伏组件隐裂信息，并且对存在隐裂故障的电池片位置进行精确定位，解决了通过人眼观察EL图像时，受到图像灰度以及主栅线的干扰而发生误判、漏判等状况；
(2)本发明对光伏组件EL图像进行全局阈值分割，通过光伏组件EL图像的灰度直方图判断阈值，在进行全局阈值分割时以此阈值对图像进行阈值分割，去除原图像干扰；
(3)本发明通过加权双边滤波和曲波变换联合去噪方法对电池片图像进行处理，去除光伏组件电池片图像的噪声干扰；
(4)本发明对去除主栅线干扰的电池片图像进行霍夫直线检测，获取隐裂的位置以及长度，并将其标注在原图中，精确定位存在隐裂故障的电池片位置，减少了人工的工作量，提高了检测精度与效率。
附图说明
图1为根据本发明实施例的方法流程图；
图2为根据本发明实施例的光伏组件原始EL图像；
图3为根据本发明实施例的光伏组件EL图像阈值分割图像；
图4为根据本发明实施例的选定边界的光伏组件EL图像；
图5为根据本发明实施例的校正分割独立的光伏组件EL图像示例；
图6为根据本发明实施例的分割后单个光伏组件电池片的EL图像；
图7为根据本发明实施例的图6所对应的图像灰度直方图；
图8为根据本发明实施例的对单个光伏组件电池片灰度聚集点屏蔽处理后得到的图像；
图9为根据本发明实施例的图6所对应的图像纵向投影图；
图10为根据本发明实施例的对单个光伏组件电池片主栅线进行遮蔽处理后得到的图像；
图11为根据本发明实施例的单个光伏组件电池片隐裂检测图像。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
图1为本发明实施例提供的一种基于EL图像的光伏组件隐裂自适应检测方法，所述方法包括：
读取光伏组件EL图像，对光伏组件EL图像进行全局阈值分割；提取阈值分割后的光伏组件EL图像轮廓特征参数，通过轮廓特征参数的完整度、边数进行轮廓选定；通过投影变换校正轮廓选定后的光伏组件EL图像并分割得到单块电池片EL图像；对每块电池片EL图像进行灰度直方图检测，根据检测结果去除图像的灰度自带干扰；对去除灰度自带干扰的电池片EL图像进行双边滤波，去除电池片EL图像的噪声；对去除噪声的电池片EL图像获取纵向投影图，获取电池片主栅线的位置，对电池片主栅线进行屏蔽处理；对去除主栅线干扰的电池片EL图像进行霍夫直线检测，获取清晰的隐裂图像。
图2为光伏组件原始EL图像，如图2所示的EL图像，图像中分布有若干光伏组件。由于图像在采集过程中不可避免的受到噪声干扰，因此在轮廓检测前需要对原图像进行图像预处理。
作为一种实施方式，全局阈值分割的方法包括：通过光伏组件EL图像的灰度直方图判断阈值，在进行全局阈值分割时以此阈值对图像进行阈值分割。
具体地，通过光伏组件EL图像的灰度直方图判断，对光伏组件EL图像进行全局阈值分割时以55的灰度值作为阈值对图像进行阈值分割，获取光伏组件阈值分割二值图，从而去除干扰点提取合理信息，如图3所示，为光伏组件EL图像阈值分割图像。
作为一种实施方式，提取图像轮廓特征的方法包括：使用轮廓提取算法检测光伏组件阈值分割二值图的所有轮廓，提取图像中的轮廓特征参数，获取的参数主要为轮廓的数量以及点的坐标。
