CN114926406A - 基于霍夫变换的光伏电池板异常检测方法 - Google Patents
基于霍夫变换的光伏电池板异常检测方法 Download PDFInfo
- Publication number
- CN114926406A CN114926406A CN202210462431.4A CN202210462431A CN114926406A CN 114926406 A CN114926406 A CN 114926406A CN 202210462431 A CN202210462431 A CN 202210462431A CN 114926406 A CN114926406 A CN 114926406A
- Authority
- CN
- China
- Prior art keywords
- local highlight
- highlight
- abnormal
- local
- points
- 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
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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于霍夫变换的光伏电池板异常检测方法,该方法包括:获取光伏电池表面图像的边缘图像,将边缘图像转换为霍夫空间图像;根据霍夫空间图像中每个点的像素值和最佳分割阈值将点分类得到多个含有局部高亮点的判断列;获取每个局部高亮点的斜率,根据斜率得到异常局部高亮点,计算异常局部高亮点的异常程度;进而得到霍夫空间图像的综合异常程度,根据综合异常程度和设定的断栅阈值确定断栅缺陷,本发明直接通过霍夫空间图像的综合异常程度和断栅缺陷阈值对比确定断栅缺陷,该过程简单,耗时较少,提高了光伏电池板断栅缺陷检测的效率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于霍夫变换的光伏电池板异常检测方法。
背景技术
随着太阳能发电运用的愈发广泛,光伏电池板作为太阳能的发电载体,产量与用量也日趋增加,在使用过程中,光伏电池板不可避免的会出现损坏,断栅就是使其损坏的一个主要因素,限制了光伏电池板的使用寿命。
传统的断栅缺陷检测通常是先检测出光伏电池表面图像中的直线,判断直线是否为光栅,进而判断光栅是否存在断栅,该传统的断栅缺陷检测过程耗时长,从而导致效率低下,因此需要基于霍夫变换的光伏电池板异常检测方法。
发明内容
本发明提供基于霍夫变换的光伏电池板异常检测方法,以解决现有的问题。
本发明的基于霍夫变换的光伏电池板异常检测方法采用如下技术方案:该方法包括:
获取光伏电池板的表面图像,对表面图像进行边缘检测得到边缘图像;
对边缘图像进行霍夫变换得到霍夫空间图像,将霍夫空间图像中每个点经过曲线的个数作为该点的像素值,获取霍夫空间图像中每个点的极角、极径;
根据预设的分割阈值从所有点中选取局部高亮点,根据每个局部高亮点的极角将局部高亮点分为多个判断列;
根据每个判断列中局部高亮点的极径和像素值得到局部高亮点的斜率,根据斜率确定异常局部高亮点和无异常局部高亮点;
根据每个判断列中无异常局部高亮点的斜率、极径、像素值和该判断列中异常局部高亮点的极径、像素值得到每个判断列中异常局部高亮点的异常程度;
根据每个判断列中异常局部高亮点的异常程度得到霍夫空间图像的综合异常程度,根据综合异常程度和设定的断栅缺陷阈值确定断栅缺陷。
进一步,根据预设的分割阈值从所有点中选取局部高亮点的步骤包括:
根据预设的分割阈值和每个点的像素值得到最佳分割阈值;
根据最佳分割阈值从所有点中选取局部高亮点。
进一步,根据预设的分割阈值和每个点的像素值得到最佳分割阈值的步骤包括:
将霍夫空间图像中像素值大于预设的分割阈值的点划分为初始局部高亮点,将霍夫空间图像中像素值小于或等于预设的分割阈值的点划分为初始背景点;
获取初始局部高亮点、初始背景点占霍夫空间图像所有点对应的高亮点比例、背景点比例;
获取初始局部高亮点的像素值均值和初始背景点的像素值均值;
根据高亮点比例、背景点比例、初始局部高亮点的像素值均值、初始背景点的像素值均值得到类间方差;
