CN114581407A - 一种光伏模块的自适应缺陷检测方法 - Google Patents
一种光伏模块的自适应缺陷检测方法 Download PDFInfo
- Publication number
- CN114581407A CN114581407A CN202210212953.9A CN202210212953A CN114581407A CN 114581407 A CN114581407 A CN 114581407A CN 202210212953 A CN202210212953 A CN 202210212953A CN 114581407 A CN114581407 A CN 114581407A
- Authority
- CN
- China
- Prior art keywords
- gradient
- edge
- image
- photovoltaic cell
- cell panel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 187
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 22
- 239000000203 mixture Substances 0.000 claims description 19
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000010354 integration Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000005286 illumination Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种光伏模块的自适应缺陷检测方法,属于数据处理技术领域。本发明属于一种应用电子设备进行识别的方法,包括以下步骤:根据梯度方向序列和各边缘上各像素点对应的梯度幅值,得到各边缘对应的目标相似程度;根据波动率,得到各边缘对应的特征系数;根据特征系数和目标相似程度,得到目标光伏电池板表面缺陷图像对应的缺陷类型判别系数;根据缺陷类型判别系数,判断目标光伏电池板表面对应的缺陷类型。本发明的光伏模块的自适应缺陷检测方法可以应用于生产领域人工智能系统、智能家居系统等信息系统集成服务;本发明不需要在检测前对环境等因素进行评估,省时省力,能提高检测光伏电池板缺陷类型的效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种光伏模块的自适应缺陷检测方法。
背景技术
随着时代的发展,人类对自然界能源的依赖变得越来越强,由于石油等化石能源的日益枯竭,各国开始开发新型能源。而太阳能作为一种绿色新能源是目前研究和开发的热点之一,并且由于太阳能可再生、环保的优点越来越被重视,逐渐成为新能源领域的重要部分;对于太阳能利用的主要技术核心是光伏电池板,也称光伏板、光伏模块;光伏电池板的质量好坏对太阳能光伏发电效率有着至关重要的影响。
目前光伏电池板缺陷,主要分为两种,一种为裂纹缺陷,另一种为断栅缺陷;现有主要基于红外成像技术检测光伏电池板缺陷,基于红外成像技术检测光伏电池板缺陷的原理是根据光伏电池板工作时表面温度的特征进行缺陷检测,并将电池板表面红外图像与图像处理技术相结合,例如利用阈值分割的方式检测缺陷;而这种检测会受到外界光照不均的影响,会导致光伏电池板表面出现温度的差异,这种差异会影响检测效果,现有技术一般通过人工设定阈值来克服光照不均的影响,这种基于人工设定阈值的方式需要在检测前对环境、天气等因素进行评估,相对耗时费力,会影响检测光伏电池板缺陷类型的效率。
发明内容
本发明提供一种光伏模块的自适应缺陷检测方法,用于解决现有中对光伏电池板缺陷分类效率低的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种光伏模块的自适应缺陷检测方法包括以下步骤:
获取目标光伏电池板表面缺陷图像;
根据所述缺陷图像上各像素点的梯度幅值,得到所述缺陷图像对应的梯度幅值直方图;根据所述梯度幅值直方图,得到所述梯度幅值直方图上各梯度幅值对应的梯度幅值级别;根据所述梯度幅值级别,得到所述缺陷图像对应的各边缘;
根据所述各边缘上各像素点对应的梯度方向,得到所述各边缘对应的梯度方向序列;根据所述梯度方向序列和所述各边缘上各像素点对应的梯度幅值,得到所述各边缘对应的目标相似程度;
对所述梯度方向序列进行粗粒化处理,得到所述梯度方向序列对应的各波动率;根据所述波动率,得到所述各边缘对应的特征系数;
根据所述特征系数和所述目标相似程度,得到目标光伏电池板表面缺陷图像对应的缺陷类型判别系数;根据所述缺陷类型判别系数,判断目标光伏电池板表面对应的缺陷类型。
