CN113837991A - 图像处理方法、装置、设备及存储介质 - Google Patents
图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113837991A CN113837991A CN202110682879.2A CN202110682879A CN113837991A CN 113837991 A CN113837991 A CN 113837991A CN 202110682879 A CN202110682879 A CN 202110682879A CN 113837991 A CN113837991 A CN 113837991A
- Authority
- CN
- China
- Prior art keywords
- image
- difference information
- target
- processed
- areas
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 37
- 238000003672 processing method Methods 0.000 title claims abstract description 30
- 238000003466 welding Methods 0.000 claims abstract description 247
- 238000012545 processing Methods 0.000 claims abstract description 123
- 238000000034 method Methods 0.000 claims abstract description 24
- 229910000679 solder Inorganic materials 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 27
- 238000009825 accumulation Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 11
- 241001270131 Agaricus moelleri Species 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 17
- 238000013473 artificial intelligence Methods 0.000 abstract description 12
- 210000004027 cell Anatomy 0.000 description 48
- 238000010586 diagram Methods 0.000 description 31
- 238000001514 detection method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000005476 soldering Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012372 quality testing Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000006798 recombination Effects 0.000 description 3
- 238000005215 recombination Methods 0.000 description 3
- RSWGJHLUYNHPMX-UHFFFAOYSA-N Abietic-Saeure Natural products C12CCC(C(C)C)=CC2=CCC2C1(C)CCCC2(C)C(O)=O RSWGJHLUYNHPMX-UHFFFAOYSA-N 0.000 description 2
- KHPCPRHQVVSZAH-HUOMCSJISA-N Rosin Natural products O(C/C=C/c1ccccc1)[C@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 KHPCPRHQVVSZAH-HUOMCSJISA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- KHPCPRHQVVSZAH-UHFFFAOYSA-N trans-cinnamyl beta-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OCC=CC1=CC=CC=C1 KHPCPRHQVVSZAH-UHFFFAOYSA-N 0.000 description 2
- 101000878457 Macrocallista nimbosa FMRFamide Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30152—Solder
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像处理方法、装置、设备及存储介质，涉及人工智能中的计算机视觉技术，其中方法可包括：获取目标电池组件对应的待处理图像，目标电池组件包括N个焊接点，每个焊接点被映射至待处理图像中的一个焊点域；按照N个焊点域对待处理图像进行划分得到N个图像区域，一个图像区域包括一个焊点域，且任一图像区域和所述任一图像区域包括的焊点域具有相同的中心；根据N个图像区域确定图像差异信息集，图像差异信息集包括N个图像区域中每两个相邻的图像区域之间的图像差异信息；基于图像差异信息集对目标电池组件进行故障识别。采用本发明实施例，可以提高电池组件中预设故障识别的准确性。
Description
技术领域
本申请涉及人工智能领域，尤其涉及一种图像处理方法、装置、设备及存储介质。
背景技术
太阳能电池是一种利用太阳光直接发电的光电半导体薄片，太阳能电池在诸多领域得到广泛应用，比如在交通领域中，用在交通/铁路信号灯、交通警示/标志灯、无线电话亭等等，再如在通信领域中，用在太阳能无人值守微波中继站、光缆维护站以及小型通信机等等。由于太阳能电池的重要应用，一旦太阳能电池发生故障，将会给用户的生产和生活带来较大影响。因此，在太阳能电池片的生产过程中，及时检测太阳能电池的故障是当前太阳能太阳研究领域的重要问题之一。组成太阳能电池的重要电池组件包括太阳能电池片，太阳能电池出现故障在很多情况下是指太阳能电池片出现故障，因此，在太阳能电池的生成和测试过程中，如何对太阳能电池片进行故障识别成为当前研究的重点问题之一。
发明内容
本发明实施例提供了一种图像处理方法、装置、设备及存储介质，可以较为准确地对目标电池组件进行故障识别。
一方面，本发明实施例提供了一种图像处理方法，包括：
获取目标电池组件对应的待处理图像，所述目标电池组件包括N个焊接点，每个焊接点被映射至所述待处理图像中的一个焊点域，N为大于或等于1的整数；
按照N个焊点域对所述待处理图像进行划分，得到N个图像区域；每个图像区域包括一个焊点域，且任一图像区域和所述任一图像包含的焊点域具有相同的中心；
根据所述N个图像区域确定图像差异信息集，所述图像差异信息集包括所述N个图像区域中每两个相邻的图像区域之间的图像差异信息；
基于所述图像差异信息集对所述目标电池组件进行故障识别。
一方面，本发明实施例提供了一种图像处理装置，包括：
获取单元，用于获取目标电池组件对应的待处理图像，该目标电池组件包括N个焊接点，每个焊接点被映射至待处理图像中的一个焊点域，N为大于或等于1的整数；
确定单元，用于按照N个焊点域对待处理图像进行划分，得到N个图像区域，每个图像区域包括一个焊点域，且任一图像区域和所述任一图像包含的焊点域具有相同的中心；
确定单元，还用于根据N个图像区域确定图像差异信息集，图像差异信息集包括N个图像区域中每两个相邻的图像区域之间的图像差异信息；
识别单元，用于基于图像差异信息集对目标电池组件进行故障识别。
一方面，本发明实施例提供了一种图像处理设备，其特征在于，包括：
处理器，适于实现一条或多条计算机程序；以及
计算机存储介质，所述计算机存储介质存储有一条或多条计算机程序，所述一条或计算机程序指令适于由处理器加载并执行：
获取目标电池组件对应的待处理图像，所述目标电池组件包括N个焊接点，每个焊接点被映射至所述待处理图像中的一个焊点域，N为大于或等于1的整数；按照N个焊点域对所述待处理图像进行划分，得到N个图像区域，每个图像区域包括一个焊点域，且任一图像区域和所述任一图像包含的焊点域具有相同的中心；根据所述N个图像区域确定图像差异信息集，所述图像差异信息集包括所述N个图像区域中每两个相邻的图像区域之间的图像差异信息；基于所述图像差异信息集对所述目标电池组件进行故障识别。
一方面，本发明实施例提供了一种计算机存储介质，其特征在于，计算机存储介质中存储有计算机程序程序，计算机程序指令被处理器执行时，用于执行：
获取目标电池组件对应的待处理图像，所述目标电池组件包括N个焊接点，每个焊接点被映射至所述待处理图像中的一个焊点域，N为大于或等于1的整数；按照N个焊点域对所述待处理图像进行划分，得到N个图像区域，每个图像区域包括一个焊点域，且任一图像区域和所述任一图像包含的焊点域具有相同的中心；根据所述N个图像区域确定图像差异信息集，所述图像差异信息集包括所述N个图像区域中每两个相邻的图像区域之间的图像差异信息；基于所述图像差异信息集对所述目标电池组件进行故障识别。
一方面，本发明实施例提供了一种计算机程序产品或计算机程序，计算机程序产品或计算机程序包括计算机程序，计算机程序存储在计算机可读存储介质中；图像处理设备的处理器从计算机存储介质中读取计算机程序执行：
获取目标电池组件对应的待处理图像，所述目标电池组件包括N个焊接点，每个焊接点被映射至所述待处理图像中的一个焊点域，N为大于或等于1的整数；按照N个焊点域对所述待处理图像进行划分，得到N个图像区域，每个图像区域包括一个焊点域，且任一图像区域和所述任一图像包含的焊点域具有相同的中心；根据所述N个图像区域确定图像差异信息集，所述图像差异信息集包括所述N个图像区域中每两个相邻的图像区域之间的图像差异信息；基于所述图像差异信息集对所述目标电池组件进行故障识别。