多次调整预设的分割阈值得到多个对应的类间方差,选取最大类间方差对应的分割阈值作为最佳分割阈值。
进一步,根据每个局部高亮点的极角将局部高亮点分为多个判断列的方法是:将极角相等的局部高亮点划分为同一个判断列。
进一步,根据每个判断列中局部高亮点的极径和像素值得到局部高亮点的斜率的步骤包括:
当判断列中连续的局部高亮点的像素值随极径的增大而递增或者不变时,记为递增趋势,根据下式(a)计算递增趋势下局部高亮点的斜率:
其中,ki表示递增趋势下第i个局部高亮点的斜率;hi表示第i个局部高亮点的像素值;hi-1表示与第i个局部高亮点在相同判断列的第i-1个局部高亮点的像素值;ri表示第i个局部高亮点的极径;ri-1表示与第i个局部高亮点在相同判断列的第i-1个局部高亮点的极径;
当判断列中连续的局部高亮点的像素值随极径的增大而递减时,记为递减趋势,根据下式(b)计算递减趋势下局部高亮点的斜率:
其中,ke表示递减趋势下第e个局部高亮点的斜率;he表示第e个局部高亮点的像素值;he+1表示与第e个局部高亮点在相同判断列的第e+1个局部高亮点的像素值;re表示第e个局部高亮点的极径;re+1表示与第e个局部高亮点在相同判断列的第e+1个局部高亮点的极径。
进一步,根据斜率确定异常局部高亮点和无异常局部高亮点的步骤包括:
递增趋势下,若某个局部高亮点的斜率小于该局部高亮点所在判断列中其他局部高亮点的斜率;且该局部高亮点的斜率不等于0,该局部高亮点所在判断列中的相邻局部高亮点的斜率也不等于0,则该局部高亮点为异常局部高亮点,该判断列中其余局部高亮点为无异常局部高亮点;
递减趋势下,若某个局部高亮点的斜率大于该局部高亮点所在判断列中其他局部高亮点的斜率;且该局部高亮点的斜率不等于0,该局部高亮点所在判断列中的相邻局部高亮点的斜率也不等于0,则该局部高亮点为异常局部高亮点,该判断列中其余局部高亮点为无异常局部高亮点。
进一步,根据每个判断列中无异常局部高亮点的斜率、极径、像素值和该判断列中异常局部高亮点的极径、像素值得到每个判断列中异常局部高亮点的异常程度的步骤包括:
根据下式(c)计算递增趋势下异常局部高亮点的异常程度:
其中,ua表示递增趋势下异常局部高亮点a的异常程度,kx表示异常局部高亮点a所在判断列中无异常局部高亮点的斜率;ra表示异常局部高亮点a的极径;ra-1表示异常局部高亮点a所在判断列中的相邻局部高亮点a-1的极径;ha表示异常局部高亮点a的像素值,ha-1表示异常局部高亮点a所在判断列中的相邻局部高亮点a-1的像素值;
根据下式(d)计算递减趋势下异常局部高亮点的异常程度:
其中,ub表示递减趋势下异常局部高亮点b的异常程度,ky表示异常局部高亮点b所在判断列中无异常局部高亮点的斜率;rb表示异常局部高亮点b的极径;rb+1表示异常局部高亮点b所在判断列中的相邻局部高亮点b+1的极径;hb表示异常局部高亮点b的像素值;hb+1表示异常局部高亮点b所在判断列中的相邻局部高亮点b+1的像素值。
进一步,根据每个判断列中异常局部高亮点的异常程度得到霍夫空间图像的综合异常程度的步骤包括:
将每个判断列中异常局部高亮点的异常程度相加,得到对应判断列的异常程度;
根据每个判断列中所有局部高亮点的像素值得到对应判断列的影响权重;
根据每个判断列的影响权重和异常程度得到霍夫空间图像的综合异常程度。
进一步,根据每个判断列中所有局部高亮点的像素值得到对应判断列的影响权重的步骤包括:
分别获取每个判断列中局部高亮点的像素值的和值;
根据下式(e)计算每个判断列的影响权重:
其中,ξj表示第j个判断列的影响权重;Hj表示第j个判断列中局部高亮点的像素值的和值;n表示判断列的总数。
进一步,根据综合异常程度确定断栅缺陷的步骤包括:
当霍夫空间图像的综合异常程度大于设定的断栅缺陷阈值时,则该霍夫空间图像所对应的光伏电池板表面图像有断栅缺陷。
本发明的有益效果是:本发明的基于霍夫变换的光伏电池板异常检测方法,通过将边缘图像转换为霍夫空间图像,根据最大类间方差法确定最佳阈值,将霍夫空间图像中的点分为局部高亮点和背景点,取最大的类间方差最大能够使得错分的概率最小;再将局部高亮点分为多个判断列,每个判断列中局部高亮点的像素值应该呈线性变化,如果局部高亮点的像素值不符合线性变化,则说明该局部高亮点异常,计算该局部高亮点的异常程度,进而得到该局部高亮点所在判断列的异常程度以及霍夫空间图像的综合异常程度,本发明直接根据综合异常程度和断栅缺陷阈值确定断栅,步骤简单,耗时较少,提高了光伏电池断栅缺陷检测的效率。