有益效果:本发明将各边缘对应的梯度方向序列和各边缘上各像素点对应的梯度幅值作为得到各边缘对应的目标相似程度的依据;将各边缘对应的梯度方向序列对应的各波动率作为得到各边缘对应的特征系数的依据;将各边缘对应的特征系数和目标相似程度作为得到目标光伏电池板表面缺陷图像对应的缺陷类型判别系数的依据;将缺陷类型判别系数作为判断目标光伏电池板表面对应的缺陷类型的依据。本发明属于一种应用电子设备进行识别的方法,本发明的光伏模块的自适应缺陷检测方法可以应用于生产领域人工智能系统、智能家居系统等信息系统集成服务;本发明能克服光照不均等环境因素的影响,不需要在检测前对环境、天气等因素进行评估,相对省时省力,能提高检测光伏电池板缺陷类型的效率。
优选的,获取目标光伏电池板表面缺陷图像的方法,包括:
获取光伏电池板表面红外图像;
根据所述红外图像,得到所述红外图像对应的光伏电池板表面灰度图像;
利用sobel算子计算所述灰度图像上各像素点的梯度幅值,并计算所述灰度图像对应的平均梯度幅值;
判断所述灰度图像对应的平均梯度幅值是否大于预设平均梯度幅值阈值,若是,判断光伏电池板表面存在缺陷,并将所述灰度图像记为目标光伏电池板表面缺陷图像。
优选的,利用sobel算子计算所述缺陷图像上各像素点的梯度幅值和各像素点的梯度方向,得到所述缺陷图像对应的梯度图像;
对所述梯度图像上的梯度幅值进行统计,构建得到所述梯度图像对应的梯度幅值直方图;
根据所述梯度幅值直方图上梯度幅值、梯度幅值对应的概率以及EM算法,拟合得到梯度幅值直方图上各梯度幅值对应的一维高斯混合模型,所述高斯混合模型用来描述梯度图像对应的梯度幅值直方图上各梯度幅值对应的概率;
将所述各梯度幅值对应的高斯混合模型中各子高斯模型对应的均值按照从小到大的顺序进行排序,得到排序后所述梯度幅值直方图上各梯度幅值对应的高斯混合模型中各子高斯模型对应的序号;
获取所述排序后各梯度幅值对应的高斯混合模型中各子高斯模型对应的权重与输出值相乘后的最大值对应的子高斯模型的序号,将所述最大值对应的子高斯模型的序号记为所述梯度幅值直方图上各梯度幅值对应的梯度幅值级别;
将所述缺陷图像对应的梯度图像上相同梯度幅值级别的像素点进行边缘连接,得到目标光伏电池板表面缺陷图像对应的各边缘。
优选的,根据所述各边缘上各像素点对应的梯度方向,得到所述各边缘对应的梯度方向序列;根据所述梯度方向序列和所述各边缘上各像素点对应的梯度幅值,得到所述各边缘对应的目标相似程度的方法,包括:
获取所述各边缘的两个端点;
将所述各边缘的两个端点分别记为各边缘对应的第一端点和第二端点;
根据所述各边缘上各像素点对应的梯度方向,以梯度图像对应的各边缘的第一端点作为起点,以梯度图像对应的各边缘的第二端点作为终点,构建所述各边缘对应的第一梯度方向序列;
根据所述各边缘上各像素点对应的梯度方向,以所述各边缘的第二端点作为起点,以所述各边缘的第一端点作为终点,构建所述各边缘对应的第二梯度方向序列;
利用DTW算法计算任意两个边缘对应的梯度方向序列之间的差异程度,得到任意两个边缘对应的梯度方向序列之间的各差异程度;
从所述任意两个边缘对应的梯度方向序列之间的各差异程度中选取最小的差异程度,将所述最小的差异程度记为所述任意两个边缘之间的梯度方向相似程度;
根据所述各边缘对应的梯度幅值级别,得到所述任意两个边缘对应的梯度幅值级别相似程度;
根据所述任意两个边缘之间的梯度幅值级别相似程度和任意两个边缘之间的梯度方向相似程度,得到所述任意两个边缘之间的相似程度;
根据所述任意两个边缘之间的相似程度,得到目标光伏电池板表面缺陷图像对应的各边缘对应的目标相似程度。
优选的,根据如下公式计算目标光伏电池板表面缺陷图像对应的任意两个边缘之间的梯度幅值级别相似程度:
其中,F(a,b)为目标光伏电池板表面缺陷图像对应的第a个边缘与第b个边缘之间的梯度幅值级别相似程度,Va为目标光伏电池板表面缺陷图像对应的第a个边缘对应的梯度幅值级别,Vb为目标光伏电池板表面缺陷图像对应的第b个边缘对应的梯度幅值级别,K为梯度幅值级别的类别数量。
优选的,根据如下公式计算目标光伏电池板表面缺陷图像对应的任意两个边缘之间的相似程度:
其中,S(a,b)为目标光伏电池板表面缺陷图像对应的第a个边缘与第b个边缘之间的相似程度,D(a,b)为目标光伏电池板表面缺陷图像对应的第a个边缘与第b个边缘之间的梯度方向相似程度,F(a,b)为目标光伏电池板表面缺陷图像对应的第a个边缘与第b个边缘之间的梯度幅值级别相似程度。
优选的,对所述梯度方向序列进行粗粒化处理,得到所述梯度方向序列对应的各波动率;根据所述波动率,得到所述各边缘对应的特征系数的方法,包括:
对所述各边缘对应的梯度方向序列进行粗粒化处理,所述各边缘对应的梯度方向序列对应的粗粒化尺度范围为{1,…,l…L},粗粒化尺度1表示梯度方向序列,粗粒化尺度l表示第一梯度方向序列中l个相邻的梯度方向求均值,粗粒化尺度L表示第一梯度方向序列中L个相邻的梯度方向求均值;
根据所述粗粒化处理过程,得到所述各边缘对应的梯度方向序列在各粗粒化尺度处理下的平均梯度方向序列;
根据所述平均梯度方向序列中各参数的值,得到所述各边缘对应的梯度方向序列在各粗粒化尺度处理下的平均梯度方向序列对应的波动率序列;
计算所述波动率序列中的各参数值求和之后求均值,得到所述各粗粒化尺度处理下的平均波动率;根据所述平均波动率和所述梯度方向序列对应的各粗粒化尺度,得到各边缘对应的特征系数。