本发明实施例中，当需要对目标电池组件进行故障识别时，获取目标电池组件对应的待处理图像，目标电池中包括N个焊接点，每个焊接点被映射至该待处理图像中的一个焊点域；进一步的，按照N个焊点域对待处理图像进行划分，得到N个图像区域，一个图像区域包括一个焊点域，且任一图像区域和所述任一图像区域包括的焊点域具有相同的中心；然后确定N个图像区域中每两个相邻的图像区域之间的图像差异信息，并存入到图像差异信息集中。接着基于图像差异信息集对目标电池组件进行故障识别。由于存在故障的电池组件对应的图像中，可能存在两个或多个焊点域所在图像区域之间的图像差异信息异常，反之可以通过图像差异信息集来较为准确地识别目标电池组件是否存在故障。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1a是本发明实施例提供的一种灰度阈值分割法进行故障识别的示意图；
图1b是本发明实施例提供的不同太阳能电池片对应的EL图像的示意图；
图2是本发明实施例提供的一种电池组件的故障检测系统结构示意图；
图3是本发明实施例提供的一种图像处理方法的流程示意图；
图4a是本发明实施例提供的一种待检测图像的示意图；
图4b是本发明实施例提供的一种水平积分投影图的示意图；
图4c是本发明实施例提供的一种垂直积分投影图的示意图；
图4d是本发明实施例提供的一种待处理图像、水平积分投影图以及垂直积分投影图之间的关系示意图；
图5是本发明实施例提供的一种对待处理图像进行区域划分的示意图；
图6是本发明实施例提供的另一种图像处理方法的流程示意图；
图7a是本发明实施例提供的一种增强图像的示意图；
图7b是本发明实施例提供的一种图像区域的灰度直方图的示意图；
图7c是本发明实施例提供的一种图像差异信息的示意图；
图7d是本发明实施例提供的又一种图像处理方法的流程示意图；
图8是本发明实施例提供的一种图像处理装置的结构示意图；
图9是本发明实施例提供的一种图像处理设备的结构示意图。
具体实施方式
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。
在目前新能源光伏行业发展中，对太阳能电池进行故障检测是必需的。一般情况下，通常通过光致发电(Electroluminescence,EL)，又称场致发光来检测光伏太阳能电池产品中存在的潜在故障，进而控制产品的质量。通过光致发电进行故障检测的实质是通过光致发电技术获取用于反映太阳能电池内部信息的EL图像，进而通过对EL图像的分析处理来识别太阳能电池可能存在的故障。一般来说，太阳能电池中最常见的故障是太阳能电池中电池组件(比如太阳能电池片)的多个焊接点中存在虚焊的情况，因此，本发明实施例主要对太阳能电池中电池组件是否存在虚焊故障进行研究。应当理解的，在对电池组件进行虚焊故障检测时，EL图像中包括N个焊点域，这N个焊点域是与电池组件上N个焊接点一一对应的，换句话说，N个焊点域与N个焊接点一一对应可以理解为每个焊接点被映射至EL图像中一个焊点域，该焊点域可以是一个像素点，也可以是几个像素点组成的一个小区域。在故障检测时通常需要识别出图像中N个图像区域，一个图像区域以一个焊点域为中心，可以理解为一个图像区域对应一个焊接点。
在对电池组件进行虚焊故障检测的研究中，提出了以下几种虚焊故障的识别方法：
第一种是人工检测法。由于在EL图像中，存在虚焊故障的焊接点对应的图像区域(每个焊接点对应的图像区域是指EL图像中包括该焊接点对应的焊点域的图像区域)的灰度情况与不存在虚焊故障的焊接点对应的图像区域的灰度情况不相同，要么过暗，要么过亮。基于此，可以采用人工观察的方式通过EL图像中灰度情况进行虚焊故障检测。比如EL图像的整体灰度偏亮，可以将灰度偏暗的图像区域对应的焊接点确认为是存在虚焊故障的焊接点；再如，EL图像的整体灰度偏暗，可以将灰度偏亮的图像区域对应的焊接点认为是存在虚焊故障的焊接点。
第二种是阈值分割法。具体实现中，预先设置一个灰度阈值，采用该灰度阈值对EL图像进行灰度阈值分割处理，分割处理后的EL图像中突出显示灰度大于该灰度阈值或者小于该灰度阈值的图像区域，可以将这些图像区域对应的焊接点确定为存在虚焊故障的焊接点。例如，假设电池组件是指太阳能电池片，参见图1a为本发明实施例提供的一种灰度阈值分割的示意图，101表示太阳能电池片对应的EL图像，102表示采用灰度阈值对EL图像进行分割处理后的EL图像。
第三种是基于人工智能的图像处理方案，该图像处理方案主要是根据每两个相邻的焊接点对应的图像区域的图像差异信息进行虚焊故障识别的。人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
其中，计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建、自动驾驶、智慧交通等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
本申请提出的图像处理方案主要涉及到人工智能中的图像处理技术，具体实现中，获取目标电池组件对应的待处理图像(该待处理图像可以是上述的EL图像)，然后按照待处理图像中与N个焊接点对应的N个焊点域对待处理图像进行划分，得到N个图像区域，每个图像区域包括一个焊点域，并且任一图像和该任一图像包含的焊点域具有相同的中心；进一步，确定N个图像区域中每两个相邻的图像区域之间的图像差异信息，最后基于这些图像差异信息对电池组件进行虚焊故障识别，比如当存在目标数量个图像差异信息满足预设的图像差异信息条件，则可以确定该电池组件存在虚焊故障，再如，根据图像差异信息满足预设的图像差异信息条件的两个相邻图像区域的灰度均值，确定电池组件中存在虚焊故障的焊接点。
对比分析上述三种方案，第一种方案对于企业而言存在检测成本的问题(主要是需要从员工中选拔质检人员)；对于质检人员而言，由于单个电池组件的EL图像中各个图像区域的灰度差异较小，导致检测难度较大，可能由于工作强度大以及工作内容单一的问题，导致员工流失率较大。除此之外，质检人员对评判标准掌握程度不统一，因此会由于评判标准不一致而导致产品质量不能保证。另外，质检人员长时间通过图片质检，数据量大，容易产生视觉疲劳，产生误判或者漏判，导致故障检测的准确性较低。
第二种方案只能判别不同灰度的图像区域，没有将任一图像区域与其相邻图像区域进行灰度比较，这样导致过杀(将不存在虚焊故障的能电池组件判断为存在虚焊故障)情况严重。另外，不同电池组件的EL图像整体灰度差异较大，因此灰度阈值很难设定，比如电池组件为太阳能电池片，图1b中11和12为两个不同太阳能电池片的EL图像，11和12的灰度不同，11相对较暗一些，12相对较亮一些。
由前述可知，存在虚焊故障的电池组件对应的EL图像中，可能存在两个或多个图像区域之间的图像差异信息异常，反之采用第三种方案可以通过图像差异信息来较为准确地识别任意一个电池组件是否存在虚焊故障。因此，本发明实施例的下面陈述中将重点介绍第三种方案。
基于上述图像处理方案，本发明实施例提出了一种电池组件的故障检测系统，参见图2，为本发明实施例提供的一种电池组件的故障检测系统的结构示意图。在图2中假设待进行故障检查的电池组件为目标太阳能电池片，该目标太阳能电池片为组成太阳能电池中的任意一个太阳能电池片。图2所示的故障检测系统中可包括拍摄装置201、目标太阳能电池片202和图像处理设备203，拍摄装置201可以与图像处理设备203之间进行连接。拍摄装置201可以是电荷耦合器件(charge coupled device，CCD)(可以简称为CCD相机)，或者是其他可以采集光子的装置；图像处理设备203可以是终端，比如智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、智能车载等；或者，图像处理设备203也可以是服务器，比如图像处理设备203可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
在需要对目标太阳能电池片进行虚焊故障检测时，在暗室中给目标太阳能电池片施加正向偏压，此时目标太阳能电池片内部由于带间辐射复合而发出近红外波长的光子，拍摄装置201对这些光子进行采集得到一张与目标太阳电池片相关的待处理图，待处理图像可以用于反映目标太阳能电池片的一些信息的待处理图像，假设目标太阳能电池片包括N个焊接点，拍摄装置201在进行上述拍摄时，每个焊接点被映射至待处理图像中的一个焊点域，因此待处理图像中可以包括N个焊点域，这N个焊点域与N个焊接点是一一对应的；
进一步的，拍摄装置201将待处理图像传输给图像处理设备203，图像处理设备203按照N个焊点域对待处理图像进行划分中确定出N个图像区域，每个图像区域包括一个焊点域，任一图像区域与其包括的焊点域具有相同的中心；然后确定N个图像区域中每两个相邻的图像区域之间的图像差异信息，并存入到图像差异信息集中。接着基于图像差异信息集对目标太阳能电池片进行虚焊故障识别。由于存在虚焊故障的太阳能电池片对应的图像中，可能存在两个或多个图像区域之间的图像差异信息异常，反之可以通过图像差异信息集来较为准确地识别目标太阳能电池片是否存在虚焊故障。
基于上述的图像处理方案以及故障检测系统，本发明实施例提供了一种图像处理方法，参见图3，为本发明实施例提供的一种图像处理方法的流程示意图。图3所示的图像处理方法可由图像处理设备，具体可由图像处理设备的处理器执行。图3所示的图像处理方法可包括如下步骤：
步骤S301、获取目标电池组件对应的待处理图像，目标电池组件包括N个焊接点，每个焊接点被映射至待处理图像中的一个焊点域。
其中，该待处理图像可以是从拍摄装置出获取到的。具体实现中，将目标电池组件置于正向偏置下，注入目标电池组件的少数载流子经过辐射复合后所发射的光子通过拍摄装置比如CCD相机采集到，进而可以获取目标电池组件辐射复合分布的空间分辨率图像，该空间分辨率图像就是待处理图像。
目标电池组件可以包括N个焊接点，N为大于或等于1的整数，待处理图像中包括N个焊点域，这N个焊点域与N个焊接点是一一对应的，换种理解，目标电池组件上的每个焊接点在待处理图像上映射为一个焊点域，由于各个焊接点的形状和尺寸是相同的，因此待处理图像上N个焊点域的形状和尺寸也是相同的。假设一个焊点域可以是一个矩形，目标电池组件为目标太阳能电池片，例如，参见图4a，为本发明实施例提供的一种待检测图像的示意图，401表示目标太阳能电池片，402表示通过拍摄装置对目标太阳能电池片进行拍摄得到的待处理图像，401中A和B为两个焊接点，在402中C和D为两个焊点域，焊点域C和焊接点A相对应，焊点域D与焊接点B相对应。