作为一种实施方式，通过光伏组件阈值分割二值图提取的轮廓参数的完整度、边数进行轮廓选定，主要方法包括：
a.使用多边拟合的方法进行轮廓拟合，步骤如下：
a1.起始轮廓曲线是有序的一组点或线，递归地划分线为点，距离维度ε>0。
a2.最初给出了第一点和最后一点之间的所有点，自动标记要保存第一个和最后一个点。
a3.找到距离第一点和最后一点组成的线段的垂直距离最远的点作为终点。
a4.如果该点离线段距离近似值小于ε，那么当前未被标记的任何点将被保存，而没有简化的曲线比ε更差的可以被丢弃。
a5.如果离线段最远的点距离近似值大于ε，则必须保留该点。
a6.该算法以第一个点和最远点递归地调用自身，然后以最远点和最后一个点(包括最远点被标记为保留)递归调用自身。
a7.当递归完成时，可以生成一个新的输出曲线，把连续光滑曲线折线化，其中包括所有且仅标记为保留的点。
b.判断在步骤a拟合后的轮廓线条个数是否为4，是则保留，否则剔除。
c.对剩余轮廓进行边界检测，判断轮廓是否与边界相连，若相连则剔除。
图4为选定边界的光伏组件EL图像，如图4所示，由上选取的轮廓特征参数的信息选取每条线条的初始点和末尾点的位置信息，根据两点信息绘制直线，最终在光伏组件EL图像上绘制四边形框图。
作为一种实施方式，通过投影变换校正组件图像的方法包括，建立几何失真双线性方程模型，选取原图像的四个基准点和对应目标图像四个点的坐标，建立各基准点坐标变换的双线性方程，计算获取几何校正参数，对原图像进行投影变换，从而进行图像几何投影校正，其步骤如下：
m.原图像f(x0，y0)产生了一定的变形，即存在一定的几何关系，变成的另一幅目标图像g(x1，y1),这种变化只是位置的变化并不改变像素的值。因此像素点位置关系可以用以下函数形式表示：
x1＝s(x0，y0)
y1＝t(x0，y0)
其中s(x0，y0)和t(x0，y0)为f(x0，y0)到g(x1，y1)的坐标变换函数。
n.在步骤m中确定两幅图像各像素点之间位置的转换函数后，其几何失真的图像校正为其变换的逆过程。函数表达式为：
x0＝s-1(x1，y1)
y0＝t-1(x1，y1)
o.在步骤n中确定图像逆转换过程后，建立描述几何失真的合理双线性方程模型。函数表达式为：
x1＝s(x0，y0)＝c1x0+c2y0+c3x0y0+c4
y1＝t(x0，y0)＝c5x0+c6y0+c7x0y0+c8其中8个未知参数c1，c2，c3，c4，c5，c6，c7，c8可在失真图像和标准图像取四组对应点求出。
p.在步骤o求出8个未知参数后，便可对图像进行投影校正。
图5为校正分割独立的光伏组件EL图像示例，如图5所示，通过校正后光伏组件图像的轮廓信息，对光伏组件校正图像进行分割，获取每块光伏组件的EL图像。
作为一种实施方式，分割单块电池片的EL图像的方法包括：通过校正后光伏组件图像的轮廓信息，对光伏组件校正图像进行分割，获取每块组件的EL图像，根据每块组件EL图像的像素信息对其进行裁剪，切分成m×n的电池片EL图像。