优选的,根据如下公式计算目标光伏电池板表面缺陷图像对应的各边缘对应的特征系数:
其中,γa为目标光伏电池板表面缺陷图像对应的第a个边缘对应的特征系数,Ba,l为目标光伏电池板表面缺陷图像对应的第a个边缘对应的第一梯度方向序列在粗粒化尺度l处理下的平均波动率。
优选的,根据如下公式计算目标光伏电池板表面缺陷图像对应的缺陷类型判别系数:
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅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它附图。
图1为本发明一种光伏模块的自适应缺陷检测方法的流程图;
图2为本发明的获取目标光伏电池板表面缺陷图像的流程图。
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、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了一种光伏模块的自适应缺陷检测方法,详细说明如下:
如图1所示,该光伏模块的自适应缺陷检测方法,包括以下步骤:
步骤S001,获取目标光伏电池板表面缺陷图像。
本实施例中,主要是对光伏电池板的裂纹缺陷与断栅缺陷进行检测与分类,由于断栅缺陷在红外图像上为较为平直的高热区,即相对较规整,裂纹缺陷在红外图像上为细节处较为平直但整体类似曲线延伸的热区,因此基于裂纹缺陷与断栅缺陷的特性对裂纹缺陷与断栅缺陷进行检测区分。
本实施例中,利用红外相机获取光伏电池板表面红外图像,并对光伏电池板表面红外图像进行灰度化处理,得到光伏电池板表面灰度图像;利用sobel算子计算光伏电池板表面灰度图像上各像素点的梯度幅值,并计算光伏电池板表面灰度图像对应的平均梯度幅值,之后判断光伏电池板表面灰度图像对应的平均梯度幅值是否大于预设平均梯度幅值阈值,若是,判断光伏电池板表面存在缺陷,需要对光伏电池板表面灰度图像进一步分析,判断光伏电池板存在的缺陷类型,并将所述光伏电池板表面灰度图像记为目标光伏电池板表面缺陷图像。本实施例中,根据实际情况对预设平均梯度幅值阈值进行设置。
步骤S002,根据所述缺陷图像上各像素点的梯度幅值,得到所述缺陷图像对应的梯度幅值直方图;根据所述梯度幅值直方图,得到所述梯度幅值直方图上各梯度幅值对应的梯度幅值级别;根据所述梯度幅值级别,得到所述缺陷图像对应的各边缘。
本实施例中,通过对目标光伏电池板表面缺陷图像进行分析,得到目标光伏电池板表面缺陷图像对应的梯度幅值直方图;之后对梯度幅值直方图进行分析,得到目标光伏电池板表面缺陷图像对应的梯度幅值直方图上各梯度幅值对应的梯度幅值级别;然后对梯度幅值直方图上各梯度幅值对应的梯度幅值级别进行分析得到目标光伏电池板表面缺陷图像对应的各边缘;将目标光伏电池板表面缺陷图像对应的各边缘作为后续分析计算目标光伏电池板表面缺陷图像对应的各边缘对应的目标相似程度的基础。
本实施例中,利用sobel算子计算目标光伏电池板表面缺陷图像上各像素点的梯度幅值和各像素点的梯度方向,得到目标光伏电池板表面缺陷图像对应的梯度图像;所述梯度方向为径向,梯度方向为0-180度之间的数;所述利用sobel算子计算图像上各像素点的梯度幅值和梯度方向的过程为现有技术,因此本实施例不做具体描述。对梯度图像上的梯度幅值进行统计,构建得到梯度图像对应的梯度幅值直方图,梯度幅值直方图上的横坐标为梯度幅值,纵坐标为各梯度幅值在整张梯度图像上出现的概率;以所述梯度幅值和梯度幅值对应的概率为样本数据,根据样本数据并利用EM算法拟合梯度幅值直方图上各梯度幅值对应的一维高斯混合模型,所述高斯混合模型中的子高斯模型个数为K;本实施例利用高斯混合模型描述梯度图像对应的梯度幅值直方图上各梯度幅值对应的概率,即:
其中,G混(gi)为梯度图像对应的梯度幅值直方图上第i个梯度幅值对应的概率,gi为梯度图像对应的梯度幅值直方图上第i个梯度幅值,K为高斯混合模型对应的子高斯模型个数,wi,k为梯度图像对应的梯度幅值直方图上第i个梯度幅值对应的高斯混合模型中第k个子高斯模型对应的权重值,Gk(gi)为梯度图像对应的梯度幅值直方图上第i个梯度幅值对应的高斯混合模型中第k个子高斯模型对应的输出值。
本实施例中,将梯度图像对应的梯度幅值直方图上各梯度幅值对应的高斯混合模型中各子高斯模型对应的均值按照从小到大的顺序进行排序,得到排序后梯度图像对应的梯度幅值直方图上各梯度幅值对应的高斯混合模型中各子高斯模型对应的序号;获取排序后所述各梯度幅值对应的高斯混合模型中子高斯模型对应的权重与输出值相乘后最大值对应的子高斯模型的序号,将所述最大值对应的子高斯模型的序号记为所述梯度幅值直方图上各梯度幅值对应的梯度幅值级别;所述梯度幅值级别的类别数量为K。
本实施例中,通过上述方式可以得到目标光伏电池板表面缺陷图像对应的梯度图像上各像素点对应的梯度幅值级别,将梯度图像上相同梯度幅值级别的像素点进行边缘连接,得到目标光伏电池板表面缺陷图像对应的各边缘。所述边缘连接为现有技术,因此本实施例不做具体描述。
