CN114529515A - 一种自动识别太阳能电池内部缺陷的方法 - Google Patents

一种自动识别太阳能电池内部缺陷的方法 Download PDF

Info

Publication number
CN114529515A
CN114529515A CN202210047604.6A CN202210047604A CN114529515A CN 114529515 A CN114529515 A CN 114529515A CN 202210047604 A CN202210047604 A CN 202210047604A CN 114529515 A CN114529515 A CN 114529515A
Authority
CN
China
Prior art keywords
image
solar cell
pixel
matrix
defects
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.)
Pending
Application number
CN202210047604.6A
Other languages
English (en)
Inventor
刘屿
倪君仪
兰炜圣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Guangzhou Institute of Modern Industrial Technology
Original Assignee
South China University of Technology SCUT
Guangzhou Institute of Modern Industrial Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT, Guangzhou Institute of Modern Industrial Technology filed Critical South China University of Technology SCUT
Priority to CN202210047604.6A priority Critical patent/CN114529515A/zh
Publication of CN114529515A publication Critical patent/CN114529515A/zh
Pending legal-status Critical Current

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种自动识别太阳能电池内部缺陷的方法，该方法首先生成显著图，在纹理不均匀、亮度不均匀的背景下获取不同大小的显著目标；在此基础上，提出了基于全局结构信息的粗检测方法，以区分显著图中可能存在的缺陷；最后，利用多尺度局部分析进行精细分割，在像素级对可能存在的缺陷进行准确分割。该方法基于全局结构信息和多尺度局部分析的由粗到细的精密缺陷检测，能够在无监督的情况下检测缺陷，适用于定量分析。该方法设计了显著性图，突出显示了嵌入在具有异质纹理和不均匀亮度背景中的太阳能电池内部缺陷，实现测量不同生产工艺的太阳能电池内部缺陷。