图6为分割后单个光伏组件电池片的EL图像，如图6所示，对每块组件图像进行图像裁剪，最后获取每块m×n的电池片EL图像。
作为一种实施方式，对光伏组件图像的每个组件图像分割出来的电池片图像进行灰度直方图检测，如图7所示，其为光伏组件电池片图像灰度直方图。通过灰度直方图获取光伏组件电池片图像背景的灰度值，根据检测结果，将此灰度值去除，从而去除组件图像的灰度自带干扰。如图8所示，为对光伏组件的电池片图像背景灰度值屏蔽处理后图像。
作为一种实施方式，通过加权双边滤波和曲波变换联合去噪方法对电池片图像进行处理，具体步骤如下：
v.通过加权双边滤波，将电池片噪声图像分解为低频图像和高频噪声图像；
w.对高频噪声图像进行曲波变换，得到不同尺度上的曲波系数；
x.采取软、硬阈值函数相折中的方式，对曲波系数做阈值处理；
y.利用曲波逆变换对阈值处理后的曲波系数进行重构，得到高频去噪图像；
z.将高频去噪图像和低频图像融合成一幅图像，获取电池片去噪图像。
作为一种实施方式，如图9所示，通过对光伏组件电池片图像纵向投影图的检测，根据波峰位置获取不同横向坐标点上的灰度值为主栅线的像素点的数量分布图，从而获取光伏组件电池片图像主栅线的像素点横坐标，对电池片图像的主栅线进行图像屏蔽处理，从而去除电池片主栅线的干扰，如图10所示，为对单个光伏组件电池片主栅线进行遮蔽处理后得到的图像。
作为一种实施方式，对隐裂图像进行霍夫直线检测，获取隐裂的位置以及长度，并将其标注在原图中,最后在原光伏组件EL图像上对隐裂进行展示。根据霍夫直线检测的结果，在原光伏组件电池片EL图像上画出清晰的隐裂图像，如图11所示，为单个光伏组件电池片隐裂检测图像。
具体地，霍夫变换运用两个坐标空间之间的变换，将图像空间中一条直线上的两个点转化为霍夫空间的两条直线，直线交点坐标处即为图像空间直线的斜率和截距。其中，霍夫直线检测中minLineLength和maxLineGap设置会直接影响直线检测结果，minLineLength为以像素为单位的最小长度，如果比该值更小的直线则不会被检测，maxLineGap为最大允许间隔，如果小于该值则会被认定为一条直线。
本发明公开了一种基于EL图像的光伏组件隐裂自适应检测方法，步骤包括：对光伏组件EL图像进行全局阈值分割；提取待测图像的轮廓特征参数；通过轮廓参数的完整度、边数进行轮廓选定；通过选定轮廓信息进行边框构造；通过几何校正投影变换进行图像校正；通过校正图像的轮廓信息获取每块光伏组件电池片图像；对每个电池片图像进行灰度直方图检测，根据检测结果去除图像的灰度自带干扰；通过双边滤波去除电池片图像的噪声；通过获取光伏组件电池片图像纵向投影图，获取光伏组件电池片主栅线的位置，对电池片主栅线进行屏蔽处理；对去除主栅线干扰的电池片图像进行霍夫直线检测，获取更加清晰的隐裂图像；最后在原光伏组件电池片图像上进行隐裂显示。
在本说明书的描述中，参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。