步骤S302、按照N个焊点域对待处理图像进行划分，得到N个图像区域，一个图像区域包括一个焊点域，且任一图像区域和该任一图像区域包括的焊点域具有相同的中心。
由前述可知，图3所示的图像处理方法主要是根据每两个相邻的焊接点对应的图像区域之间的图像差异信息对待处理图像进行故障识别的。在待处理图像中，一个图像区域包括一个焊点域，且图像区域和其包括的焊点域具有相同的中心，那么包括任一焊点域的图像区域就是该任一焊点域对应的焊接点对应的图像区域。在计算每两个相邻的包括焊点域的图像区域之间的图像差异信息之前，需要通过步骤S302在待处理图像中确定出每个焊点域所在的图像区域。由于每个焊接点大小和形状是相同的，每个焊接点映射在待处理图像中的焊点域大小和形状是相同的，本发明实施例中可以假设每个焊点域所在图像区域的大小也是相同的。
在一个实施例中，图像处理设备在确定每个焊点域所在图像区域时，首先可以从待处理图像中识别出N个焊点域，然后基于N个焊点域和预先设定的图像区域属性信息(一个图像区域的形状和一个图像区域的大小)对待处理图像进行区域划分，得到N个图像区域，每个图像区域中包括一个焊点域，并且每个图像区域和其包括的焊点域具有相同的中心。具体地，按照N个焊点域对待处理图像进行划分，得到N个图像区域，可以包括：对待处理图像进行焊点域识别，获取N个焊点域的位置信息；获取图像区域属性信息；按照N个焊点域的位置信息以及图像区域属性信息对待处理图像进行区域划分处理得到N个图像区域。
其中，一个焊点域是由焊点域中心和焊点域属性信息表示的，焊点域属性信息包括焊点域的形状和焊点域的尺寸，因此，获取N个焊点域的位置信息，可以首先获取N个焊点域的中心位置，一个焊点域的中心位置可以是一个像素点，然后基于焊点域的属性信息和一个中心位置确定一个焊点域，比如焊点域属性信息中指示焊点域为长为x，宽度为y的矩形，那么假设一个中心位置表示为(x1，y1)，那么根据该焊点域属性信息和中心位置确定的焊点域的位置信息由4个位置坐标表示，分别为：(x1+1/2x，y1-1/2y)，(x1+1/2x，y1+1/2y)，(x1-1/2x，y1-1/2y)以及(x1-1/2x，y1+1/2y)。
在待处理图像中的，一个中心位置可以由一个宽度值和一个高度值表示，也就是说一个宽度值和一个高度值表示一个焊点域，因此，本发明实施例在对待处理图像进行像素点识别，获取N个焊点域的中心位置可以理解为：对待处理图像进行识别处理得到多个宽度值和多个高度值，将宽度值和高度值进行组合，得到N个焊点域的中心位置。具体实现中，对待处理图像进行焊点域识别，获取N个焊点域的位置信息，包括如下步骤：
S1：基于积分投影算法对待处理图像分别在垂直方向和水平方向进行灰度累加处理，得到水平积分投影图和垂直积分投影图；其中，水平积分投影图的宽度表示待处理图像的宽度，水平积分投影图的高度表示每个宽度值对应的多个长度值下对应的灰度进行灰度累加处理的结果；垂直积分投影图的宽度表示待处理图像的高度，垂直积分投影图的高度表示每个高度值对应的多个宽度值对应灰度进行灰度累加处理的结果；
其中，基于积分投影算法对待处理图像在垂直方向上进行灰度累加处理，可以通过公式(1)表示：
在公式(1)中，W表示待处理图像的宽度，H表示待处理图像的高度。通过公式(1)在垂直方向上进行灰度累加处理后，得到水平积分投影图可如图4b所示，图4b中横坐标方向表示待处理图像的宽度，纵坐标方向表示每个宽度值对应的多个长度值下的多个像素进行灰度累加处理的结果。
基于积分投影算法对待处理图像在水平方向上进行灰度累加处理，可以通过公式(2)表示：
通过公式(2)在水平方向上进行灰度累加处理后，得到垂直方向投影图可以如图4c所示，在图4c中横坐标方向表示待处理图像的高度，纵坐标方向表示每个高度值对应的多个宽度值下的多个像素进行灰度累加处理的结果。
在一个实施例中，为了更加形象地阐述水平积分投影图、垂直积分投影图与待处理图像之间的关系，本发明实施例可以将通过图4d表示水平积分投影图、垂直积分投影图与待处理图像之间的关系，在图4d中，41表示待处理图像，42表示垂直积分投影图，43表示水平积分投影图。从图4d可以看出，垂直积分投影图的横坐标方向等于待处理图像的宽度，水平积分投影图的纵坐标方向等于待处理图像的高度。
S2：获取水平积分投影图中的M个峰值，并基于M个峰值在水平积分投影图中的宽度值在待处理图像中获取与M个峰值点对应的M个宽度值；
峰值原意是指在所考虑的时间间隔内，变化的电流、电压或功率的最大瞬间值，在本发明实施例中，水平积分投影图中的峰值是指在所考虑的宽度内，变化的灰度累加的最大值，在图4b所示的水平积分投影图中，A，B，C表示峰值。峰值A对应的宽度值为W1，峰值B对应的宽度值为W2，峰值C对应的宽度值为W3。
S3：获取垂直积分投影图中的P个峰值点，并基于P个峰值点在垂直积分投影图中的高度值在待处理图像中获取与P个峰值点对应的P个高度值；
在本发明实施例中，垂直积分投影图中的峰值是指在所考虑的高度内变化的灰度累加的最大值，在图4c所示的垂直积分投影图中，P1-P9表示峰值。峰值P1对应的高度值为H1，峰值P2对应的高度值为H2，以此类推，峰值P9对应的高度值为H9。
S4：将M个宽度值和P个高度值进行排列组合，得到N个位置信息，每个位置信息对应一个焊点域中心位置。
具体来讲，将M个宽度值和P个高度值进行排列组合可以理解为将每个宽度值分别与P个高度值进行组合，例如假设M个宽度值为W1，W2和W3，P个高度值为H1，H2，…H9，将M个宽度值与P个宽度值进行排列组合，得到的位置信息可以表示为：(W1,P1)、(W1,P2)、(W1,P3)、……(W1,P9)，(W2,P1)、(W2,P2)、……(W2,P9)，……(W3,P9)。
举例来说，假设待处理图像、水平积分投影图和垂直积分投影图之间的关系可参见图4d所示，在图4d中水平积分投影图中包括A，B，C三个峰值，三个峰值对应的宽度值分别为W1，W2以及W3；垂直积分投影图中包括P1-P9这9个峰值，对应的高度值分别为H1-H9；首先将W1和H1进行组合，得到一个焊点域中心位置411，再将W1和H2组合，又得到一个焊点域中心位置422，以此类推，可以得到待处理图像上N个焊点域中心位置。
S5：基于N个位置信息和焊点域属性信息确定N个焊点域的位置信息，所述焊点域属性信息包括焊点域的形状和所述焊点域的尺寸。
通过上述步骤S1-S4确定了待处理图像上N个焊点域中心的位置信息后，进一步获取焊点域属性信息，该焊点域属性信息可以是基于焊接点尺寸和形状设定的；基于N个位置信息和焊点域属性信息确定N个焊点域的位置信息。
得到N个焊点域的位置信息后，进一步的获取图像区域属性信息，该图像区域属性信息可以是预先设定的，图像区域属性信息可以包括每个图像区域的形状信息以及尺寸信息，比如图像区域属性信息包括每个图像区域均是矩形，并且每个图像区域的尺寸信息相同，长度均为X，宽度均为Y。然后按照N个焊点域的位置信息和图像区域属性信息对待处理图像进行区域划分处理，具体地：将每一个焊点域中心作为中心，取长度等于X宽度等于Y的矩形作为一个图像区域，该图像区域包括一个焊点域。
例如，参见图5，为本发明实施例提供的一种对待处理图像进行区域划分的示意图，501表示未进行区域划分之前的待处理图像，502表示进行区域划分之后的待处理图像，可见进行区域划分的待处理图像中包括N个大小相等、形状相同的矩形，一个矩形是一个图像区域，每个矩形和一个焊点域具有相同的中心，一个图像区域也可以称为一个感兴趣区域(Region of Interest，ROI)。
步骤S303、根据N个图像区域确定图像差异信息集。
对待处理图像划分得到N个图像区域后，进一步的，图像处理设备根据N个图像区域确定图像差异信息集，图像差异信息集中包括每两个相邻的图像区域之间的图像差异信息，比如假设图5中的N个图像区域表示为N1，N2，N3，……N27，图像差异信息集中包括N1和N2之间的图像差异信息，N1和N4之间的图像差异信息，N2和N3之间的图像差异信息，N2和N5之间的图像差异信息等等。
具体地，根据N个图像区域确定图像差异信息集，包括：计算每两个相邻图像区域之间的图像差异信息，并将计算得到的图像差异信息存入到图像差异信息集中。
作为一种可选的实施方式，任意两个相邻的图像区域之间的图像差异信息可以是指任意两个相邻的图像区域对应的灰度直方图之间的距离。因此，计算任意两个相邻图像区域之间的图像差异信息，可以包括：分别获取任意两个相邻图像区域对应的灰度直方图，计算两个灰度直方图之间的距离，并将该距离作为任意两个相邻图像区域之间的图像差异信息。
作为另一种可选的实施方式，任意两个相邻的图像区域之间的图像差异信息可以指任意两个相邻的图像区域的灰度均值之差。因此，计算任意两个相邻图像区域之间的图像差异信息，可以包括：计算任意两个相邻的图像区域之间的灰度均值之差。
步骤S304、基于图像差异信息集对目标电池组件进行故障识别。
在一个实施例中，基于图像差异信息集对目标电池组件进行故障识别，可以包括：若图像差异信息集中存在目标数量个满足故障存在条件的图像差异信息，则确定目标太阳电池组件存在预设故障。此处的预设故障可以指虚焊故障，如果图像差异信息是指相邻的两个图像区域对应的灰度直方图之间的距离，则一个图像差异信息满足故障存在条件是指与该图像差异信息相关的两个相邻图像区域对应的灰度直方图之间的距离大于或等于距离阈值。目标数量可以是图像处理设备预先设置的任意值，比如1，2等等。如果图像差异信息是指相邻的两个图像区域对应的灰度均值之差，则一个图像差异信息满足故障存在条件是指与该图像差异信息相关的两个相邻图像区域之间的灰度均值之差大于或等于灰度均值阈值。
本发明实施例中，当需要对目标电池组件进行故障识别时，获取该目标电池组件对应的待处理图像，目标电池组件包括N个焊接点，每个焊接点被映射至待处理图像中的一个焊点域；进一步的，按照N个焊点域对待处理图像进行划分，得到N个图像区域，每个图像区域包括一个焊点域，且任一图像区域和该任一图像区域包括的焊点域具有相同的中心；然后确定N个图像区域中每两个相邻的图像区域之间的图像差异信息，并存入到图像差异信息集中。接着基于图像差异信息集对目标电池组件进行故障识别。由于存在故障的电池组件对应的图像中，可能存在两个或多个焊点对应的图像区域之间的图像差异信息异常，反之可以通过图像差异信息集来较为准确地识别目标电池组件是否存在故障。