Description

一种自动识别太阳能电池内部缺陷的方法
技术领域
本发明涉及机器视觉检测技术领域，具体涉及一种自动识别太阳能电池内部缺陷的方法。
背景技术
基于机器视觉的光电半导体产品缺陷自动检测是目前行业的一大刚需，特别是太阳能电池的生产过程由若干复杂的技术组成，受到数千个工艺参数的影响。一旦出现差错，这些有害影响就会在太阳能电池的外部或内部表现为缺陷。
局部缺陷检测技术大致分为基于模板匹配、基于低秩表示和基于模型的方法。基于模板匹配方法的有效性取决于检测样本与模板的准确对齐、相似的局部亮度变化和具有足够代表性的模板，不适用于本发明所面临的复杂场景；基于低秩表示方法的核心是基于纹理先验知识构造一个字典矩阵，但字典矩阵越大，计算时间越长，难以保证实时性；而基于深度学习模型的方法在数据匮乏时，数据不足会导致过拟合和泛化能力差，此外，为大规模数据集标注图像标签既费时费力，又不适合高速生产线。因此，设计一种更通用的太阳能电池内部缺陷检测算法面临着速度快、精度高、鲁棒性强、兼容性好的挑战。
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，提供一种自动识别太阳能电池内部缺陷的方法。
本发明的目的可以通过采取如下技术方案达到：
一种自动识别太阳能电池内部缺陷的方法，所述方法包括以下步骤：
S1、选取一副太阳能电池样本图像作为输入图像，生成输入图像的显著性图，在不均匀背景下不受监督地获取不同大小的显著目标；
S2、基于全局结构信息进行粗检测，在显著性图中将可能有缺陷的前景与背景区分开来，并最大限度保护缺陷形状信息；
S3、基于多尺度局部分析依据粗检测得到的结果对太阳能电池内部缺陷进行精细分割，在像素级对可能存在缺陷的区域进行准确分割。
进一步地，所述步骤S1中生成输入图像的显著性图的过程如下：
S1.1、从数据集中选取一个大小为M×N位图作为输入图像i(x,y)，利用傅里叶变换FT得到频域图像I(u,v)，其中，M为图像的高，N为图像的宽：
Figure BDA0003472890400000021
其中，x、u∈[0,M-1]，y、v∈[0,N-1]，
Figure BDA0003472890400000022
Re(u,v)和Im(u,v)分别为频域图像的实部与虚部，将图像转化为频域图像后，通常将表示均匀重复模式的频率分量置零，这样有利于周期性纹理表面的局部缺陷检测。；
S1.2、在复域对频域图像I(u,v)进行奇异值分解，因为通过将较小的奇异值置零，保留较大的奇异值来重建图像这个简单的差异处理之后，可以去除背景纹理，从而明显增强复原图像中的异常，所以在此保留前k1个较大的奇异值重建新的频域图像I′(u,v)＝Re′(u,v)+j·Im′(u,v)：
Figure BDA0003472890400000023
其中，矩阵U和矩阵V分别由
Figure BDA0003472890400000024
和
Figure BDA0003472890400000025
的正交特征向量组成，Uk和Vk分别是矩阵U和矩阵V的第k列元素，符号
Figure BDA0003472890400000026
表示转置，I表示I(u,v)的简称，Re′(u,v)和Im′(u,v)表示频域图像I′(u,v)的实部和虚部，λk是由I的奇异值λ1,λ2,…,λr组成的对角矩阵的第k个元素；
S1.3、将频域图像I′(u,v)的实部、虚部和频域图像I(u,v)的实部、虚部分别进行对比获取重构的实部Rre*(u,v)和虚部Im*(u,v)为：
Figure BDA0003472890400000031
其中，min(·)表示逐像素计算两幅图像的最小值，|·|表示求取图像的绝对值；
S1.4、利用重构的实部Re*(u,v)和虚部Im*(u,v)得到新的频域图像I*(u,v)，同时，根据傅里叶反变换IFT得到空间域的重构图像i*(x,y)：
Figure BDA0003472890400000032
在重构图像i*(x,y)中，较亮的异常变暗，较暗的异常变亮，即前景强度趋于背景强度，更有利于显著性图的生成；
S1.5、生成显著性图s(x，y)：
s(x,y)＝α·D+β·B
其中，
Figure BDA0003472890400000033
表示的是暗缺陷，
Figure BDA0003472890400000034
Figure BDA0003472890400000035
表示的是亮缺陷，
Figure BDA0003472890400000036