Claims (10)

1.一种基于EL图像的光伏组件隐裂自适应检测方法，其特征在于，所述方法包括下列步骤：
读取光伏组件EL图像，对光伏组件EL图像进行全局阈值分割；
提取阈值分割后的光伏组件EL图像轮廓特征参数，通过轮廓特征参数的完整度、边数进行轮廓选定；
通过投影变换校正轮廓选定后的光伏组件EL图像并分割得到单块电池片EL图像；
对每块电池片EL图像进行灰度直方图检测，根据检测结果去除图像的灰度自带干扰；
对去除灰度自带干扰的电池片EL图像进行双边滤波，去除电池片EL图像的噪声；
对去除噪声的电池片EL图像获取纵向投影图，获取电池片主栅线的位置，对电池片主栅线进行屏蔽处理；
对去除主栅线干扰的电池片EL图像进行霍夫直线检测，获取清晰的隐裂图像。
2.根据权利要求1所述的一种基于EL图像的光伏组件隐裂自适应检测方法，其特征在于，全局阈值分割的方法包括：通过光伏组件EL图像的灰度直方图确定阈值，在进行全局阈值分割时以此阈值对图像进行阈值分割。
3.根据权利要求1所述的一种基于EL图像的光伏组件隐裂自适应检测方法，其特征在于，提取轮廓特征参数的方法包括：使用轮廓提取算法检测所有轮廓，提取阈值分割后图像的轮廓特征参数，获取轮廓的数量、点的坐标。
4.根据权利要求1所述的一种基于EL图像的光伏组件隐裂自适应检测方法，其特征在于，进行轮廓选定的方法包括：
a.使用多边拟合的方法进行轮廓拟合；
b.判断在步骤a拟合后的轮廓线条个数是否为4，是则保留，否则剔除；
c.对剩余轮廓进行边界检测，判断轮廓是否与边界相连，若相连则剔除。
5.根据权利要求4所述的一种基于EL图像的光伏组件隐裂自适应检测方法，其特征在于，进行轮廓拟合的步骤如下：
a1.起始轮廓曲线是有序的一组点或线，递归地划分线为点，距离维度ε>0；
a2.最初给出了第一点和最后一点之间的所有点，自动标记要保存第一个和最后一个点；
a3.找到距离第一点和最后一点组成的线段的垂直距离最远的点作为终点；
a4.如果该点离线段距离近似值小于ε，那么当前未被标记的任何点将被保存，而没有简化的曲线比ε更差的被丢弃；
a5.如果离线段最远的点距离近似值大于ε，则必须保留该点；
a6.上述步骤以第一个点和最远点递归地调用自身，然后以最远点和最后一个点，其中包括最远点被标记为保留，递归调用自身；
a7.当递归完成时，生成一个新的输出曲线，把连续光滑曲线折线化，其中包括所有且仅标记为保留的点。
6.根据权利要求1所述的一种基于EL图像的光伏组件隐裂自适应检测方法，其特征在于，通过投影变换校正轮廓选定后的光伏组件EL图像并分割得到单块电池片EL图像的方法包括：建立几何失真双线性方程模型，选取原图像的四个基准点和对应目标图像四个点的坐标，建立各基准点坐标变换的双线性方程，计算获取几何校正参数，对原图像进行投影变换，从而进行图像几何投影校正，通过校正后光伏组件图像的轮廓信息，对光伏组件校正图像进行分割，获取每块组件的EL图像，根据每块组件EL图像的像素信息对其进行裁剪，切分成m×n的电池片EL图像。
7.根据权利要求1所述的一种基于EL图像的光伏组件隐裂自适应检测方法，其特征在于，去除灰度自带干扰的方法包括：对光伏组件图像的每个组件图像分割出来的电池片图像进行灰度直方图检测，从而获取电池片图像背景的灰度值，根据检测结果，去除背景的灰度自带干扰。
8.根据权利要求1所述的一种基于EL图像的光伏组件隐裂自适应检测方法，其特征在于，通过加权双边滤波和曲波变换联合去噪方法去除电池片EL图像的噪声，具体步骤如下：
v.通过加权双边滤波，将电池片噪声图像分解为低频图像和高频噪声图像；
w.对高频噪声图像进行曲波变换，得到不同尺度上的曲波系数；
x.采取软、硬阈值函数相折中的方式，对曲波系数做阈值处理；
y.利用曲波逆变换对阈值处理后的曲波系数进行重构，得到高频去噪图像；
z.将高频去噪图像和低频图像融合成一幅图像，获取电池片去噪图像。
9.根据权利要求1所述的一种基于EL图像的光伏组件隐裂自适应检测方法，其特征在于，对电池片主栅线进行屏蔽处理的方法包括：通过获取电池片图像纵向投影图，获取电池片纵向坐标系的灰度值分布图，根据灰度分布图的波峰分布获取电池片主栅线的像素位置，最后对电池片图像主栅线进行图像屏蔽处理。
10.根据权利要求1所述的一种基于EL图像的光伏组件隐裂自适应检测方法，其特征在于，获取隐裂图像的方法包括：对去除主栅线干扰的电池片图像进行霍夫直线检测，获取隐裂的位置以及长度，并标注在原图中。
CN202110752828.2A 2021-07-02 2021-07-02 一种基于el图像的光伏组件隐裂自适应检测方法 Active CN113487563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110752828.2A CN113487563B (zh) 2021-07-02 2021-07-02 一种基于el图像的光伏组件隐裂自适应检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110752828.2A CN113487563B (zh) 2021-07-02 2021-07-02 一种基于el图像的光伏组件隐裂自适应检测方法

Publications (2)

Publication Number Publication Date
CN113487563A true CN113487563A (zh) 2021-10-08
CN113487563B CN113487563B (zh) 2023-09-05

Family

ID=77939783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110752828.2A Active CN113487563B (zh) 2021-07-02 2021-07-02 一种基于el图像的光伏组件隐裂自适应检测方法

Country Status (1)

Country Link
CN (1) CN113487563B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116817808A (zh) * 2023-08-31 2023-09-29 东北电力大学 一种基于空气耦合Lamb波的光伏板隐裂长度检测系统
CN117576093A (zh) * 2024-01-15 2024-02-20 江苏森标科技有限公司 基于el图像的太阳能电池片隐裂检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN208385357U (zh) * 2018-07-04 2019-01-15 青海聚能电力有限公司 一种太阳能电池片el不良面积及主栅线检测一体工具
CN111047564A (zh) * 2019-11-28 2020-04-21 戎得(上海)光伏科技有限公司 一种应用于光伏电站现场的el缺陷检测方法
US20200364849A1 (en) * 2018-01-03 2020-11-19 Southeast University Method and device for automatically drawing structural cracks and precisely measuring widths thereof
CN112102236A (zh) * 2020-08-07 2020-12-18 东南大学 一种基于深度两阶段的多晶隐裂检测方法
CN112529875A (zh) * 2020-12-14 2021-03-19 孙占民 一种基于人工智能的光伏组件玻璃爆裂预警方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20200364849A1 (en) * 2018-01-03 2020-11-19 Southeast University Method and device for automatically drawing structural cracks and precisely measuring widths thereof
CN208385357U (zh) * 2018-07-04 2019-01-15 青海聚能电力有限公司 一种太阳能电池片el不良面积及主栅线检测一体工具
CN111047564A (zh) * 2019-11-28 2020-04-21 戎得(上海)光伏科技有限公司 一种应用于光伏电站现场的el缺陷检测方法
CN112102236A (zh) * 2020-08-07 2020-12-18 东南大学 一种基于深度两阶段的多晶隐裂检测方法
CN112529875A (zh) * 2020-12-14 2021-03-19 孙占民 一种基于人工智能的光伏组件玻璃爆裂预警方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邱东;翁蒙;杨宏韬;: "基于改进概率霍夫变换的车道线快速检测方法", 计算机技术与发展, no. 05 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116817808A (zh) * 2023-08-31 2023-09-29 东北电力大学 一种基于空气耦合Lamb波的光伏板隐裂长度检测系统
CN116817808B (zh) * 2023-08-31 2023-11-07 东北电力大学 一种基于空气耦合Lamb波的光伏板隐裂长度检测系统
CN117576093A (zh) * 2024-01-15 2024-02-20 江苏森标科技有限公司 基于el图像的太阳能电池片隐裂检测方法
CN117576093B (zh) * 2024-01-15 2024-03-26 江苏森标科技有限公司 基于el图像的太阳能电池片隐裂检测方法

Also Published As

Publication number Publication date
CN113487563B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN107578409B (zh) 一种太阳能电池片外观断栅缺陷检测的方法
CN107490582B (zh) 一种流水线工件检测系统
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
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
CN111652857B (zh) 一种绝缘子缺陷红外检测方法
CN113487563B (zh) 一种基于el图像的光伏组件隐裂自适应检测方法
CN107749057B (zh) 一种太阳能电池片外观漏浆缺陷检测的方法
CN114972326A (zh) 热收缩管扩管工艺的次品识别方法
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
CN112529875A (zh) 一种基于人工智能的光伏组件玻璃爆裂预警方法及系统
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测系统
CN108445009B (zh) 一种太阳能电池板裂纹检测方法
CN107610090B (zh) 一种光伏电池片表面栅线偏移的检测方法
CN106651893A (zh) 一种基于边缘检测的墙体裂缝识别方法
CN109359604B (zh) 面向巡检机器人的阴影干扰下仪表识别方法
CN111754538A (zh) Usb表面缺陷检测的阈值分割方法
CN114972397A (zh) 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法
CN114549441A (zh) 基于图像处理的吸管缺陷检测方法
CN110648330A (zh) 摄像头玻璃的缺陷检测方法
CN114581805A (zh) 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法
CN114495098A (zh) 一种基于显微镜图像的盘星藻类细胞统计方法及系统
CN116805302A (zh) 一种缆索表面缺陷检测装置及方法
CN117315289B (zh) 基于图像处理的航空发动机叶片轮廓边缘检测方法
CN107563990B (zh) 一种光伏电池片崩边及钝型和v型缺口的检测方法

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