步骤S003,根据所述各边缘上各像素点对应的梯度方向,得到所述各边缘对应的梯度方向序列;根据所述梯度方向序列和所述各边缘上各像素点对应的梯度幅值,得到所述各边缘对应的目标相似程度。
本实施例中,由于外界光照不均的影响,会导致光伏电池板表面出现温度的差异,这种差异会影响检测效果,因此需要对目标光伏电池板表面缺陷图像对应的各边缘进行分析,判断目标光伏电池板表面缺陷图像对应的各边缘受外界光照不均等外界因素形成的可能性程度,根据判断的结果对后续检测目标光伏电池板表面缺陷的缺陷类别时进行调整,因此本实施例提供的光伏电池板缺陷类别检测方法能够自适应温度变化所产生的影响。因此本实施例根据目标光伏电池板表面缺陷对应的各边缘上各像素点对应的梯度方向,得到各边缘对应的梯度方向序列;通过对各边缘对应的梯度方向序列和各边缘上各像素点对应的梯度幅值进行分析,得到目标光伏电池板表面缺陷图像对应的各边缘对应的目标相似程度;将各边缘对应的目标相似程度作为后续得到目标光伏电池板表面缺陷类型的依据。
本实施例中,由于目标光伏电池板表面缺陷图像对应的梯度图像对应的各边缘是由多个同梯度幅值级别的像素点组成,而同梯度幅值级别的像素点的梯度方向也不相同,因此获取梯度图像对应的各边缘的两个端点,将梯度图像对应的各边缘的两个端点分别记为各边缘对应的第一端点和第二端点;根据梯度图像对应的各边缘上各像素点对应的梯度方向,并以梯度图像对应的各边缘的第一端点作为起点,以梯度图像对应的各边缘的第二端点作为终点,构建梯度图像对应的各边缘对应的第一梯度方向序列;根据梯度图像对应的各边缘上各像素点对应的梯度方向,并以梯度图像对应的各边缘的第二端点作为起点,以梯度图像对应的各边缘的第一端点作为终点,构建梯度图像对应的各边缘对应的第二梯度方向序列;因此梯度图像对应的各边缘对应两个顺序相反的梯度方向序列;利用DTW算法计算任意两个边缘对应的梯度方向序列之间的差异程度,得到任意两个边缘对应的梯度方向序列之间的各差异程度;由于一个边缘对应两个梯度方向序列,因此利用DTW算法可以得到任意两个边缘对应的梯度方向序列之间的四个差异程度值;所述差异程度的值越大,表明两个梯度方向序列之间越不相似;从任意两个边缘对应的梯度方向序列之间的各差异程度中选取最小的差异程度,将所述最小的差异程度记为目标光伏电池板表面缺陷图像对应的任意两个边缘之间的梯度方向相似程度;所述利用DTW算法计算任意两序列之间的差异程度为现有技术,因此本实施例不做具体描述。
本实施例中,由于各边缘是由相同梯度幅值级别的像素点进行边缘连接组成的,因此根据各边缘对应的梯度幅值级别,得到目标光伏电池板表面图像对应的任意两个边缘对应的梯度幅值级别相似程度;根据如下公式计算目标光伏电池板表面缺陷图像对应的任意两个边缘之间的梯度幅值级别相似程度:
其中,F(a,b)为目标光伏电池板表面缺陷图像对应的第a个边缘与第b个边缘之间的梯度幅值级别相似程度,Va为目标光伏电池板表面缺陷图像对应的第a个边缘对应的梯度幅值级别,Vb为目标光伏电池板表面缺陷图像对应的第b个边缘对应的梯度幅值级别,K为梯度幅值级别的类别数量;F(a,b)越小,表明第a个边缘与第b个边缘之间的梯度幅值级别越相似。
本实施例中,根据目标光伏电池板表面缺陷图像对应的任意两个边缘之间的梯度幅值级别相似程度和任意两个边缘之间的梯度方向相似程度,得到目标光伏电池板表面缺陷图像对应的任意两个边缘之间的相似程度;根据如下公式计算目标光伏电池板表面缺陷图像对应的任意两个边缘之间的相似程度:
其中,S(a,b)为目标光伏电池板表面缺陷图像对应的第a个边缘与第b个边缘之间的相似程度,D(a,b)为目标光伏电池板表面缺陷图像对应的第a个边缘与第b个边缘之间的梯度方向相似程度;S(a,b)越小,表明目标光伏电池板表面缺陷图像对应的第a个边缘与第b个边缘之间的相似程度越大。
本实施例中,根据任意两个边缘之间的相似程度,得到目标光伏电池板表面缺陷图像对应的各边缘对应的目标相似程度;根据如下公式计算目标光伏电池板表面缺陷图像对应的各边缘对应的目标相似程度:
其中,Xa为目标光伏电池板表面缺陷图像对应的第a个边缘对应的目标相似程度,N为目标光伏电池板表面缺陷图像对应的边缘的数量;Xa越大,表明目标光伏电池板表面缺陷图像对应的第a个边缘与其余边缘的相似度越大,表明第a个边缘可能是由于光照等因素造成的;Xa越小,表明目标光伏电池板表面图像对应的第a个边缘与其余边缘的相似度越小,表明第a个边缘可能是由于目标光伏电池板表面存在缺陷造成的。
步骤S004,对所述梯度方向序列进行粗粒化处理,得到所述梯度方向序列对应的各波动率;根据所述波动率,得到所述各边缘对应的特征系数。
本实施例中,通过对各边缘对应的梯度方向序列进行粗粒化处理,得到各边缘对应的梯度方向序列对应的各波动率;之后通过对各边缘对应的梯度方向序列对应的各波动率进行分析,得到各边缘对应的特征系数;将各边缘对应的特征系数作为后续判断目标光伏电池板表面缺陷类型的依据。