表示一个大小为M×N且所有元素都为0的矩阵，α和β设置为0或者1，max(·)表示计算最大值，B和D的减法确保了不同图像的不同灰度范围被转换成了一个统一的基准。
进一步地，所述步骤S2中进行粗检测的实现过程为：
S2.1、对显著性图s(x，y)进行二值化阈值处理：
Figure BDA0003472890400000037
其中，1代表有缺陷的像素，0代表无缺陷的像素，阈值T∈[0,255]，二值化处理之后的图像b(x,y)的所有像素灰度值均由0和1组成；
S2.2、因为显著性图s(x，y)的灰度直方图中没有驼峰，所以很难自适应获取阈值T的大小，所以利用图像中的全局结构信息，设计了两个卷积核Δ1、Δ2对v(x,y)进行卷积操作得到卷积图像b6(x,y)和b7(x,y)，其中，卷积核的形式如下；
Figure BDA0003472890400000041
S2.3、为了获取阈值T，对卷积图像b6(x,y)和b7(x,y)的直方图进行归一化处理得到概率分布直方图p(g)：
Figure BDA0003472890400000042
其中，灰度值为g的像素个数由hg表示，所有的像素个数表示为
Figure BDA0003472890400000043
Figure BDA0003472890400000044
S2.4、引入香农熵来衡量全局结构信息的平均不确定性为H(g)：
Figure BDA0003472890400000047
其中，log()表示求对数操作；
S2.5、计算得到b6(x,y)和b7(x,y)的熵为Hb6和Hb7，设定一个度量标准为δ：
δ＝8·Hb6-7·Hb7；
为了使基于全局结构信息阈值的粗检测可以保持缺陷的完整形状，所以此处系数设为8和7；
S2.6、遍历所有的阈值T得到相应的度量标准δT，并根据最大的度量标准
Figure BDA0003472890400000045
获取的阈值T*，利用阈值法得到感兴趣区域b*(x,y)的图像：
Figure BDA0003472890400000046
感兴趣区域b*(x,y)中最大限度的保留了图像中的缺陷信息；
进一步地，所述步骤S3中基于多尺度局部分析依据粗检测得到的结果对太阳能电池内部缺陷进行精细分割的过程为：
S3.1、对图像b*(x,y)进行连通域操作，使b*(x,y)由多个不同的连通域组成，找到所有连通域中最长的边Lmax，给定多尺度Z，自适应计算步长q和滑动掩膜的宽度wz：
Figure BDA0003472890400000051
其中，int(·)表示取整操作，floor(·)表示向下取整操作，此处，Z＝5；；
S3.2、为了检测不同对比度的缺陷，利用局部统计信息和相对阈值R，推导出局部平均图像μz(x,y)和局部标准差图像σz(x,y)：
Figure BDA0003472890400000052
其中，
Figure BDA0003472890400000058
表示为卷积算子，
Figure BDA0003472890400000053
表示所有元素全为1的尺寸为wz×wz的掩膜；
S3.3、因为局部对比度与σ(x,y)和R相关，所以定义一个容差图εz(x,y)：
Figure BDA0003472890400000054
其中，max*(·)表示逐像素计算两幅图像的最大值，
Figure BDA0003472890400000055
表示比例因子，
Figure BDA0003472890400000056
表示所有元素全为R的尺寸为M×N的矩阵；
S3.4、生成候选图像cz(x,y)：
Figure BDA0003472890400000057
其中，and和or分别表示与操作和或操作，az(x,y)＝μz(x,y)+εz(x,y)，mz(x,y)＝μz(x,y)-εz(x,y)；
S3.5、通过并运算将多尺度检测掩膜中的所有输出组合起来生成最终的图像：
Figure BDA0003472890400000061
其中，∪(·)表示组合运算。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明设计了显著性图，突出显示了嵌入在具有异质纹理和不均匀亮度背景中的太阳能电池内部缺陷；
(2)本发明提出了一种基于全局结构信息和多尺度局部分析的由粗到细的精密缺陷检测方法，对于待检测的缺陷样本形式及样本量要求不是很高，能适应不同场景的需求；