基于上述的图像处理方法，本发明实施例提供了另一种图像处理方法，参见图6，为本发明实施例提供的另一种图像处理方法的流程示意图。图6所示的图像处理方法可由图像处理设备执行，具体可由图像处理设备的处理器执行。图6所示的图像处理方法具体可包括如下步骤：
步骤S601、获取目标电池组件对应的待处理图像，该目标电池组件包括N个焊接点，每个焊接点被映射至待处理图像中的一个焊点域。
步骤S602、对待处理图像进行焊点域识别，获取N个焊点域的位置信息。
在一个实施例中，步骤S601和步骤S602中包括的一些可行的实施方式，可参见图3实施例中步骤S301和步骤S302中相应内容的介绍，在此不再赘述。
步骤S603、获取图像区域属性信息，并按照N个焊点域的位置信息以及图像区域属性信息对待处理图像进行区域划分处理得到N个图像区域。
本发明实施例，为了放大目标电池组件的局部灰度差异，在对待处理图像进行区域划分之前，首先对待处理图像进行预处理，将待处理图像变为增强图像，然后在增强图像上进行区域划分处理。
其中，对待处理图像进行预处理可以包括自适应直方图均衡化，具体实现中，对待处理图像进行预处理，可以包括：将待处理图像划分为多个图像块，并分别对每个图像块进行直方图均衡化处理得到一个中间图像；然后对中间图像进行双线性插值处理得到增强图像。
应当理解的，在对每个图像块进行直方图均衡化处理时，如果图像块存在噪声，噪声可能会被放大，为了避免这种情况的发生，在对每个图像块进行直方图均衡化处理时采用了对比度限制。如果任何直方图的图像块超出对比度限制，则在对该图像块进行直方图均衡化处理之前，将该图像块中像素裁剪并均匀地分布到其他块中。
对每个图像块进行直方图均衡化处理后得到一个中间图像，为了消息图像块边界的伪影，对该中间图像进行双线性插值处理得到增强图像。参见图7a，为本发明实施例提供的一种增强图像的示意图，在图7a中701表示待处理图像，702表示增强图像。从图7a中可以看出，进行自适应直方图均衡化处理后的增强图像702中局部灰度差异更为明显。
步骤S604、计算N个图像区域中每个图像区域对应的灰度直方图。
通过步骤S603将待处理图像划分为N个图像区域之后，可以计算每个图像区域的灰度直方图，以基于每个图像区域的灰度直方图计算每两个相邻的图像区域之间的图像差异信息。
应当理解的，任意一个像素点的灰度值最小为0，最大为255，也就是说任意一个像素点的灰度值在0-255之间，计算任意一个图像区域对应的灰度直方图，可以包括：将0-255作为横坐标，统计任意一个图像区域每个灰度值出现的次数，将每个灰度值在任意一个图像区域中出现的次数作为纵坐标。举例来说，参见图7b，为本发明实施例提供的一种图像区域的灰度直方图的示意图，在图7b中图像区域N4和图像区域N5的灰度直方图表示为711，在711中71A表示图像区域N4的灰度直方图，71B表示为图像区域N5的灰度直方图。图像区域N20和图像区域N21的灰度直方图表示为722，在722中72A表示图像区域N20的灰度直方图，72B表示图像区域N21的灰度直方图。
步骤S605、获取直方图距离计算规则，并按照直方图距离计算规则确定每两个相邻的图像区域对应的灰度直方图之间的距离。
为了计算任意两个相邻的图像区域对应的灰度直方图之间的距离，本发明实施例可以选取如公式(3)所示的直方图距离计算规则：
在公式(3)中，H1和H2为任意两个相邻的图像区域对应的灰度直方图，N为整个灰度直方图中的格子数，
表示任意一个图像区域的灰度均值，Hk(I)表示任意一个灰度直方图的每个灰度值，I取值为0-255，其中，
可以通过如下公式(4)计算得到，在公式(4)中，i的取值从0-255。
依据上述直方图距离计算规则，可以计算出每个图像区域对应的灰度直方图与其相邻的图像区域对应的灰度直方图之间的距离，例如，每个图像区域与其相邻的各个图像区域对应的灰度直方图之间的距离可以如图7c所示，在图7c中，任意一个图像区域中，任意一个图像区域对应的灰度直方图与其右侧相邻的图像区域对应的灰度直方图之间的距离分布在该任意一个图像区域与其右侧相邻的图像区域相交线附近。比如图像区域N5右侧相邻的图像区域为N6，N5对应的灰度直方图与N6对应的灰度直方图之间的距离为0.23分布在N5和N6的相交线附近。同理的，任意一个图像区域对应的灰度直方图与其左侧相邻的图像区域对应的灰度直方图之间的距离分布在任意一个图像区域和其左侧相邻的图像区域相交线附近。
步骤S606、将每两个相邻的图像区域对应的灰度直方图之间的距离，作为每两个相邻的图像区域之间的图像差异信息存入图像差异信息集中。
如果任意两个相邻的图像区域对应的灰度直方图之间的距离比较大，可以表明这两个相邻的图像区域之间的灰度差异较大，比如在图7b中，可以看出图像区域N4和图像区域N5对应的灰度直方图之间的距离比较小，采用上述公式(3)计算得到的图像区域N4和图像区域N5对应的灰度直方图之间的距离为0.18；图像区域N20和图像区域N21对应的灰度直方图之间的距离比较大，通过上述公式(3)计算这两个灰度直方图之间的距离为0.69。
步骤S607、基于图像差异信息集对目标电池组件进行故障识别。
在一个实施例中，基于图像差异信息集对目标电池组件进行故障识别，可以指基于图像差异信息判断目标电池组件是否存在预设故障，预设故障可以指虚焊故障。具体地，基于图像差异信息对目标电池组件进行故障识别，包括：若所述图像差异信息集中存在目标数量个满足故障存在条件的图像差异信息，则确定目标电池组件存在预设故障。
作为一种可选的实施方式，由前述可知，两个相邻的图像区域之间的图像差异信息可以指该相邻的两个图像区域对应的灰度直方图之间的距离，因此，任一图像差异信息满足故障存在条件可以指是指所述任一图像差异信息大于或等于距离阈值。
作为另一种可选的实施方式，两个相邻的图像区域之间的图像差异信息可以指相邻的两个图像区域对应的灰度均值，因此，任一图像差异信息满足故障存在条件可以指所述任一图像差异信息大于或等于灰度均值阈值。
在另一个实施例中，基于图像差异信息集对目标电池组件进行故障识别还可以指在确定目标电池组件存在预设故障的情况下，识别目标电池组件中存在预设故障的焊接点。具体实现中，如果基于图像差异信息集确定目标电池组件存在预设故障，则基于图像差异信息集从N个图像区域中确定目标图像区域集；将目标电池组件包括的N个焊接点中与目标图像区域集中各个目标图像区域中焊点域对应的焊接点确定为存在预设故障的焊接点。
作为一种可选的实施方式，基于图像差异信息从N个图像区域中确定目标图像区域，包括：从图像差异信息中获取目标数量个满足故障存在条件的目标图像差异信息；获取每个图像差异信息相关的两个图像区域，其中，任一目标图像差异信息相关的两个图像区域是待处理图像中相邻的两个图像区域，且任一目标图像差异信息相关的两个图像区域之间的图像差异信息等于任一目标图像差异信息；基于每个目标图像差异距离相关的两个图像区域对应的灰度均值从每个目标图像差异信息相关的两个图像区域中确定一个目标图像区域，并存入到目标图像区域集中。具体实现中，可以将满足故障存在条件的两个相邻图像区域中，灰度均值较小的一个作为一个目标图像区域。
作为另一种可选的实施方式，基于图像差异信息从N个图像区域中确定目标图像区域，包括：确定每个图像区域对应的多个图像差异信息，任一图像区域对应的多个图像差异信息包括任一图像区域与任一图像区域相邻的多个图像区域之间的图像差异信息；若所述任一图像区域对应的多个图像差异信息中满足故障存在条件的图像差异信息的数量与所述任一图像区域对应的多个图像差异信息总数量之间满足预设比例，则将任一图像区域作为一个目标图像区域添加到目标图像区域集中。其中，预设比例可以是1/3，1/2，3/4等等。满足预设比例是指大于或等于该预设比例。
例如，预设比例为1/2，一个图像区域有3个相邻的图像区域，那么该图像区域对应有3个图像差异信息，如果3个图像差异信息中有2个图像差异信息满足故障存在条件，那么该图像区域满足故障存在条件的图像差异信息的数量2，与该图像区域对应多个图像差异信息总数量3之间的比例为2/3，2/3大于1/2，那么可以认为该图像区域可以作为一个目标图像区域存入到目标图像区域集中。
作为又一种可选的实施方式，基于所述图像差异信息从所述N个图像区域中确定目标图像区域，包括：从所述图像差异信息中获取目标数量个满足故障存在条件的目标图像差异信息；获取每个目标图像差异信息相关的两个图像区域，其中，任一目标图像差异信息相关的两个图像区域是所述待处理图像中相邻的两个图像区域，且所述任一目标图像差异信息相关的两个图像区域之间的图像差异信息等于所述任一目标图像差异信息；将多个目标图像差异信息相关的图像区域中，灰度均值小于灰度均值阈值的图像区域确定为目标图像区域。
概括来讲，根据每两个相邻的图像区域之间的图像差异信息，从N个图像区域中先选取可能存在预设故障的候选图像区域，然后计算这些候选图像区域的灰度均值，将灰度均值小于灰度均值阈值的候选图像区域确定为存在预设故障的目标图像区域。其中，灰度均值阈值可以是预先根据不同目标电池组件对应的待处理图像的灰度情况确定的。
基于上述描述，图6所示的图像处理方法的具体实现步骤可通过图7d所示：图像处理设备获取到待检测图像后，对待检测图像进行焊点域定位处理，得到多个焊点域的位置信息；同时对待处理图像进行自适应直方图均衡化处理得到增强图像；获取图像区域属性信息，按照多个焊点域的位置信息和图像区域属性信息在增强图像上进行区域提取，得到N个图像区域；进一步的，提取每个图像区域的灰度直方图，将每两个相邻的图像区域对应的灰度直方图进行邻域差异对比，也即计算相邻的图像区域对应的灰度直方图之间的距离，最后基于上述步骤得到的多个距离对目标电池组件进行故障检测。
本发明实施例中，当需要对目标电池组件进行故障识别时，获取该目标电池组件对应的待处理图像，目标电池组件的内部包括N个焊接点，待处理图像中包括N个焊点域，这N个焊点域与N个焊接点是一一对应的；进一步的，识别待处理图像中包括的N个焊点域的位置信息，以及获取图像区域属性信息，按照N个焊点域的位置信息以及图像区域属性信息，对待处理图像进行区域划分得到N个图像区域；进一步的，计算每个图像区域的灰度直方图，然后计算每两个相邻图像区域对应的灰度直方图之间的距离，得到图像差异信息集合，最后基于图像差异信息集合对目标电池组件进行预设故障识别。由于存在预设故障的电池组件对应的图像中，可能存在两个或多个图像区域之间的图像差异信息异常，反之可以通过图像差异信息集来较为准确地识别目标电池组件是否存在故障。
基于上述图像处理方法的实施例，本发明实施例提供了一种图像处理装置。参见图8，为本发明实施例提供的一种图像处理装置的结构示意图，图8所示的图像处理装置可运行如下单元：
获取单元801，用于获取目标电池组件对应的待处理图像，所述目标电池组件包括N个焊接点，每个焊接点被映射至所述待处理图像中的一个焊点域，N为大于或等于1的整数；
确定单元802，用于按照N个焊点域对所述待处理图像进行划分，得到N个图像区域，每个图像区域包括一个焊点域，且任一图像区域和所述任一图像包含的焊点域具有相同的中心；
所述确定单元802，还用于根据所述N个图像区域确定图像差异信息集，所述图像差异信息集包括所述N个图像区域中每两个相邻的图像区域之间的图像差异信息；
识别单元803，用于基于所述图像差异信息集对所述目标电池组件进行故障识别。
在一个实施例中，所述确定单元802按照N个焊点域对所述待处理图像进行划分，得到N个图像区域时，执行如下步骤：
对所述待处理图像进行焊点域识别，获取所述N个焊点域的位置信息；获取图像区域属性信息；按照所述N个焊点域的位置信息以及所述图像区域属性信息对所述待处理图像进行区域划分处理得到N个图像区域。
在一个实施例中，所述确定单元802在对所述待处理图像进行焊点域识别，获取所述N个焊点域的位置信息时，执行如下步骤：
基于积分投影算法对所述待处理图像分别在垂直方向和水平方向进行灰度累加处理，得到水平积分投影图和垂直积分投影图；其中，所述水平积分投影图的宽度表示所述待处理图像的宽度，所述水平积分投影图的高度表示每个宽度值对应的多个长度值对应的灰度进行灰度累加处理的结果；所述垂直积分投影图的宽度表示所述待处理图像的高度，所述垂直积分投影图的高度表示所述每个高度值对应的多个宽度值对应的灰度进行灰度累加处理的结果；
获取所述水平积分投影图中的M个峰值，并基于所述M个峰值在所述水平积分投影图中的宽度值在所述待处理图像中获取与所述M个峰值对应的M个宽度值；
获取所述垂直积分投影图中的P个峰值，并基于所述P个峰值在所述垂直积分投影图中的高度值在所述待处理图像中获取与所述P个峰值对应的P个高度值；将所述M个宽度值和所述P个高度值进行排列组合，得到N个位置信息，每个位置信息对应一个焊点域中心位置；
基于所述N个位置信息和焊点域属性信息确定N个焊点域的位置信息，所述焊点域属性信息用于指示一个焊点域的形状和尺寸。
在一个实施例中，所述确定单元802在按照所述N个焊点域的位置信息以及所述图像区域属性信息对所述待处理图像进行区域划分处理时，执行如下步骤：对所述待处理图像进行预处理得到增强图像；按照所述N个焊点域的位置信息以及所述图像区域属性信息对所述增强图像进行区域划分处理。
在一个实施例中，所述确定单元802在对所述待处理图像进行预处理得到增强图像时，执行如下步骤：
将所述待处理图像划分为多个图像块，并分别对每个图像块进行直方图均衡化处理，得到中间图像；对所述中间图像进行双线性插值处理得到增强图像。
在一个实施例中，所述识别单元803在基于所述图像差异信息对所述目标电池组件进行故障识别时，执行如下步骤：
若所述图像差异信息集中存在目标数量个满足故障存在条件的图像差异信息，则确定所述目标电池组件存在预设故障。
在一个实施例中，所述识别单元803在根据所述N个图像区域确定图像差异信息集时，执行如下步骤：
计算所述N个图像区域中每个图像区域对应的灰度直方图；获取直方图距离计算规则，并按照所述直方图距离计算规则确定每两个相邻的图像区域对应的灰度直方图之间的距离；将所述每两个相邻的图像区域对应的灰度直方图之间的距离，作为所述每两个相邻的图像区域之间的图像差异信息存入所述图像差异信息集中。
在一个实施例中，任一图像差异信息满足故障存在条件是指所述任一图像差异信息大于距离阈值。
在一个实施例中，所述识别单元803在基于所述图像差异信息对所述目标电池组件进行故障识别时，执行如下步骤：
如果基于所述图像差异信息集确定所述目标电池组件存在预设故障，则基于所述图像差异信息集从所述N个图像区域中确定目标图像区域集；
将所述目标电池组件包括的N个焊接点中，与所述目标图像区域集中各个目标图像区域中焊点域对应的焊接点，确定为存在预设故障的焊接点。
在一个实施例中，所述识别单元803在基于所述图像差异信息从所述N个图像区域中确定目标图像区域时，执行如下步骤：
从所述图像差异信息中获取目标数量个满足故障存在条件的目标图像差异信息；
获取每个目标图像差异信息相关的两个图像区域，其中，任一目标图像差异信息相关的两个图像区域是所述待处理图像中相邻的两个图像区域，且所述任一目标图像差异信息相关的两个图像区域之间的图像差异信息等于所述任一目标图像差异信息；
基于每个目标图像差异距离相关的两个图像区域对应的灰度均值从每个目标图像差异信息相关的两个图像区域中确定一个目标图像区域，并存入到目标图像区域集中。
在一个实施例中，所述识别单元803在基于所述图像差异信息从所述N个图像区域中确定目标图像区域时，执行如下步骤：
确定每个图像区域对应的多个图像差异信息，所述任一图像区域对应的多个图像差异信息包括所述任一图像区域与所述任一图像区域相邻的多个图像区域之间的图像差异信息；
若所述任一图像区域对应的多个图像差异信息中，满足故障存在条件的图像差异信息的数量与所述任一图像区域对应的多个图像差异信息总数量之间满足预设比例，则将所述任一图像区域作为一个目标图像区域添加到目标图像区域集中。
在一个实施例中，所述识别单元803在基于所述图像差异信息从所述N个图像区域中确定目标图像区域时，执行如下步骤：
从所述图像差异信息中获取目标数量个满足故障存在条件的目标图像差异信息；
获取每个目标图像差异信息相关的两个图像区域，其中，任一目标图像差异信息相关的两个图像区域是所述待处理图像中相邻的两个图像区域，且所述任一目标图像差异信息相关的两个图像区域之间的图像差异信息等于所述任一目标图像差异信息；
将多个目标图像差异信息相关的图像区域中，灰度均值小于灰度均值阈值的图像区域确定为目标图像区域。
根据本发明的一个实施例，图3和图6所示的图像处理方法所涉及各个步骤可以是由图8所示的图像处理装置中的各个单元来执行的。例如，图3所述的步骤S301可由图8中所述的图像处理装置中的获取单元801来执行，步骤S302和步骤S303可由图8所示的图像处理装置中的确定单元802来执行，步骤S304可由图8所示的图像处理装置中的识别单元803来执行；再如，图6所述的图像处理方法中步骤S601-步骤S603可由图8所示的图像处理装置中的获取单元801来执行，步骤S604和步骤S605可由图8所示的图像处理装置中的确定单元802来执行，步骤S606可由图8所示的图像处理装置中的识别单元803来执行。
根据本发明的另一个实施例，图8所示的图像处理装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成，或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成，这可以实现同样的操作，而不影响本发明的实施例的技术效果的实现。上述单元是基于逻辑功能划分的，在实际应用中，一个单元的功能也可以由多个单元来实现，或者多个单元的功能由一个单元实现。在本发明的其它实施例中，基于图像处理装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。
根据本发明的另一个实施例，可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行如图3以及图6所示的相应方法所涉及的各步骤的计算机程序(包括程序代码)，来构造如图8中所示的图像处理装置，以及来实现本发明实施例图像处理方法。所述计算机程序可以记载于例如计算机可读存储介质上，并通过计算机可读存储介质装载于上述计算设备中，并在其中运行。
本发明实施例中，当需要对目标电池组件进行预设故障识别时，获取该目标电池组件对应的待处理图像，目标电池组件的内部包括N个焊接点，待处理图像中包括N个焊点域，这N个焊点域与N个焊接点是一一对应的；进一步的，按照N个焊点域对待处理图像进行划分，得到N个图像区域，每个图像区域包括一个焊点域，且任一图像区域与所述任一图像区域包括的焊点域具有相同的中心；然后确定N个图像区域中每两个相邻的图像区域之间的图像差异信息，并存入到图像差异信息集中。接着基于图像差异信息集对目标电池组件进行故障识别。由于存在故障的电池组件对应的图像中，可能存在两个或多个图像区域之间的图像差异信息异常，反之可以通过图像差异信息集来较为准确地识别目标电池组件是否存在故障。
基于上述图像处理方法以及装置实施例，本发明实施例还提供了一种图像处理设备，参见图9，为本发明实施例提供的一种图像处理设备的结构示意图。图9所示的图像处理设备可至少包括处理器901、输入接口902、输出接口903以及计算机存储介质904。其中，处理器901、输入接口902、输出接口903以及计算机存储介质904可通过总线或其他方式连接。
计算机存储介质904可以存储在图像处理设备的存储器中，所述计算机存储介质904用于存储计算机程序，所述处理器901用于执行所述计算机存储介质904存储的程序计算机程序。处理器901(或称CPU(Central Processing Unit，中央处理器))是图像处理设备的计算核心以及控制核心，其适于实现一条或多条计算机程序，具体适于加载并执行一条或多条计算机程序从而实现相应方法流程或相应功能。
在一个实施例中，本发明实施例所述的处理器901可用于执行：获取目标电池组件对应的待处理图像，所述目标电池组件包括N个焊接点，每个焊接点被映射至所述待处理图像中的一个焊点域，N为大于或等于1的整数；按照N个焊点域对所述待处理图像进行划分，得到N个图像区域，一个图像区域包括一个焊点域，且任一图像区域和所述任一图像区域包括的焊点域具有相同的中心；根据所述N个图像区域确定图像差异信息集，所述图像差异信息集包括所述N个图像区域中每两个相邻的图像区域之间的图像差异信息；基于所述图像差异信息集对所述目标电池组件进行故障识别。
本发明实施例中，当需要对目标电池组件进行预设故障识别时，获取用于反映目标电池组件的内部信息的待处理图像，目标电池组件的内部包括N个焊接点，待处理图像中包括N个焊点域，这N个焊点域与N个焊接点是一一对应的；进一步的，在待处理图像中确定出N个图像区域，一个图像区域包括一个焊点域，且任一图像区域和所述任一图像区域包括的焊点域具有相同的中心；然后确定N个图像区域中每两个相邻的图像区域之间的图像差异信息，并存入到图像差异信息集中。接着基于图像差异信息集对目标电池组件进行故障识别。由于存在故障的电池组件对应的图像中，可能存在两个或多个图像区域之间的图像差异信息异常，反之可以通过图像差异信息集来较为准确地识别目标电池组件是否存在故障。
本发明实施例还提供了一种计算机存储介质(Memory)，所述计算机存储介质是图像处理设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机存储介质既可以包括图像处理设备中的内置存储介质，当然也可以包括图像处理设备所支持的扩展存储介质。计算机存储介质提供存储空间，该存储空间存储了图像处理设备的操作系统。并且，在该存储空间中还存放了适于被处理器901加载并执行的一条或多条的计算机程序。需要说明的是，此处的计算机存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器；可选的还可以是至少一个位于远离前述处理器的计算机存储介质。
在一个实施例中，可由处理器901加载并执行计算机存储介质中的一条或多条计算机程序，以实现上述有关图3以及图6的图像处理方法实施例中的相应步骤，具体实现中，计算机存储介质中的一条或多条第一计算机程序由处理器901加载并执行如下步骤：
获取目标电池组件对应的待处理图像，所述目标电池组件包括N个焊接点，每个焊接点被映射至所述待处理图像中的一个焊点域，N为大于或等于1的整数；按照N个焊点域对所述待处理图像进行划分，得到N个图像区域，其中，一个图像区域包括一个焊点域，且任一图像区域和所述任一图像区域包括的焊点域具有相同的中心；根据所述N个图像区域确定图像差异信息集，所述图像差异信息集包括所述N个图像区域中每两个相邻的图像区域之间的图像差异信息；基于所述图像差异信息集对所述目标电池组件进行故障识别。
在一个实施例中，所述处理器901在所述待处理图像中确定N个图像区域时，执行如下步骤：
对所述待处理图像进行焊点域识别，获取所述N个焊点域的位置信息；获取图像区域属性信息；按照所述N个焊点域的位置信息以及所述图像区域属性信息对所述待处理图像进行区域划分处理得到N个图像区域。
在一个实施例中，所述处理器901在对所述待处理图像进行焊点域识别，获取所述N个焊点域的位置信息时，执行如下步骤：
基于积分投影算法对所述待处理图像分别在垂直方向和水平方向进行灰度累加处理，得到水平积分投影图和垂直积分投影图；其中，所述水平积分投影图的宽度表示所述待处理图像的宽度，所述水平积分投影图的高度表示每个宽度值对应的多个长度值下对应的灰度进行灰度累加处理的结果；所述垂直积分投影图的宽度表示所述待处理图像的高度，所述垂直积分投影图的高度表示所述每个高度值对应的多个宽度值下对应的灰度进行灰度累加处理的结果；
获取所述水平积分投影图中的M个峰值，并基于所述M个峰值在所述水平积分投影图中的宽度值在所述待处理图像中获取与所述M个峰值对应的M个宽度值；
获取所述垂直积分投影图中的P个峰值，并基于所述P个峰值在所述垂直积分投影图中的高度值在所述待处理图像中获取与所述P个峰值对应的P个高度值；
将所述M个宽度值和所述P个高度值进行排列组合，得到N个位置信息，每个位置信息对应一个焊点域中心位置；
基于所述N个位置信息和焊点域属性信息确定N个焊点域的位置信息，所述焊点域属性信息用于指示一个焊点域的形状和尺寸。
在一个实施例中，所述处理器901在按照所述N个焊点域的位置信息以及所述图像区域属性信息对所述待处理图像进行区域划分处理时，执行如下步骤：
对所述待处理图像进行预处理得到增强图像；按照所述N个焊点域的位置信息以及所述图像区域属性信息对所述增强图像进行区域划分处理。
在一个实施例中，所述处理器901在对所述待处理图像进行预处理得到增强图像时，执行如下步骤：
将所述待处理图像划分为多个图像块，并分别对每个图像块进行直方图均衡化处理，得到中间图像；对所述中间图像进行双线性插值处理得到增强图像。
在一个实施例中，所述处理器901在基于所述图像差异信息对所述目标电池组件进行预故障识别时，执行如下步骤：
若所述图像差异信息集中存在目标数量个满足故障存在条件的图像差异信息，则确定所述目标电池组件存在预设故障。
在一个实施例中，所述处理器901在根据所述N个图像区域确定图像差异信息集时，执行如下步骤：
计算所述N个图像区域中每个图像区域对应的灰度直方图；获取直方图距离计算规则，并按照所述直方图距离计算规则确定每两个相邻的图像区域对应的灰度直方图之间的距离；将所述每两个相邻的图像区域对应的灰度直方图之间的距离，作为所述每两个相邻的图像区域之间的图像差异信息存入所述图像差异信息集中。
在一个实施例中，任一图像差异信息满足故障存在条件是指所述任一图像差异信息大于距离阈值。
在一个实施例中，所述处理器901在基于所述图像差异信息对所述目标电池组件进行故障识别时，执行如下步骤：
如果基于所述图像差异信息集确定所述目标电池组件存在预设故障，则基于所述图像差异信息集从所述N个图像区域中确定目标图像区域集；
将所述目标电池组件包括的N个焊接点中，与所述目标图像区域集中各个目标图像区域中焊点域对应的焊接点，确定为存在预设故障的焊接点。
在一个实施例中，所述处理器901在基于所述图像差异信息从所述N个图像区域中确定目标图像区域时，执行如下步骤：
从所述图像差异信息中获取目标数量个满足故障存在条件的目标图像差异信息；获取每个目标图像差异信息相关的两个图像区域，其中，任一目标图像差异信息相关的两个图像区域是所述待处理图像中相邻的两个图像区域，且所述任一目标图像差异信息相关的两个图像区域之间的图像差异信息等于所述任一目标图像差异信息；基于每个目标图像差异距离相关的两个图像区域对应的灰度均值从每个目标图像差异信息相关的两个图像区域中确定一个目标图像区域，并存入到目标图像区域集中。
在一个实施例中，所述处理器901在基于所述图像差异信息从所述N个图像区域中确定目标图像区域时，执行如下步骤：
确定每个图像区域对应的多个图像差异信息，所述任一图像区域对应的多个图像差异信息包括所述任一图像区域与所述任一图像区域相邻的多个图像区域之间的图像差异信息；若所述任一图像区域对应的多个图像差异信息中，满足故障存在条件的图像差异信息的数量与所述任一图像区域对应的多个图像差异信息总数量之间满足预设比例，则将所述任一图像区域作为一个目标图像区域添加到目标图像区域集中。
在一个实施例中，所述处理器901在基于所述图像差异信息从所述N个图像区域中确定目标图像区域时，执行如下步骤：
从所述图像差异信息中获取目标数量个满足故障存在条件的目标图像差异信息；获取每个目标图像差异信息相关的两个图像区域，其中，任一目标图像差异信息相关的两个图像区域是所述待处理图像中相邻的两个图像区域，且所述任一目标图像差异信息相关的两个图像区域之间的图像差异信息等于所述任一目标图像差异信息；将多个目标图像差异信息相关的图像区域中，灰度均值小于灰度均值阈值的图像区域确定为目标图像区域。
本发明实施例中，当需要对目标电池组件进行故障识别时，获取用于反映目标电池组件对应的待处理图像，目标电池组件的内部包括N个焊接点，待处理图像中包括N个焊点域，这N个焊点域与N个焊接点是一一对应的；进一步的，按照N个焊点域对待处理图像进行划分，得到N个图像区域，一个图像区域包括一个焊点域，且任一图像区域和所述任一图像区域包括的焊点域具有相同的中心；然后确定N个图像区域中每两个相邻的图像区域之间的图像差异信息，并存入到图像差异信息集中。接着基于图像差异信息集对目标电池组件进行故障识别。由于存在故障的电池组件对应的图像中，可能存在两个或多个图像区域之间的图像差异信息异常，反之可以通过图像差异信息集来较为准确地识别目标电池组件是否存在故障。
本发明实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序在计算机存储介质中。图像处理设备的处理器从计算机存储介质中读取该计算机程序，处理器执行该计算机程序，使得图像处理设备执行上述如图3或图6所示的图像处理方法实施例。其中，计算机存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (15)
1.一种图像处理方法，其特征在于，包括：
获取目标电池组件对应的待处理图像，所述目标电池组件包括N个焊接点，每个焊接点被映射至所述待处理图像中的一个焊点域，N为大于或等于1的整数；
按照N个焊点域对所述待处理图像进行划分，得到N个图像区域，每个图像区域包括一个焊点域，且任一图像区域和所述任一图像包含的焊点域具有相同的中心；
根据所述N个图像区域确定图像差异信息集，所述图像差异信息集包括所述N个图像区域中每两个相邻的图像区域之间的图像差异信息；
基于所述图像差异信息集对所述目标电池组件进行故障识别。
2.如权利要求1所述的方法，其特征在于，所述按照N个焊点域对所述待处理图像进行划分，得到N个图像区域，包括：
对所述待处理图像进行焊点域识别，获取所述N个焊点域的位置信息；
获取图像区域属性信息；
按照所述N个焊点域的位置信息以及所述图像区域属性信息对所述待处理图像进行区域划分处理得到N个图像区域。
3.如权利要求2所述的方法，其特征在于，所述对所述待处理图像进行焊点域识别，获取所述N个焊点域的位置信息，包括：
基于积分投影算法对所述待处理图像分别在垂直方向和水平方向进行灰度累加处理，得到水平积分投影图和垂直积分投影图；其中，所述水平积分投影图的宽度表示所述待处理图像的宽度，所述水平积分投影图的高度表示每个宽度值对应的多个长度值对应的灰度进行灰度累加处理的结果；所述垂直积分投影图的宽度表示所述待处理图像的高度，所述垂直积分投影图的高度表示所述每个高度值对应的多个宽度值对应的灰度进行灰度累加处理的结果；
获取所述水平积分投影图中的M个峰值，并基于所述M个峰值在所述水平积分投影图中的宽度值在所述待处理图像中获取与所述M个峰值对应的M个宽度值；
获取所述垂直积分投影图中的P个峰值，并基于所述P个峰值在所述垂直积分投影图中的高度值在所述待处理图像中获取与所述P个峰值对应的P个高度值；
将所述M个宽度值和所述P个高度值进行排列组合，得到N个位置信息，每个位置信息对应一个焊点域中心位置；
基于所述N个位置信息和焊点域属性信息确定N个焊点域的位置信息，所述焊点区域属性信息用于指示一个焊点域的形状和尺寸。
4.如权利要求2所述的方法，其特征在于，所述按照所述N个焊点域的位置信息以及所述图像区域属性信息对所述待处理图像进行区域划分处理，包括：
对所述待处理图像进行预处理得到增强图像；
按照所述N个焊点域的位置信息以及所述图像区域属性信息对所述增强图像进行区域划分处理。
5.如权利要求4所述的方法，其特征在于，所述对所述待处理图像进行预处理得到增强图像，包括：
将所述待处理图像划分为多个图像块，并分别对每个图像块进行直方图均衡化处理，得到中间图像；
对所述中间图像进行双线性插值处理得到增强图像。
6.如权利要求1所述的方法，其特征在于，所述基于所述图像差异信息对所述目标电池组件进行故障识别，包括：
若所述图像差异信息集中存在目标数量个满足故障存在条件的图像差异信息，则确定所述目标电池组件存在预设故障。
7.如权利要求6所述的方法，其特征在于，所述根据所述N个图像区域确定图像差异信息集，包括：
计算所述N个图像区域中每个图像区域对应的灰度直方图；
获取直方图距离计算规则，并按照所述直方图距离计算规则确定每两个相邻的图像区域对应的灰度直方图之间的距离；
将所述每两个相邻的图像区域对应的灰度直方图之间的距离，作为所述每两个相邻的图像区域之间的图像差异信息存入所述图像差异信息集中。
8.如权利要求7所述的方法，其特征在于，任一图像差异信息满足故障存在条件是指所述任一图像差异信息大于距离阈值。
9.如权利要求6-8任一项所述的方法，其特征在于，所述基于所述图像差异信息对所述目标电池组件进行故障识别，包括：
如果基于所述图像差异信息集确定所述目标电池组件存在预设故障，则基于所述图像差异信息集从所述N个图像区域中确定目标图像区域集；
将所述目标电池组件包括的N个焊接点中，与所述目标图像区域集中各个目标图像区域中焊点域对应的焊接点，确定为存在预设故障的焊接点。
10.如权利要求9所述的方法，其特征在于，所述基于所述图像差异信息从所述N个图像区域中确定目标图像区域，包括：
从所述图像差异信息中获取目标数量个满足故障存在条件的目标图像差异信息；
获取每个目标图像差异信息相关的两个图像区域，其中，任一目标图像差异信息相关的两个图像区域是所述待处理图像中相邻的两个图像区域，且所述任一目标图像差异信息相关的两个图像区域之间的图像差异信息等于所述任一目标图像差异信息；
基于每个目标图像差异距离相关的两个图像区域对应的灰度均值从每个目标图像差异信息相关的两个图像区域中确定一个目标图像区域，并存入到目标图像区域集中。
11.如权利要求9所述的方法，其特征在于，所述基于所述图像差异信息从所述N个图像区域中确定目标图像区域，包括：
确定每个图像区域对应的多个图像差异信息，所述任一图像区域对应的多个图像差异信息包括所述任一图像区域与所述任一图像区域相邻的多个图像区域之间的图像差异信息；
若所述任一图像区域对应的多个图像差异信息中，满足故障存在条件的图像差异信息的数量与所述任一图像区域对应的多个图像差异信息总数量之间满足预设比例，则将所述任一图像区域作为一个目标图像区域添加到目标图像区域集中。
12.如权利要求9所述的方法，其特征在于，所述基于所述图像差异信息从所述N个图像区域中确定目标图像区域，包括：
从所述图像差异信息中获取目标数量个满足故障存在条件的目标图像差异信息；
获取每个目标图像差异信息相关的两个图像区域，其中，任一目标图像差异信息相关的两个图像区域是所述待处理图像中相邻的两个图像区域，且所述任一目标图像差异信息相关的两个图像区域之间的图像差异信息等于所述任一目标图像差异信息；
将多个目标图像差异信息相关的图像区域中，灰度均值小于灰度均值阈值的图像区域确定为目标图像区域。
13.一种图像处理装置，其特征在于，包括：
获取单元，用于获取目标电池组件对应的待处理图像，所述目标电池组件包括N个焊接点，每个焊接点被映射至所述待处理图像中的一个焊点域，N为大于或等于1的整数；
确定单元，用于按照N个焊点域对所述待处理图像进行划分，得到N个图像区域，其中，每个图像区域包括一个焊点域，且任一图像区域和所述任一图像区域包含的焊点域具有相同的中心；
所述确定单元，还用于根据所述N个图像区域确定图像差异信息集，所述图像差异信息集包括所述N个图像区域中每两个相邻的图像区域之间的图像差异信息；
识别单元，用于基于所述图像差异信息集对所述目标电池组件进行故障识别。
14.一种图像处理设备，其特征在于，包括：
处理器，适于实现一条或多条计算机程序；以及，
计算机存储介质，所述计算机存储介质存储有一条或多条计算机程序，所述一条或多条计算机程序适于由所述处理器加载并执行如权利要求1-12任一项所述的图像处理方法。
15.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于执行如权利要求1-12任一项所述的图像处理方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110682879.2A CN113837991B (zh) | 2021-06-18 | 2021-06-18 | 图像处理方法、装置、设备及存储介质 |
| PCT/CN2021/107207 WO2022262054A1 (zh) | 2021-06-18 | 2021-07-19 | 图像处理方法、装置、设备及存储介质 |
| US18/312,018 US20230274416A1 (en) | 2021-06-18 | 2023-05-04 | Image processing method, apparatus, and device, and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110682879.2A CN113837991B (zh) | 2021-06-18 | 2021-06-18 | 图像处理方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113837991A true CN113837991A (zh) | 2021-12-24 |
| CN113837991B CN113837991B (zh) | 2024-09-24 |
Family
ID=78962714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110682879.2A Active CN113837991B (zh) | 2021-06-18 | 2021-06-18 | 图像处理方法、装置、设备及存储介质 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230274416A1 (zh) |
| CN (1) | CN113837991B (zh) |
| WO (1) | WO2022262054A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708137A (zh) * | 2022-04-25 | 2022-07-05 | 大庆亿莱检验检测技术服务有限公司 | 一种井下监测的360°图像处理装置 |
| CN115205290A (zh) * | 2022-09-15 | 2022-10-18 | 深圳市合成快捷电子科技有限公司 | 一种pcb板生产过程在线检测方法及系统 |
| CN118123307A (zh) * | 2024-05-07 | 2024-06-04 | 广东省科学院智能制造研究所 | 一种基于视觉的自适应焊缝调整方法及系统 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837991B (zh) * | 2021-06-18 | 2024-09-24 | 腾讯云计算（北京）有限责任公司 | 图像处理方法、装置、设备及存储介质 |
| 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 |
| CN116309609B (zh) * | 2023-05-25 | 2023-08-04 | 山东曙岳车辆有限公司 | 一种集装箱门板瓦楞板焊接智能检测方法 |
| CN118577915B (zh) * | 2024-08-06 | 2024-10-01 | 常州华旋传感技术有限公司 | 一种基于视觉识别的点焊设备 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015005196A1 (ja) * | 2013-07-09 | 2015-01-15 | 株式会社日立国際電気 | 画像処理装置及び画像処理方法 |
| WO2016107408A1 (zh) * | 2014-12-30 | 2016-07-07 | 江苏科技大学 | 窄间隙焊缝偏差的红外视觉传感检测方法及装置 |
| CN106990112A (zh) * | 2017-03-14 | 2017-07-28 | 清华大学 | 基于多视觉信息融合的多层多道焊接轨迹检测装置及方法 |
| WO2018028306A1 (zh) * | 2016-08-11 | 2018-02-15 | 杭州海康威视数字技术股份有限公司 | 一种车牌号码识别方法及装置 |
| CN110400285A (zh) * | 2019-05-30 | 2019-11-01 | 哈尔滨工业大学（深圳） | 引线键合焊点缺陷定位与分类方法 |
| CN111079596A (zh) * | 2019-12-05 | 2020-04-28 | 国家海洋环境监测中心 | 高分辨率遥感影像的海上典型人造目标识别系统及方法 |
| CN111143589A (zh) * | 2019-12-06 | 2020-05-12 | Oppo广东移动通信有限公司 | 一种图像处理方法及装置、存储介质 |
| CN111739020A (zh) * | 2020-07-31 | 2020-10-02 | 成都数之联科技有限公司 | 周期纹理背景缺陷标签自动标注方法、装置、设备及介质 |
| CN111862193A (zh) * | 2020-07-21 | 2020-10-30 | 太仓光电技术研究所 | 一种基于形状描述子的电焊焊点双目视觉定位方法及装置 |
| CN111950424A (zh) * | 2020-08-06 | 2020-11-17 | 腾讯科技（深圳）有限公司 | 一种视频数据处理方法、装置、计算机及可读存储介质 |
| CN112184693A (zh) * | 2020-10-13 | 2021-01-05 | 东北大学 | 一种射线工业底片焊缝缺陷智能检测方法 |
| WO2022262054A1 (zh) * | 2021-06-18 | 2022-12-22 | 腾讯云计算（北京）有限责任公司 | 图像处理方法、装置、设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101996908B (zh) * | 2009-08-14 | 2013-03-27 | 中芯国际集成电路制造(上海)有限公司 | 晶片的检测方法 |
| US11158042B2 (en) * | 2019-07-10 | 2021-10-26 | International Business Machines Corporation | Object defect detection |
| US20210010953A1 (en) * | 2019-07-12 | 2021-01-14 | SVXR, Inc. | Methods and Systems for Defects Detection and Classification Using X-rays |
| CN111275679B (zh) * | 2020-01-17 | 2023-06-02 | 同济大学 | 一种基于图像的太阳能电池缺陷检测系统及方法 |
-
2021
- 2021-06-18 CN CN202110682879.2A patent/CN113837991B/zh active Active
- 2021-07-19 WO PCT/CN2021/107207 patent/WO2022262054A1/zh unknown
-
2023
- 2023-05-04 US US18/312,018 patent/US20230274416A1/en active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015005196A1 (ja) * | 2013-07-09 | 2015-01-15 | 株式会社日立国際電気 | 画像処理装置及び画像処理方法 |
| WO2016107408A1 (zh) * | 2014-12-30 | 2016-07-07 | 江苏科技大学 | 窄间隙焊缝偏差的红外视觉传感检测方法及装置 |
| WO2018028306A1 (zh) * | 2016-08-11 | 2018-02-15 | 杭州海康威视数字技术股份有限公司 | 一种车牌号码识别方法及装置 |
| CN106990112A (zh) * | 2017-03-14 | 2017-07-28 | 清华大学 | 基于多视觉信息融合的多层多道焊接轨迹检测装置及方法 |
| US20180268562A1 (en) * | 2017-03-14 | 2018-09-20 | Tsinghua University | Apparatus and method for detecting multilayer multipass welding trajectory |
| CN110400285A (zh) * | 2019-05-30 | 2019-11-01 | 哈尔滨工业大学（深圳） | 引线键合焊点缺陷定位与分类方法 |
| CN111079596A (zh) * | 2019-12-05 | 2020-04-28 | 国家海洋环境监测中心 | 高分辨率遥感影像的海上典型人造目标识别系统及方法 |
| CN111143589A (zh) * | 2019-12-06 | 2020-05-12 | Oppo广东移动通信有限公司 | 一种图像处理方法及装置、存储介质 |
| CN111862193A (zh) * | 2020-07-21 | 2020-10-30 | 太仓光电技术研究所 | 一种基于形状描述子的电焊焊点双目视觉定位方法及装置 |
| CN111739020A (zh) * | 2020-07-31 | 2020-10-02 | 成都数之联科技有限公司 | 周期纹理背景缺陷标签自动标注方法、装置、设备及介质 |
| CN111950424A (zh) * | 2020-08-06 | 2020-11-17 | 腾讯科技（深圳）有限公司 | 一种视频数据处理方法、装置、计算机及可读存储介质 |
| CN112184693A (zh) * | 2020-10-13 | 2021-01-05 | 东北大学 | 一种射线工业底片焊缝缺陷智能检测方法 |
| WO2022262054A1 (zh) * | 2021-06-18 | 2022-12-22 | 腾讯云计算（北京）有限责任公司 | 图像处理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 杨敏, 王春青, 邹增大, 胡庆贤: "表面组装印刷电路板上焊点信息的自动获取", 焊接学报, no. 06, 30 December 2001 (2001-12-30) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708137A (zh) * | 2022-04-25 | 2022-07-05 | 大庆亿莱检验检测技术服务有限公司 | 一种井下监测的360°图像处理装置 |
| CN115205290A (zh) * | 2022-09-15 | 2022-10-18 | 深圳市合成快捷电子科技有限公司 | 一种pcb板生产过程在线检测方法及系统 |
| CN118123307A (zh) * | 2024-05-07 | 2024-06-04 | 广东省科学院智能制造研究所 | 一种基于视觉的自适应焊缝调整方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230274416A1 (en) | 2023-08-31 |
| CN113837991B (zh) | 2024-09-24 |
| WO2022262054A1 (zh) | 2022-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113837991B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
| CN111080634A (zh) | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 | |
| CN113837007B (zh) | 一种基于桥梁监控视频中车辆匹配深度学习的桥梁荷载分布识别方法 | |
| CN113222949B (zh) | 一种电力设备导体插接位置的x射线影像自动检测方法 | |
| CN111242128A (zh) | 目标检测方法、装置、计算机可读存储介质和计算机设备 | |
| CN116503318A (zh) | 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备 | |
| CN115035061A (zh) | 一种电芯极组阴阳极点提取及阴阳极片对齐度检测方法 | |
| CN113052103A (zh) | 一种基于神经网络的电气设备缺陷检测方法及装置 | |
| CN112989995A (zh) | 文本检测方法、装置及电子设备 | |
| CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
| CN116051539A (zh) | 一种变电设备发热故障的诊断方法 | |
| CN117934451B (zh) | 应用于光伏电站的无人机巡检方法及系统 | |
| CN115439753A (zh) | 一种基于dem的陡峭河岸识别方法及系统 | |
| Ashraf et al. | Efficient Pavement Crack Detection and Classification Using Custom YOLOv7 Model | |
| CN112734637B (zh) | 一种导线温度监测的热红外图像处理方法和系统 | |
| CN112113638B (zh) | 水表功能自检装置及方法 | |
| CN104427210A (zh) | 一种随机异常闪烁点检测方法及装置 | |
| CN117197571A (zh) | 一种光伏组件故障检测方法、装置、电子设备及存储介质 | |
| CN113674215A (zh) | 光伏板的光斑识别方法、装置及计算机可读存储介质 | |
| Gu et al. | Object detection of overhead transmission lines based on improved YOLOv5s | |
| CN118425691B (zh) | 一种输电线路故障定位方法、装置、设备及介质 | |
| CN111382773A (zh) | 一种用于管道内部监测基于九宫原理的图像匹配方法 | |
| CN117764959B (zh) | 一种光伏电池组件缺陷检测方法和系统 | |
| CN117292212A (zh) | 一种刮板输送机的异物识别方法 |
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 |