本实施例中,选取各边缘对应的第一梯度方向序列,对各边缘对应的第一梯度方向序列进行多尺度的采样,即粗粒化处理,所述粗粒化处理的过程为不重复的粗粒化,且粗粒化处理为现有技术,因此本实施例不做具体描述;本实施例中,各边缘对应的第一梯度方向序列对应的粗粒化尺度范围为{1,2,…,l…L},其中,粗粒化尺度1表示第一梯度方向序列,粗粒化尺度2表示第一梯度方向序列中两个相邻的梯度方向求均值,粗粒化尺度l表示第一梯度方向序列中l个相邻的梯度方向求均值,粗粒化尺度L表示第一梯度方向序列中L个相邻的梯度方向求均值,所述L需要根据情况进行设置。
本实施例中,由于梯度方向为径向,且梯度方向为0-180度之间的数,则两个梯度方向的均值为该两个梯度方向夹角的角平分线所在的径向,所述两个梯度方向夹角也是0-180度之间的数,以此类推,可计算多个梯度方向的均值;因此通过上述过程可以得到各边缘对应的第一梯度方向序列在各粗粒化尺度处理下的平均梯度方向序列;根据各边缘对应的第一梯度方向序列在各粗粒化尺度处理下的平均梯度方向序列中各参数的值,得到各边缘对应的第一梯度方向序列在各粗粒化尺度处理下的平均梯度方向序列对应的波动率序列;得到波动率序列的具体过程为:判断所述各粗粒化尺度处理下的平均梯度方向序列中的各参数值与其左右相邻的参数值是否相等,若是,将对应参数的波动率记为0,若所述各粗粒化尺度处理下的平均梯度方向序列中的各参数值与其左右相邻的参数值中的其中一个相等,将对应参数的波动率记为0.5,若所述各粗粒化尺度处理下的平均梯度方向序列中的各参数值与其左右相邻的参数值都不相等,将对应参数的波动率记为1。
本实施例中,由于各边缘对应的第一梯度方向序列和第二梯度方向序列只是顺序相反,因此只需要对各边缘对应的第一梯度方向序列和第二梯度方向序列其中一个梯度方向序列进行粗粒化处理。
本实施例中,将所述各粗粒化尺度处理下的平均梯度方向序列对应的波动率序列中的各参数值求和之后求均值,得到所述各粗粒化尺度处理下的平均波动率;根据各边缘对应的第一梯度方向序列在各粗粒化尺度处理下的平均波动率和第一梯度方向序列对应的各粗粒化尺度,得到各边缘对应的特征系数;根据如下公式计算目标光伏电池板表面缺陷图像对应的各边缘对应的特征系数:
其中,γa为目标光伏电池板表面缺陷图像对应的第a个边缘对应的特征系数,Ba,l为目标光伏电池板表面缺陷图像对应的第a个边缘对应的第一梯度方向序列在粗粒化尺度l处理下的平均波动率;由于断栅缺陷在红外图像上为较为平直的高热区,即相对较规整,因此如果目标光伏电池板表面缺陷图像对应的第a个边缘趋近于断栅缺陷,则第a个边缘对应的第一梯度方向序列在各粗粒化尺度处理下的平均波动率相近,则的值趋近于0;由于裂纹缺陷在红外图像上为细节处较为平直但整体类似曲线延伸的热区,因此如果目标光伏电池板表面缺陷图像对应的第a个边缘趋近于裂纹缺陷,则第a个边缘对应的第一梯度方向序列在较小粗粒化尺度处理下的平均波动率较小,在较大粗粒化尺度处理下的平均波动率较大,则的值趋近于1;因此γa越大,表明目标光伏电池板表面缺陷图像对应的第a个边缘更趋近于裂纹缺陷,γa越小,表明目标光伏电池板表面缺陷图像对应的第a个边缘更趋近于断栅缺陷。
步骤S005,根据所述特征系数和所述目标相似程度,得到目标光伏电池板表面缺陷图像对应的缺陷类型判别系数;根据所述缺陷类型判别系数,判断目标光伏电池板表面对应的缺陷类型。
本实施例中,根据各边缘对应的目标相似程度和各边缘对应的特征系数,得到目标光伏电池板表面缺陷图像对应的缺陷类型判别系数;根据如下公式计算目标光伏电池板表面缺陷图像对应的缺陷类型判别系数:
有益效果:本实施例将各边缘对应的梯度方向序列和各边缘上各像素点对应的梯度幅值作为得到各边缘对应的目标相似程度的依据;将各边缘对应的梯度方向序列对应的各波动率作为得到各边缘对应的特征系数的依据;将各边缘对应的特征系数和目标相似程度作为得到目标光伏电池板表面缺陷图像对应的缺陷类型判别系数的依据;将缺陷类型判别系数作为判断目标光伏电池板表面对应的缺陷类型的依据。本实施例属于一种应用电子设备进行识别的方法,本实施例的光伏模块的自适应缺陷检测方法可以应用于生产领域人工智能系统、智能家居系统等信息系统集成服务;本实施例能克服光照不均等环境因素的影响,不需要在检测前对环境、天气等因素进行评估,相对省时省力,能提高检测光伏电池板缺陷类型的效率。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种光伏模块的自适应缺陷检测方法,其特征在于,该方法包括如下步骤:
获取目标光伏电池板表面缺陷图像;
根据所述缺陷图像上各像素点的梯度幅值,得到所述缺陷图像对应的梯度幅值直方图;根据所述梯度幅值直方图,得到所述梯度幅值直方图上各梯度幅值对应的梯度幅值级别;根据所述梯度幅值级别,得到所述缺陷图像对应的各边缘;
根据所述各边缘上各像素点对应的梯度方向,得到所述各边缘对应的梯度方向序列;根据所述梯度方向序列和所述各边缘上各像素点对应的梯度幅值,得到所述各边缘对应的目标相似程度;
对所述梯度方向序列进行粗粒化处理,得到所述梯度方向序列对应的各波动率;根据所述波动率,得到所述各边缘对应的特征系数;
根据所述特征系数和所述目标相似程度,得到目标光伏电池板表面缺陷图像对应的缺陷类型判别系数;根据所述缺陷类型判别系数,判断目标光伏电池板表面对应的缺陷类型。