(3)由于给出了加速策略，本发明所提出的方法可以应用于在线检测。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明公开的一种自动识别太阳能电池内部缺陷的方法的流程图；
图2是本发明实施例中选择的输入样本图像；
图3是本发明实施例中依据样本图像生成的显著性图；
图4是本发明实施例中灰度直方图；
图5是本发明实施例中粗检测的结果示意图；
图6是本发明实施例中精检测的结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本实施例主要针对太阳能电池内部缺陷提出一种自动化检测技术，在不均匀背景下不受监督地获取不同大小的显著目标，并基于全局结构信息进行粗检测，在显著性图中将可能有缺陷的前景与背景区分开来，并尽可能保护缺陷形状信息。在此基础上，基于多尺度局部分析依据粗检测得到的结果对太阳能电池内部缺陷进行精细分割，在像素级对可能存在缺陷的区域进行准确分割。
图1是本实施例公开的一种自动识别太阳能电池内部缺陷的方法的框架图，下面通过具体实施例来进行说明。一种自动识别太阳能电池内部缺陷的方法，具体步骤如下：
S1、选取一副太阳能电池样本图像作为输入图像，利用傅里叶变换和反变换以及奇异值分解生成输入图像的显著性图，在不均匀背景下不受监督地获取不同大小的显著目标；
S2、由于灰度直方图中没有波峰，所以在应用阈值法区分前景和背景的时候很难确定理想的阈值，因此应用卷积核充分利用全局结构信息进行粗检测，在显著性图中将可能有缺陷的前景与背景区分开来，并尽可能保护缺陷形状信息；
S3、在上一步粗检测得到的结果中会存在较多的误检测，所以进一步基于多尺度局部分析依据粗检测得到的结果对太阳能电池内部缺陷进行精细分割，在像素级对可能存在缺陷的区域进行准确分割。
本发明提出的一种自动识别太阳能电池内部缺陷的方法通过以下技术方案进一步实现：
本实施例中，步骤S1中生成输入图像显著性图的具体过程如下：
S1.1、从数据集中选取一个大小为M×N的8位图作为输入图像i(x,y)，利用傅里叶变换FT得到频域图像I(u,v)，其中，M为图像的高，N为图像的宽：
Figure BDA0003472890400000081
其中，x、u∈[0,M-1]，y、v∈[0,N-1]，
Figure BDA0003472890400000082
Re(u,v)和Im(u,v)分别为频域图像的实部与虚部；
S1.2、在复域对频域图像I(u,v)进行奇异值分解，保留前k1个较大的奇异值重建新的频域图像I′(u,v)＝Re′(u,v)+j·Im′(u,v)：
Figure BDA0003472890400000083
其中，矩阵U和矩阵V分别由
Figure BDA0003472890400000086
和
Figure BDA0003472890400000087
的正交特征向量组成，Uk和Vk分别是矩阵U和矩阵V的第k列元素，符号
Figure BDA0003472890400000088
表示转置，I表示I(u,v)的简称，Re′(u,v)和Im′(u,v)表示频域图像I′(u,v)的实部和虚部，λk是由I的奇异值λ1,λ2,…,λr组成的对角矩阵的第k个元素；
S1.3、将频域图像I′(u,v)的实部、虚部和频域图像I(u,v)的实部、虚部分别进行对比获取重构的实部Re*(u,v)和虚部Im*(u,v)为：
Figure BDA0003472890400000084
其中，min(·)表示逐像素计算两幅图像的最小值，|·|表示求取图像的绝对值；
S1.4、利用重构的实部Re*(u,v)和虚部Im*(u,v)得到新的频域图像I*(u,v)，同时，根据傅里叶反变换IFT得到空间域的重构图像i*(x,y)：
Figure BDA0003472890400000085
S1.5、生成显著性图s(x，y)：
s(x,y)＝α·D+β·B
其中，
Figure BDA0003472890400000091
表示的是暗缺陷，
Figure BDA0003472890400000092
Figure BDA0003472890400000093
表示的是亮缺陷，
Figure BDA0003472890400000094
表示一个大小为M×N且所有元素都为0的矩阵，α和β设置为0或者1，max(·)表示计算最大值。当α或β设为1时，触发相应的检测部分。
本实施例中，步骤S2中对图像缺陷进行粗检测的具体过程为：
S2.1、对显著性图s(x，y)进行二值化阈值处理：
Figure BDA0003472890400000095