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,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地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于霍夫变换的光伏电池板异常检测方法的实施例总体步骤的流程图。
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、完整地描述,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。
本发明的基于霍夫变换的光伏电池板异常检测方法的实施例,如图1所示,该方法包括:
S1、获取光伏电池板的表面图像,对表面图像进行边缘检测得到边缘图像。
具体的,通过相机采集光伏电池的俯视图像,得到光伏电池的表面图像,利用canny算子对获得的表面图像进行边缘检测,得到边缘图像。
S2、对边缘图像进行霍夫变换得到霍夫空间图像,将霍夫空间图像中每个点经过曲线的个数作为该点的像素值,获取霍夫空间图像中每个点的极角、极径。
具体的,S21、遍历边缘图像中的像素点,将边缘图像中的像素点放在直角坐标系x-y中,获取每个像素点的(x,y)坐标值,由x-y图像空间转换到参数为极坐标θ-r的霍夫空间,根据直线方程(1)来进行参数间的转换:
r=x cosθ+y sinθ (1)
其中,(x,y)为边缘图像中像素点的坐标值;θ在[0°,360°]范围进行取值,代入(1)式得到多个r值,即得到多组对应的(θ,r)值,θ表示极角;r表示极径。
S22、每得到一个(θ,r)值都会使霍夫空间图像中对应位置的点的像素值加一,边缘图像中所有的像素点遍历完成后,就可以根据(θ,r)值的累计得到对应的矩阵信息,即霍夫空间图像信息;霍夫空间图像由多条曲线构成,一条曲线表示边缘图像中的一个对应的像素点,霍夫空间图像中的点由几条曲线相交得到,该点的像素值就为多少。
S3、根据预设的分割阈值从所有点中选取局部高亮点,根据每个局部高亮点的极角将局部高亮点分为多个判断列。
由于霍夫空间图像中有多条曲线,所以曲线相交产生的交点也有很多,采用最大类间方差法,即大津法求出最佳分割阈值,将霍夫空间图像中的局部高亮点和其他交点区分开,最大类间方差法是按图像的的灰度特性,将图像分为前景(目标)和背景两部分,前景与背景间的类间方差越大,说明图像中两部分差别越大,则使得类间方差最大的分割阈值意味着错分像素点概率越小。
具体的,S31、根据预设的分割阈值和每个点的像素值,将霍夫空间图像中像素值大于预设的分割阈值的点划分为初始局部高亮点,将霍夫空间图像中像素值小于或等于预设的分割阈值的点划分为初始背景点;获取初始局部高亮点占霍夫空间图像所有点的高亮点比例ω0和初始局部高亮点的像素值均值μ0,获取初始背景点占霍夫空间图像所有点的背景点比例ω1和初始背景点的像素值均值μ1。
根据下式(1)计算类间方差:
g=ω0ω1(μ0-μ1)2 (1)
其中,g表示类间房差;ω0表示高亮点比例;μ0表示初始局部高亮点的像素值均值;ω1表示背景点比例;μ1表示初始背景点的像素值均值。
S32、多次调整预设的分割阈值得到多个对应的类间方差,从多个类间方差中选取最大类间方差,将得到最大类间方差的分割阈值作为最佳分割阈值;将霍夫空间图像中像素值大于最佳分割阈值的点划分为局部高亮点,将霍夫空间图像中像素值小于或等于最佳分割阈值的点划分为背景点。
S33、将极角相等的局部高亮点划分为同一个判断列,多个极角则会得到多个垂直于极角轴的判断列。
S4、根据每个判断列中局部高亮点的极径和像素值得到局部高亮点的斜率,根据斜率确定异常局部高亮点和无异常局部高亮点。