2.如权利要求1所述的一种光伏模块的自适应缺陷检测方法,其特征在于,所述获取目标光伏电池板表面缺陷图像的方法,包括:
获取光伏电池板表面红外图像;
根据所述红外图像,得到所述红外图像对应的光伏电池板表面灰度图像;
利用sobel算子计算所述灰度图像上各像素点的梯度幅值,并计算所述灰度图像对应的平均梯度幅值;
判断所述灰度图像对应的平均梯度幅值是否大于预设平均梯度幅值阈值,若是,判断光伏电池板表面存在缺陷,并将所述灰度图像记为目标光伏电池板表面缺陷图像。
3.如权利要求1所述的一种光伏模块的自适应缺陷检测方法,其特征在于,所述根据所述缺陷图像上各像素点的梯度幅值,得到所述缺陷图像对应的梯度幅值直方图;根据所述梯度幅值直方图,得到所述梯度幅值直方图上各梯度幅值对应的梯度幅值级别;根据所述梯度幅值级别,得到所述缺陷图像对应的各边缘的方法,包括:
利用sobel算子计算所述缺陷图像上各像素点的梯度幅值和各像素点的梯度方向,得到所述缺陷图像对应的梯度图像;
对所述梯度图像上的梯度幅值进行统计,构建得到所述梯度图像对应的梯度幅值直方图;
根据所述梯度幅值直方图上梯度幅值、梯度幅值对应的概率以及EM算法,拟合得到梯度幅值直方图上各梯度幅值对应的一维高斯混合模型,所述高斯混合模型用来描述梯度图像对应的梯度幅值直方图上各梯度幅值对应的概率;
将所述各梯度幅值对应的高斯混合模型中各子高斯模型对应的均值按照从小到大的顺序进行排序,得到排序后所述梯度幅值直方图上各梯度幅值对应的高斯混合模型中各子高斯模型对应的序号;
获取所述排序后各梯度幅值对应的高斯混合模型中各子高斯模型对应的权重与输出值相乘后的最大值对应的子高斯模型的序号,将所述最大值对应的子高斯模型的序号记为所述梯度幅值直方图上各梯度幅值对应的梯度幅值级别;
将所述缺陷图像对应的梯度图像上相同梯度幅值级别的像素点进行边缘连接,得到目标光伏电池板表面缺陷图像对应的各边缘。
4.如权利要求1所述的一种光伏模块的自适应缺陷检测方法,其特征在于,所述根据所述各边缘上各像素点对应的梯度方向,得到所述各边缘对应的梯度方向序列;根据所述梯度方向序列和所述各边缘上各像素点对应的梯度幅值,得到所述各边缘对应的目标相似程度的方法,包括:
获取所述各边缘的两个端点;
将所述各边缘的两个端点分别记为各边缘对应的第一端点和第二端点;
根据所述各边缘上各像素点对应的梯度方向,以梯度图像对应的各边缘的第一端点作为起点,以梯度图像对应的各边缘的第二端点作为终点,构建所述各边缘对应的第一梯度方向序列;
根据所述各边缘上各像素点对应的梯度方向,以所述各边缘的第二端点作为起点,以所述各边缘的第一端点作为终点,构建所述各边缘对应的第二梯度方向序列;
利用DTW算法计算任意两个边缘对应的梯度方向序列之间的差异程度,得到任意两个边缘对应的梯度方向序列之间的各差异程度;
从所述任意两个边缘对应的梯度方向序列之间的各差异程度中选取最小的差异程度,将所述最小的差异程度记为所述任意两个边缘之间的梯度方向相似程度;
根据所述各边缘对应的梯度幅值级别,得到所述任意两个边缘对应的梯度幅值级别相似程度;
根据所述任意两个边缘之间的梯度幅值级别相似程度和任意两个边缘之间的梯度方向相似程度,得到所述任意两个边缘之间的相似程度;
根据所述任意两个边缘之间的相似程度,得到目标光伏电池板表面缺陷图像对应的各边缘对应的目标相似程度。
7.如权利要求1所述的一种光伏模块的自适应缺陷检测方法,其特征在于,所述对所述梯度方向序列进行粗粒化处理,得到所述梯度方向序列对应的各波动率;根据所述波动率,得到所述各边缘对应的特征系数的方法,包括:
对所述各边缘对应的梯度方向序列进行粗粒化处理,所述各边缘对应的梯度方向序列对应的粗粒化尺度范围为{1,…,l…L},粗粒化尺度1表示梯度方向序列,粗粒化尺度l表示第一梯度方向序列中l个相邻的梯度方向求均值,粗粒化尺度L表示第一梯度方向序列中L个相邻的梯度方向求均值;
根据所述粗粒化处理过程,得到所述各边缘对应的梯度方向序列在各粗粒化尺度处理下的平均梯度方向序列;
根据所述平均梯度方向序列中各参数的值,得到所述各边缘对应的梯度方向序列在各粗粒化尺度处理下的平均梯度方向序列对应的波动率序列;
计算所述波动率序列中的各参数值求和之后求均值,得到所述各粗粒化尺度处理下的平均波动率;根据所述平均波动率和所述梯度方向序列对应的各粗粒化尺度,得到各边缘对应的特征系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210212953.9A CN114581407B (zh) | 2022-03-06 | 2022-03-06 | 一种光伏模块的自适应缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210212953.9A CN114581407B (zh) | 2022-03-06 | 2022-03-06 | 一种光伏模块的自适应缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114581407A true CN114581407A (zh) | 2022-06-03 |
CN114581407B CN114581407B (zh) | 2023-04-14 |
Family
ID=81778467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210212953.9A Active CN114581407B (zh) | 2022-03-06 | 2022-03-06 | 一种光伏模块的自适应缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581407B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457004A (zh) * | 2022-09-22 | 2022-12-09 | 山东华太新能源电池有限公司 | 基于计算机视觉的锌膏的智能检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160364849A1 (en) * | 2014-11-03 | 2016-12-15 | Shenzhen China Star Optoelectronics Technology Co. , Ltd. | Defect detection method for display panel based on histogram of oriented gradient |
CN108510487A (zh) * | 2018-03-30 | 2018-09-07 | 深圳市创艺工业技术有限公司 | 一种光伏组件远程监测装置 |
CN110455827A (zh) * | 2019-08-13 | 2019-11-15 | 高瑶 | 一种智能新能源电池板合格检测系统及方法 |
CN110751604A (zh) * | 2019-09-30 | 2020-02-04 | 佛山科学技术学院 | 一种基于机器视觉的钢管焊缝缺陷在线检测方法 |
US20200118263A1 (en) * | 2017-05-22 | 2020-04-16 | Canon Kabushiki Kaisha | Information processing device, information processing method, and storage medium |
CN111028213A (zh) * | 2019-12-04 | 2020-04-17 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
CN113537301A (zh) * | 2021-06-23 | 2021-10-22 | 天津中科智能识别产业技术研究院有限公司 | 基于模板自适应匹配瓶体标签的缺陷检测方法 |
CN113781482A (zh) * | 2021-11-11 | 2021-12-10 | 山东精良海纬机械有限公司 | 一种复杂环境下机械零件裂纹缺陷检测方法及系统 |
-
2022
- 2022-03-06 CN CN202210212953.9A patent/CN114581407B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160364849A1 (en) * | 2014-11-03 | 2016-12-15 | Shenzhen China Star Optoelectronics Technology Co. , Ltd. | Defect detection method for display panel based on histogram of oriented gradient |
US20200118263A1 (en) * | 2017-05-22 | 2020-04-16 | Canon Kabushiki Kaisha | Information processing device, information processing method, and storage medium |
CN108510487A (zh) * | 2018-03-30 | 2018-09-07 | 深圳市创艺工业技术有限公司 | 一种光伏组件远程监测装置 |
CN110455827A (zh) * | 2019-08-13 | 2019-11-15 | 高瑶 | 一种智能新能源电池板合格检测系统及方法 |
CN110751604A (zh) * | 2019-09-30 | 2020-02-04 | 佛山科学技术学院 | 一种基于机器视觉的钢管焊缝缺陷在线检测方法 |
CN111028213A (zh) * | 2019-12-04 | 2020-04-17 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
CN113537301A (zh) * | 2021-06-23 | 2021-10-22 | 天津中科智能识别产业技术研究院有限公司 | 基于模板自适应匹配瓶体标签的缺陷检测方法 |
CN113781482A (zh) * | 2021-11-11 | 2021-12-10 | 山东精良海纬机械有限公司 | 一种复杂环境下机械零件裂纹缺陷检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
YOUNG-SEON JEONG ET AL.: "Semiconductor wafer defect classification using support vector machine with weighted dynamic time warping kernel function", 《INDUSTRAL ENGINEERING & MANAGEMENT SYSTEMS》 * |
李云峰等: "基于梯度方向信息熵的印刷电路板缺陷检测", 《中国机械工程》 * |
李鹏等: "基于双树复小波的直方图路面裂缝检测算法", 《安徽大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457004A (zh) * | 2022-09-22 | 2022-12-09 | 山东华太新能源电池有限公司 | 基于计算机视觉的锌膏的智能检测方法 |
CN115457004B (zh) * | 2022-09-22 | 2023-05-26 | 山东华太新能源电池有限公司 | 基于计算机视觉的锌膏的智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114581407B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN109376792B (zh) | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 | |
CN111028217A (zh) | 一种基于全卷积神经网络的图像裂缝分割方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN113506286A (zh) | 基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法 | |
CN108009567B (zh) | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 | |
CN110046565B (zh) | 一种基于Adaboost算法的人脸检测方法 | |
CN111239137B (zh) | 基于迁移学习与自适应深度卷积神经网络的谷物质量检测方法 | |
CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN115861190A (zh) | 一种基于对比学习的光伏组件无监督缺陷检测方法 | |
CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
CN117011302B (zh) | 一种基于煤矸识别的智能干选系统 | |
CN116577345B (zh) | 一种锂电池极耳数量检测方法及系统 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN117036314A (zh) | 一种高密度柔性ic基板氧化区域检测方法 | |
CN111553437A (zh) | 一种基于神经网络图像分类方法 | |
CN111539931A (zh) | 一种基于卷积神经网络和边界限定优化的外观异常检测方法 | |
CN116434258A (zh) | 一种表格数据的自动识别方法 | |
CN114663658B (zh) | 一种具备跨域迁移能力的小样本aoi表面缺陷检测方法 | |
CN115953678A (zh) | 一种基于局部灰度极值点和特征融合的路面破损检测方法 | |
CN115601747A (zh) | 一种贴壁细胞汇合度的计算方法和系统 | |
CN113793343A (zh) | 基于图像的缺陷定位分割方法、系统、终端及存储介质 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An Adaptive Defect Detection Method for Photovoltaic Modules Effective date of registration: 20231013 Granted publication date: 20230414 Pledgee: Yangzhou Branch of Zheshang Bank Co.,Ltd. Pledgor: Yangzhou Jinghua New Energy Technology Co.,Ltd. Registration number: Y2023980061148 |