S2.2、设计两个卷积核Δ1、Δ2对b(x,y)进行卷积操作得到卷积图像b6(x,y)和b7(x,y)其中，卷积核的形式如下；
Figure BDA0003472890400000096
S2.3、对卷积图像b6(x,y)和b7(x,y)的直方图进行归一化处理得到概率分布直方图p(g)：
Figure BDA0003472890400000097
其中，灰度值为g的像素个数由hg表示，所有的像素个数表示为
Figure BDA0003472890400000098
Figure BDA0003472890400000099
S2.4、引入香农熵来衡量全局结构信息的平均不确定性为H(g)：
Figure BDA00034728904000000910
其中，log()表示求对数操作；
S2.5、计算得到b6(x,y)和b7(x,y)的熵为Hb6和Hb7，设定一个度量标准为δ：
δ＝8·Hb6-7·Hb7
S2.6、遍历所有的阈值T得到相应的度量标准δT，并根据最大的度量标准
Figure BDA0003472890400000101
获取的阈值T*利用阈值法得到感兴趣区域b*(x,y)的图像：
Figure BDA0003472890400000102
在本实施例中，步骤S3的具体过程为：
S3.1、对图像b*(x,y)进行连通域操作，使b*(x,y)由多个不同的连通域组成，找到所有连通域中最长的边Lmax，给定多尺度Z，自适应计算步长q和滑动掩膜的宽度wz：
Figure BDA0003472890400000103
其中，int(·)表示取整操作，floor(·)表示向下取整操作；S3.2、利用局部统计信息和相对阈值R，推导出局部平均图像μz(x,y)和局部标准差图像σz(x,y)：
Figure BDA0003472890400000104
其中，
Figure BDA0003472890400000109
表示为卷积算子，
Figure BDA0003472890400000105
表示所有元素全为1的尺寸为wz×wz的掩膜；
S3.3、定义一个容差图εz(x,y)：
Figure BDA0003472890400000106
其中，max*(·)表示逐像素计算两幅图像的最大值，
Figure BDA0003472890400000107
表示比例因子，
Figure BDA0003472890400000108
表示所有元素全为R的尺寸为M×N的矩阵；
S3.4、生成候选图像cz(x,y)：
Figure BDA0003472890400000111
其中，and和or分别表示与操作和或操作，az(x,y)＝μz(x,y)+εz(x,y)，mz(x,y)＝μz(x,y)-εz(x,y)；
S3.5、通过并运算将多尺度检测掩膜中的所有输出组合起来生成最终的图像：
Figure BDA0003472890400000112
其中，U(·)表示组合运算。
实施例2
在本实施例中，将本发明提出的方法(PM)与傅里叶变换(FT)及奇异值分解(SVD)两种经典算法进行了比较，采用假阳性率(FPR)、假阴性率(FNR)和平均绝对误差(MAE)进行了各算法的性能评估，它们的定义如下：
Figure BDA0003472890400000113
Figure BDA0003472890400000114
Figure BDA0003472890400000115
FP表示像素级伪缺陷区域，TN表示像素级真背景区域，FN表示像素级未检测到的缺陷区域，TP表示像素级真缺陷区域。即FPR定义为被错误检测为缺陷的完好像素所占的比例，FNR表示被错误预测为背景的缺陷像素所占的比例，MAE表示被错误区分为背景或缺陷的像素所占的比例。可见，指标(FPR、FNR和MAE)的值越小，算法检测到的结果越优。
表1.不同算法的检测结果表
方法 FPR FNR MAE
PM 0.00019 0.29900 0.00302
FT 0.00388 0.49453 0.00568
SVD 0.00498 0.24407 0.00862
实验结果表明，本发明提出的先生成显著性图，再基于全局结构信息和多尺度局部分析的由粗到细的精密缺陷检测方法取得了最优的检测结果。
综上所述，上述实施例公开的一种自动识别太阳能电池内部缺陷的方法，提出了一种通用的基于显著性图的由粗到精的方法，可用于不同生产工艺下太阳能电池内部缺陷的自动检测。
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)