由边缘图像经霍夫变换得到的霍夫空间图像中的局部高亮点对应着一条条直线,而每组垂直于θ轴的局部高亮点代表着一组边缘图像中的平行线,每组平行线所包含的边缘点数目应该呈线性变化关系,对应到霍夫空间图像中该组局部高亮点的像素值应该呈线性变化,如果这组局部高亮点中有像素值不符合线性变化的,即像素值少于应有的像素值,说明该局部高亮点所对应的直线中边缘点的数量少于应有的数量,可以判断该条直线上出现了断栅,判断异常程度的方法可以用相邻局部高亮点对应的极径和像素值间的斜率来进行比对。
具体的,S41、当判断列中连续的局部高亮点的像素值随极径的增大而递增或者不变时,记为递增趋势,根据下式(a)计算递增趋势下局部高亮点的斜率:
其中,ki表示递增趋势下第i个局部高亮点的斜率;hi表示递增趋势下第i个局部高亮点的像素值;hi-1表示递增趋势下与第i个局部高亮点在相同判断列的第i-1个局部高亮点的像素值;ri表示递增趋势下第i个局部高亮点的极径;ri-1表示递增趋势下与第i个局部高亮点在相同判断列的第i-1个局部高亮点的极径。
递增趋势下,若局部高亮点a的斜率小于a所在判断列中其他局部高亮点的斜率且a的斜率不等于0,a所在判断列中的相邻局部高亮点a+1的斜率也不等于0,则局部高亮点a为异常局部高亮点,该判断列中其余局部高亮点为无异常局部高亮点。
S42、当判断列中连续的局部高亮点的像素值随极径的增大而递减,记为递减趋势,根据下式(b)计算递减趋势下局部高亮点的斜率:
其中,ke表示递减趋势下第e个局部高亮点的斜率;he表示递减趋势下第e个局部高亮点的像素值;he+1表示递减趋势下与第e个局部高亮点在相同判断列的第e+1个局部高亮点的像素值;re表示递减趋势下第e个局部高亮点的极径;re+1表示递减趋势下与第e个局部高亮点在相同判断列的第e+1个局部高亮点的极径。
递减趋势下,若局部高亮点b的斜率大于b所在判断列中其他局部高亮点的斜率且b的斜率不等于0,b所在判断列中的相邻局部高亮点b+1的斜率也不等于0,则局部高亮点b为异常局部高亮点,该判断列中其余局部高亮点为无异常局部高亮点。
S5、根据每个判断列中无异常局部高亮点的斜率、极径、像素值和该判断列中异常局部高亮点的极径、像素值得到每个判断列中异常局部高亮点的异常程度。
具体的,S51、根据下式(c)计算递增趋势下局部高亮点的异常程度:
其中,ua表示递增趋势下异常局部高亮点a的异常程度,kx表示递增趋势下异常局部高亮点a所在判断列无异常局部高亮点的斜率;ra表示递增趋势下异常局部高亮点a的极径;ra-1表示递增趋势下异常局部高亮点a所在判断列中的相邻局部高亮点a-1的极径;ha表示递增趋势下异常局部高亮点a的像素值;ha-1表示递增趋势下异常局部高亮点a所在判断列中的相邻局部高亮点a-1的像素值。
S52、根据下式(d)计算递减趋势下局部高亮点的异常程度:
其中,ub表示递减趋势下异常局部高亮点b的异常程度;ky表示递减趋势下异常局部高亮点b所在判断列中无异常局部高亮点的斜率;rb表示递减趋势下异常局部高亮点b的极径;rb+1表示递减趋势下异常局部高亮点b所在判断列中的相邻局部高亮点b+1的极径;hb表示递减趋势下异常局部高亮点b的像素值;hb+1表示递减趋势下异常局部高亮点b所在判断列中的相邻局部高亮点b+1的像素值。
S6、根据每个判断列中异常局部高亮点的异常程度得到霍夫空间图像的综合异常程度,根据综合异常程度和设定的断栅缺陷阈值确定断栅缺陷。
由于判断列有多个,每个判断列对应边缘图像中的一组平行线,每组平行线的线性异常对综合异常影响不尽相同,因此根据每个判断列中局部高亮点的像素值的和的比重分配影响权重,进而得到综合异常程度。
具体的,S61、将每个判断列中异常局部高亮点的异常程度相加,得到对应判断列的异常程度;分别将每个判断列中局部高亮点的像素值相加,得到像素值和值;根据下式(e)计算每个判断列的影响权重:
其中,ξj表示第j个判断列的影响权重;Hj表示第j个判断列中局部高亮点的像素值和值;n表示判断列总数。
S62、根据每个判断列的影响权重和异常程度得到霍夫空间图像的综合异常程度,即根据下式(f)计算综合异常程度:
其中,U表示霍夫空间图像的综合异常程度;uj表示第j个判断列的异常程度;ξj表示第j个判断列的影响权重;n表示判断列的总数。
S63、设定断栅缺陷阈值,当霍夫空间图像的综合异常程度大于断栅缺陷阈值时,则该霍夫空间图像所对应的光伏电池板表面图像有断栅缺陷,断栅缺陷阈值可根据实际情况设置。
综上所述,本发明提供基于霍夫变换的光伏电池板异常检测方法,通过将边缘图像转换为霍夫空间图像,根据最大类间方差法确定最佳阈值,将霍夫空间图像中的点分为局部高亮点和背景点,取最大的类间方差最大能够使得错分的概率最小;再将局部高亮点分为多个判断列,每个判断列中局部高亮点的像素值应该呈线性变化,如果局部高亮点的像素值不符合线性变化,则说明该局部高亮点异常,计算该局部高亮点的异常程度,进而得到该局部高亮点所在判断列的异常程度以及霍夫空间图像的综合异常程度,本发明直接根据综合异常程度和断栅缺陷阈值确定断栅,步骤简单,耗时较少,提高了光伏电池断栅缺陷检测的效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于霍夫变换的光伏电池板异常检测方法,其特征在于,该方法包括:
获取光伏电池板的表面图像,对表面图像进行边缘检测得到边缘图像;
对边缘图像进行霍夫变换得到霍夫空间图像,将霍夫空间图像中每个点经过曲线的个数作为该点的像素值,获取霍夫空间图像中每个点的极角、极径;
根据预设的分割阈值从所有点中选取局部高亮点,根据每个局部高亮点的极角将局部高亮点分为多个判断列;
根据每个判断列中局部高亮点的极径和像素值得到局部高亮点的斜率,根据斜率确定异常局部高亮点和无异常局部高亮点;
根据每个判断列中无异常局部高亮点的斜率、极径、像素值和该判断列中异常局部高亮点的极径、像素值得到每个判断列中异常局部高亮点的异常程度;
根据每个判断列中异常局部高亮点的异常程度得到霍夫空间图像的综合异常程度,根据综合异常程度和设定的断栅缺陷阈值确定断栅缺陷。
2.根据权利要求1所述的基于霍夫变换的光伏电池板异常检测方法,其特征在于,根据预设的分割阈值从所有点中选取局部高亮点的步骤包括:
根据预设的分割阈值和每个点的像素值得到最佳分割阈值;
根据最佳分割阈值从所有点中选取局部高亮点。
3.根据权利要求2所述的基于霍夫变换的光伏电池板异常检测方法,其特征在于,根据预设的分割阈值和每个点的像素值得到最佳分割阈值的步骤包括:
将霍夫空间图像中像素值大于预设的分割阈值的点划分为初始局部高亮点,将霍夫空间图像中像素值小于或等于预设的分割阈值的点划分为初始背景点;
获取初始局部高亮点、初始背景点占霍夫空间图像所有点对应的高亮点比例、背景点比例;
获取初始局部高亮点的像素值均值和初始背景点的像素值均值;
根据高亮点比例、背景点比例、初始局部高亮点的像素值均值、初始背景点的像素值均值得到类间方差;
多次调整预设的分割阈值得到多个对应的类间方差,选取最大类间方差对应的分割阈值作为最佳分割阈值。
4.根据权利要求1所述的基于霍夫变换的光伏电池板异常检测方法,其特征在于,根据每个局部高亮点的极角将局部高亮点分为多个判断列的方法是:将极角相等的局部高亮点划分为同一个判断列。
5.根据权利要求1所述的基于霍夫变换的光伏电池板异常检测方法,其特征在于,根据每个判断列中局部高亮点的极径和像素值得到局部高亮点的斜率的步骤包括:
当判断列中连续的局部高亮点的像素值随极径的增大而递增或者不变时,记为递增趋势,根据下式(a)计算递增趋势下局部高亮点的斜率:
其中,ki表示递增趋势下第i个局部高亮点的斜率;hi表示第i个局部高亮点的像素值;hi-1表示与第i个局部高亮点在相同判断列的第i-1个局部高亮点的像素值;ri表示第i个局部高亮点的极径;ri-1表示与第i个局部高亮点在相同判断列的第i-1个局部高亮点的极径;
当判断列中连续的局部高亮点的像素值随极径的增大而递减时,记为递减趋势,根据下式(b)计算递减趋势下局部高亮点的斜率:
其中,ke表示递减趋势下第e个局部高亮点的斜率;he表示第e个局部高亮点的像素值;he+1表示与第e个局部高亮点在相同判断列的第e+1个局部高亮点的像素值;re表示第e个局部高亮点的极径;re+1表示与第e个局部高亮点在相同判断列的第e+1个局部高亮点的极径。
6.根据权利要求4所述的基于霍夫变换的光伏电池板异常检测方法,其特征在于,根据斜率确定异常局部高亮点和无异常局部高亮点的步骤包括:
递增趋势下,若某个局部高亮点的斜率小于该局部高亮点所在判断列中其他局部高亮点的斜率;
且该局部高亮点的斜率不等于0,该局部高亮点所在判断列中的相邻局部高亮点的斜率也不等于0,则该局部高亮点为异常局部高亮点,该判断列中其余局部高亮点为无异常局部高亮点;
递减趋势下,若某个局部高亮点的斜率大于该局部高亮点所在判断列中其他局部高亮点的斜率;
且该局部高亮点的斜率不等于0,该局部高亮点所在判断列中的相邻局部高亮点的斜率也不等于0,则该局部高亮点为异常局部高亮点,该判断列中其余局部高亮点为无异常局部高亮点。
7.根据权利要求4所述的基于霍夫变换的光伏电池板异常检测方法,其特征在于,根据每个判断列中无异常局部高亮点的斜率、极径、像素值和该判断列中异常局部高亮点的极径、像素值得到每个判断列中异常局部高亮点的异常程度的步骤包括:
根据下式(c)计算递增趋势下异常局部高亮点的异常程度:
其中,ua表示递增趋势下异常局部高亮点a的异常程度,kx表示异常局部高亮点a所在判断列中无异常局部高亮点的斜率;ra表示异常局部高亮点a的极径;ra-1表示异常局部高亮点a所在判断列中的相邻局部高亮点a-1的极径;ha表示异常局部高亮点a的像素值,ha-1表示异常局部高亮点a所在判断列中的相邻局部高亮点a-1的像素值;
根据下式(d)计算递减趋势下异常局部高亮点的异常程度:
其中,ub表示递减趋势下异常局部高亮点b的异常程度,ky表示异常局部高亮点b所在判断列中无异常局部高亮点的斜率;rb表示异常局部高亮点b的极径;rb+1表示异常局部高亮点b所在判断列中的相邻局部高亮点b+1的极径;hb表示异常局部高亮点b的像素值;hb+1表示异常局部高亮点b所在判断列中的相邻局部高亮点b+1的像素值。
8.根据权利要求1所述的基于霍夫变换的光伏电池板异常检测方法,其特征在于,根据每个判断列中异常局部高亮点的异常程度得到霍夫空间图像的综合异常程度的步骤包括:
将每个判断列中异常局部高亮点的异常程度相加,得到对应判断列的异常程度;
根据每个判断列中所有局部高亮点的像素值得到对应判断列的影响权重;
根据每个判断列的影响权重和异常程度得到霍夫空间图像的综合异常程度。
10.权利要求1所述的基于霍夫变换的光伏电池板异常检测方法,其特征在于,根据综合异常程度确定断栅缺陷的步骤包括:
当霍夫空间图像的综合异常程度大于设定的断栅缺陷阈值时,则该霍夫空间图像所对应的光伏电池板表面图像有断栅缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210462431.4A CN114926406A (zh) | 2022-04-28 | 2022-04-28 | 基于霍夫变换的光伏电池板异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210462431.4A CN114926406A (zh) | 2022-04-28 | 2022-04-28 | 基于霍夫变换的光伏电池板异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926406A true CN114926406A (zh) | 2022-08-19 |
Family
ID=82806215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210462431.4A Pending CN114926406A (zh) | 2022-04-28 | 2022-04-28 | 基于霍夫变换的光伏电池板异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926406A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147425A (zh) * | 2022-09-06 | 2022-10-04 | 南通市金月亮新材料科技发展有限公司 | 用于门窗制造的质量检测方法、系统及装置 |
CN115272331A (zh) * | 2022-09-29 | 2022-11-01 | 南通华烽纸业有限公司 | 基于图像处理的瓦楞纸质量检测方法 |
CN117078661A (zh) * | 2023-10-12 | 2023-11-17 | 济宁久邦工程机械设备有限公司 | 一种高空作业车结构件生产质量智能检测方法 |
-
2022
- 2022-04-28 CN CN202210462431.4A patent/CN114926406A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147425A (zh) * | 2022-09-06 | 2022-10-04 | 南通市金月亮新材料科技发展有限公司 | 用于门窗制造的质量检测方法、系统及装置 |
CN115272331A (zh) * | 2022-09-29 | 2022-11-01 | 南通华烽纸业有限公司 | 基于图像处理的瓦楞纸质量检测方法 |
CN117078661A (zh) * | 2023-10-12 | 2023-11-17 | 济宁久邦工程机械设备有限公司 | 一种高空作业车结构件生产质量智能检测方法 |
CN117078661B (zh) * | 2023-10-12 | 2024-01-05 | 济宁久邦工程机械设备有限公司 | 一种高空作业车结构件生产质量智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114926406A (zh) | 基于霍夫变换的光伏电池板异常检测方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN115439481B (zh) | 基于图像处理的除氧器焊接质量检测方法 | |
CN111652857B (zh) | 一种绝缘子缺陷红外检测方法 | |
Tseng et al. | Automatic finger interruption detection in electroluminescence images of multicrystalline solar cells | |
CN115100199B (zh) | 一种晶圆低纹理缺陷的检测方法 | |
CN115099290B (zh) | 一种太阳能电池板生产质量检测方法 | |
CN111462057B (zh) | 一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法 | |
CN116168037B (zh) | 一种基于图像处理的导线压接弯曲度计算方法及系统 | |
CN113609901A (zh) | 一种输变电设备故障监测方法及系统 | |
CN112598054B (zh) | 基于深度学习的输变电工程质量通病防治检测方法 | |
CN111597904B (zh) | 用于隧道电缆支架倾斜的识别方法 | |
CN109884468B (zh) | 一种基于图像像素积累分析的绝缘子自爆缺陷检测方法 | |
CN114663393A (zh) | 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法 | |
CN116485832B (zh) | 用于废硅片回收的不均布流体杂质边缘精准检测方法 | |
CN114627059B (zh) | 一种基于数据处理的防震锤螺栓检测方法 | |
CN111079650A (zh) | 基于改进knn-dpc算法的激光点云分裂导线提取方法 | |
CN115330768B (zh) | 一种太阳能电池板质量分级方法 | |
CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 | |
CN114972150B (zh) | 光伏组件尺寸缺陷检测方法 | |
CN111863124B (zh) | 一种拷贝数变异检测方法、系统、存储介质、计算机设备 | |
CN115082504A (zh) | 一种太阳能光伏板光斑识别方法 | |
CN114820383A (zh) | 基于绝缘子可见光图像的污秽等级评估方法 | |
CN103646898B (zh) | 电子束检测晶圆缺陷的方法 | |
CN117173164B (zh) | 太阳能电池板的栅线检测方法 |
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 |