1.一种自动识别太阳能电池内部缺陷的方法，其特征在于，所述方法包括以下步骤：
S1、选取一副太阳能电池样本图像作为输入图像，生成输入图像的显著性图，在不均匀背景下不受监督地获取不同大小的显著目标；
S2、基于全局结构信息进行粗检测，在显著性图中将可能有缺陷的前景与背景区分开来，并最大限度保护缺陷形状信息；
S3、基于多尺度局部分析依据粗检测得到的结果对太阳能电池内部缺陷进行精细分割，在像素级对可能存在缺陷的区域进行准确分割。
2.根据权利要求1所述的一种自动识别太阳能电池内部缺陷的方法，其特征在于，所述步骤S1中生成输入图像的显著性图的过程如下：
S1.1、从数据集中选取一个大小为M×N的8位图作为输入图像i(x,y)，利用傅里叶变换FT得到频域图像I(u,v)，其中，M为图像的高，N为图像的宽：
Figure FDA0003472890390000011
其中，x、u∈[0,M-1]，y、v∈[0,N-1]，
Figure FDA0003472890390000012
Re(u,v)和Im(u,v)分别为频域图像的实部与虚部；
S1.2、在复域对频域图像I(u,v)进行奇异值分解，保留前k1个较大的奇异值重建新的频域图像I′(u,v)＝Re′(u,v)+j·Im′(u,v)：
Figure FDA0003472890390000013
其中，矩阵U和矩阵V分别由
Figure FDA0003472890390000014
和
Figure FDA0003472890390000015
的正交特征向量组成，Uk和Vk分别是矩阵U和矩阵V的第k列元素，符号T表示转置，I表示I(u,v)的简称，Re′(u,v)和Im′(u,v)表示频域图像I′(u,v)的实部和虚部，λk是由I的奇异值λ1,λ2,…,λr组成的对角矩阵的第k个元素；
S1.3、将频域图像I′(u,v)的实部、虚部和频域图像I(u,v)的实部、虚部分别进行对比获取重构的实部Re*(u,v)和虚部Im*(u,v)为：
Figure FDA0003472890390000021
其中，min(·)表示逐像素计算两幅图像的最小值，|·|表示求取图像的绝对值；
S1.4、利用重构的实部Re*(u,v)和虚部Im*(u,v)得到新的频域图像I*(u,v)，同时，根据傅里叶反变换IFT得到空间域的重构图像i*(x,y)：
Figure FDA0003472890390000022
S1.5、生成显著性图s(x，y)：
s(x,y)＝α·D+β·B
其中，
Figure FDA0003472890390000023
表示暗缺陷，
Figure FDA0003472890390000024
Figure FDA0003472890390000025
表示亮缺陷，
Figure FDA0003472890390000026
表示一个大小为M×N且所有元素都为0的矩阵，α和β设置为0或者1，max(·)表示计算最大值。
3.根据权利要求1所述的一种自动识别太阳能电池内部缺陷的方法，其特征在于，所述步骤S2中进行粗检测的实现过程为：
S2.1、对显著性图s(x，y)进行二值化阈值处理：
Figure FDA0003472890390000027
其中，1代表有缺陷的像素，0代表无缺陷的像素，阈值T∈[0,255]；
S2.2、设计两个卷积核Δ1、Δ2对b(x,y)进行卷积操作得到卷积图像b6(x,y)和b7(x,y)其中，卷积核的形式如下；
Figure FDA0003472890390000028
S2.3、对卷积图像b6(x,y)和b7(x,y)的直方图进行归一化处理得到概率分布直方图p(g)：
Figure FDA0003472890390000031
其中，灰度值为g的像素个数由hg表示，所有的像素个数表示为
Figure FDA0003472890390000032
Figure FDA0003472890390000033
S2.4、引入香农熵来衡量全局结构信息的平均不确定性为H(g)：
Figure FDA0003472890390000034
其中，log()表示求对数操作；
S2.5、计算得到b6(x,y)和b7(x,y)的熵为Hb6和Hb7，设定一个度量标准为δ：
δ＝8·Hb6-7·Hb7
S2.6、遍历所有的阈值T得到相应的度量标准δT，并根据最大的度量标准
Figure FDA0003472890390000037
获取的阈值T*，利用阈值法得到感兴趣区域b*(x,y)的图像：
Figure FDA0003472890390000035
4.根据权利要求3所述的一种自动识别太阳能电池内部缺陷的方法，其特征在于，所述步骤S3中基于多尺度局部分析依据粗检测得到的结果对太阳能电池内部缺陷进行精细分割的过程为：
S3.1、对图像b*(x,y)进行连通域操作，使b*(x,y)由多个不同的连通域组成，找到所有连通域中最长的边Lmax，给定多尺度Z，自适应计算步长q和滑动掩膜的宽度wz：
Figure FDA0003472890390000036
其中，int(·)表示取整操作，floor(·)表示向下取整操作；
S3.2、利用局部统计信息和相对阈值R，推导出局部平均图像μz(x,y)和局部标准差图像σz(x,y)：
Figure FDA0003472890390000041
其中，※表示为卷积算子，
Figure FDA0003472890390000047
表示所有元素全为1的尺寸为wz×wz的掩膜；
S3.3、定义一个容差图εz(x,y)：
Figure FDA0003472890390000042
其中，max*(·)表示逐像素计算两幅图像的最大值，
Figure FDA0003472890390000043
表示比例因子，
Figure FDA0003472890390000046
表示所有元素全为R的尺寸为M×N的矩阵；
S3.4、生成候选图像cz(x,y)：
Figure FDA0003472890390000044
其中，and和or分别表示与操作和或操作，az(x,y)＝μz(x,y)+εz(x,y)，mz(x,y)＝μz(x,y)-εz(x,y)；
S3.5、通过并运算将多尺度检测掩膜中的所有输出组合起来生成最终的图像：
Figure FDA0003472890390000045
其中，∪(·)表示组合运算。
CN202210047604.6A 2022-01-17 2022-01-17 一种自动识别太阳能电池内部缺陷的方法 Pending CN114529515A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210047604.6A CN114529515A (zh) 2022-01-17 2022-01-17 一种自动识别太阳能电池内部缺陷的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210047604.6A CN114529515A (zh) 2022-01-17 2022-01-17 一种自动识别太阳能电池内部缺陷的方法

Publications (1)

Publication Number Publication Date
CN114529515A true CN114529515A (zh) 2022-05-24

Family

ID=81621688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210047604.6A Pending CN114529515A (zh) 2022-01-17 2022-01-17 一种自动识别太阳能电池内部缺陷的方法

Country Status (1)

Country Link
CN (1) CN114529515A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115051647A (zh) * 2022-08-16 2022-09-13 泛太能源环境(浙江)有限公司 一种免拆卸光伏电池隐裂检测系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115051647A (zh) * 2022-08-16 2022-09-13 泛太能源环境(浙江)有限公司 一种免拆卸光伏电池隐裂检测系统

Similar Documents

Publication Publication Date Title
CN116168026B (zh) 基于计算机视觉的水质检测方法及系统
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN111383209B (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN109596634B (zh) 电缆缺陷的检测方法及装置、存储介质、处理器
CN109671078B (zh) 一种产品表面图像异常检测方法及装置
CN111161222B (zh) 一种基于视觉显著性的印刷辊筒缺陷检测方法
CN115294140A (zh) 一种五金零件缺陷检测方法及系统
CN111598801B (zh) 一种用于微弱Mura缺陷的识别方法
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN117372432B (zh) 基于图像分割的电子烟表面缺陷检测方法及系统
Fekri-Ershad et al. A robust approach for surface defect detection based on one dimensional local binary patterns
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
Abdullah et al. A framework for crack detection of fresh poultry eggs at visible radiation
CN112801949A (zh) 一种紫外成像检测技术中放电区域的确定方法及装置
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN116402742A (zh) 一种汽车钣金件表面缺陷的视觉检测方法及系统
CN113516619A (zh) 一种基于图像处理技术的产品表面瑕疵识别方法
Ghosh et al. Counterfeit IC detection by image texture analysis
CN114881961A (zh) 一种玻璃纤维板裂纹检测方法及设备
CN114529515A (zh) 一种自动识别太阳能电池内部缺陷的方法
CN116596899A (zh) 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质
CN114166849B (zh) 一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法
CN111915552A (zh) 一种太阳能电池内部缺陷检测方法
Chong et al. Fabric Defect Detection Method Based on Projection Location and Superpixel Segmentation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination