CN115272332A - 基于计算机视觉的光伏板蜗牛纹缺陷检测方法 - Google Patents

基于计算机视觉的光伏板蜗牛纹缺陷检测方法 Download PDF

Info

Publication number
CN115272332A
CN115272332A CN202211194732.XA CN202211194732A CN115272332A CN 115272332 A CN115272332 A CN 115272332A CN 202211194732 A CN202211194732 A CN 202211194732A CN 115272332 A CN115272332 A CN 115272332A
Authority
CN
China
Prior art keywords
fitting curve
value
accumulated value
snail
column
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211194732.XA
Other languages
English (en)
Other versions
CN115272332B (zh
Inventor
苏建华
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.)
Sori New Energy Technology Nantong Co ltd
Original Assignee
Sori New Energy Technology Nantong Co ltd
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 Sori New Energy Technology Nantong Co ltd filed Critical Sori New Energy Technology Nantong Co ltd
Priority to CN202211194732.XA priority Critical patent/CN115272332B/zh
Publication of CN115272332A publication Critical patent/CN115272332A/zh
Application granted granted Critical
Publication of CN115272332B publication Critical patent/CN115272332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法，获取电池板表面灰度图像中每行、列像素点的灰度值累加值拟合曲线，根据拟合曲线中波峰和波谷个数得到拟合曲线的波动比率，根据拟合曲线中每个波峰和下个相邻波谷处灰度值得到拟合曲线的平均灰度差异，根据波动比率和平均灰度差异计算拟合曲线的波动程度，根据波动程度判断拟合曲线是顺向还是垂向，根据顺向拟合曲线上波峰个数和波峰幅值得到蜗牛纹尺寸异常程度，根据垂向拟合曲线上每个波谷和该波谷端点处灰度值得到波谷异常程度，根据蜗牛纹尺寸异常程度和波谷异常程度得到蜗牛纹异常程度，判断蜗牛纹是否会影响使用，方法简单、智能、精准、高效。

Description

基于计算机视觉的光伏板蜗牛纹缺陷检测方法
技术领域
本申请涉及图像处理领域，具体涉及一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法。
背景技术
随着科技的发展，光伏发电技术已经愈发成熟，而这也意味着光伏电池板的使用范围也愈加广泛，需求量激增，在这种背景环境下，光伏电池板的质量问题成了重中之重。在光伏电池板的使用过程中，在高温、高湿、光照等环境中，光伏电池板表面的EVA中的氧化剂与银栅线发生氧化反应，导致白色银栅线变成暗灰色的现象，称为蜗牛纹，在蜗牛纹存在的地方，约90%以上有电池板隐裂的存在，降低了组件的发电效率，降低了组件的可靠性能，更严重的是会导致组件提前失效或烧掉。因此，需要在使用过程中检测光伏电池板是否含有蜗牛纹，以便将存在蜗牛纹的光伏电池板及时进行更换，目前，常见的检测方法为人工检测，费时费力且效率较低。
发明内容
本发明提供一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法，解决蜗牛纹检测费时费力且效率低的问题，采用如下技术方案：
获取光伏电池板表面灰度图像；
获取电池板表面灰度图像中每行、列像素点的灰度值累加值，根据每行、列像素点灰度值的累加值得到行、列累加值拟合曲线；
根据行、列累加值拟合曲线中的波峰和波谷个数得到行、列累加值拟合曲线的波动比率；
根据行、列累加值拟合曲线中每个波峰处灰度值和与该波峰的下个相邻波谷处灰度值的差值得到行、列累加值拟合曲线的平均灰度差异；
根据行、列累加值拟合曲线的波动比率和平均灰度差异得到行、列累加值拟合曲线的波动程度；根据行、列累加值拟合曲线的波动程度判断行、列累加值拟合曲线是属于顺向拟合曲线还是属于垂向拟合曲线；
根据判定属于顺向拟合曲线上的波峰个数和波峰幅值得到蜗牛纹尺寸异常程度，根据判定属于垂向拟合曲线上的每个波谷处灰度值和该波谷端点处灰度值得到每个波谷的异常程度；
根据蜗牛纹尺寸异常程度和每个波谷的异常程度得到蜗牛纹的异常程度，根据异常程度判断蜗牛纹是否会影响使用。
所述行、列累加值拟合曲线的波动比率的获取方法为：
获取行累加值拟合曲线的波峰个数
Figure 129613DEST_PATH_IMAGE001
，波谷个数
Figure 851712DEST_PATH_IMAGE002
，列累加值拟合曲线的波峰个数
Figure 531087DEST_PATH_IMAGE003
，波谷个数
Figure 56746DEST_PATH_IMAGE004
；
行累加值拟合曲线的波动比率计算方法为：
Figure DEST_PATH_IMAGE005
式中，
Figure 807664DEST_PATH_IMAGE006
为行累加值拟合曲线的波动比率，
Figure 118691DEST_PATH_IMAGE007
为光伏电池板表面灰度图像像素点的行数；
列累加值拟合曲线的波动比率计算方法为：
Figure 980685DEST_PATH_IMAGE008
式中，
Figure DEST_PATH_IMAGE009
为列累加值拟合曲线的波动比率，
Figure 337848DEST_PATH_IMAGE010
为光伏电池板表面灰度图像像素点的列数。
所述行、列累加值拟合曲线的平均灰度差异的获取方法为：
计算行累加值拟合曲线上每个波峰处灰度值和与该波峰的下个相邻波谷处灰度值的差值，将所有差值累加得到
Figure 564561DEST_PATH_IMAGE011
；
计算列累加值拟合曲线上每个波峰处灰度值和与该波峰的下个相邻波谷处灰度值的差值，将所有
Figure 244941DEST_PATH_IMAGE012
累加得到
Figure 539DEST_PATH_IMAGE013
；
行累加值拟合曲线的平均灰度差值计算方法为：
Figure 766370DEST_PATH_IMAGE014
式中，
Figure 531194DEST_PATH_IMAGE015
为行累加值拟合曲线的平均灰度差值；
列累加值拟合曲线的平均灰度差值计算方法为：
Figure 816813DEST_PATH_IMAGE016
式中，
Figure 258159DEST_PATH_IMAGE015
为行累加值拟合曲线的平均灰度差值。
所述行、列累加值拟合曲线的波动程度的获取方法为：
行累加值拟合曲线的波动程度计算方法为：
Figure 262018DEST_PATH_IMAGE017
式中，
Figure 564955DEST_PATH_IMAGE018
为行累加值拟合曲线的波动程度；
列累加值拟合曲线的波动程度计算方法为：
Figure DEST_PATH_IMAGE019
式中，
Figure 564135DEST_PATH_IMAGE020
为列累加值拟合曲线的波动程度。
所述根据行、列累加值拟合曲线的波动程度判断行、列累加值拟合曲线是属于顺向拟合曲线还是属于垂向拟合曲线的方法为：
若
Figure 661535DEST_PATH_IMAGE018
的值大于
Figure 401958DEST_PATH_IMAGE020
，则行累加值拟合曲线为顺向拟合曲线，列累加值拟合曲线为垂向拟合曲线；
若
Figure 508585DEST_PATH_IMAGE020
的值大于
Figure 18064DEST_PATH_IMAGE018
，则列累加值拟合曲线为顺向拟合曲线，行累加值拟合曲线为垂向拟合曲线。
所述蜗牛纹尺寸异常程度的获取方法为：
获取顺向拟合曲线上的波峰个数和每个波峰的幅值；
计算顺向拟合曲线上所有波峰幅值的均值；
计算每个波峰幅值与所有波峰幅值的均值的差值；
则蜗牛纹尺寸异常程度的计算方法为：
Figure DEST_PATH_IMAGE021
式中，
Figure 364994DEST_PATH_IMAGE022
为蜗牛纹尺寸异常程度，
Figure 592713DEST_PATH_IMAGE001
为顺向拟合曲线上的波峰个数，
Figure 971873DEST_PATH_IMAGE023
为第
Figure 617749DEST_PATH_IMAGE023
个波峰，
Figure 571798DEST_PATH_IMAGE024
为第
Figure 771967DEST_PATH_IMAGE023
个波峰的幅值，
Figure 469664DEST_PATH_IMAGE025
为顺向拟合曲线上所有波峰幅值的均值，
Figure 692749DEST_PATH_IMAGE026
为每个波峰幅值与所有波峰幅值的均值的差值大于0的波峰个数。
所述每个波谷的异常程度的获取方法为：
获取垂向拟合曲线上的波谷个数和每个波谷从左端点到右端点占据的列数；
获取每个波谷所在列的灰度值累加值与两个端点所在列的灰度值累加值中较大的累加值的差值；
则每个波谷的异常程度的计算方法为：
Figure DEST_PATH_IMAGE027
式中，
Figure 161908DEST_PATH_IMAGE028
为垂向拟合曲线上第
Figure 849372DEST_PATH_IMAGE029
个波谷的异常程度，
Figure 101493DEST_PATH_IMAGE030
为第
Figure 440070DEST_PATH_IMAGE029
个波谷从左端点到右端点占据的列数，
Figure 486655DEST_PATH_IMAGE031
为第
Figure 661415DEST_PATH_IMAGE029
个波谷所占总差值的权重，计算方法为：
Figure 700916DEST_PATH_IMAGE032
式中，
Figure 910311DEST_PATH_IMAGE033
为第
Figure 127797DEST_PATH_IMAGE029
个波谷处像素点所在列像素点灰度值累加值与左端点、右端点所在列像素点灰度值累加值中较大累加值的差值。
所述蜗牛纹的异常程度的计算方法为：
Figure 39121DEST_PATH_IMAGE034
式中，
Figure 633045DEST_PATH_IMAGE035
为蜗牛纹的异常程度。
所述根据异常程度判断蜗牛纹是否会影响使用的方法为：
若异常程度
Figure 431368DEST_PATH_IMAGE035
的值大于0，则蜗牛纹会影响光伏电池板使用。
本发明的有益效果是：基于图像处理，获取电池板表面灰度图像中每行、列像素点的灰度值累加值的拟合曲线，根据拟合曲线中的波峰和波谷个数得到拟合曲线的波动比率，根据拟合曲线中每个波峰处灰度值和与该波峰的下个相邻波谷处灰度值的差值得到拟合曲线的平均灰度差异，根据波动比率和平均灰度差异计算拟合曲线的波动程度，根据波动程度判断拟合曲线是顺向还是垂向，根据顺向拟合曲线上的波峰个数和波峰幅值得到蜗牛纹尺寸异常程度，根据垂向拟合曲线上的每个波谷处灰度值和该波谷端点处灰度值得到每个波谷的异常程度，根据蜗牛纹尺寸异常程度和每个波谷的异常程度得到蜗牛纹的异常程度，根据异常程度判断蜗牛纹是否会影响使用，方法简单、智能、精准、高效。
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是本发明的一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法流程示意图；
图2是本发明的一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法中的光伏电池板蜗牛纹示意图。
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，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。
本发明的一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法的实施例，如图1所示，包括：
步骤一：获取光伏电池板表面灰度图像；获取电池板表面灰度图像中每行、列像素点的灰度值累加值，根据每行、列像素点灰度值的累加值得到行、列累加值拟合曲线；
该步骤的目的是采集光伏电池板表面灰度图像，作为数据基础，便于后续分析。
本实施例首先利用清洁机器人对光伏电池板表面进行清洁，由于光伏电池板表面可能会存在灰尘或者落叶、鸟粪等，若不进行清洁，直接采集图像，会对后续分析产生影响，造成判断结果不够精准，因此，需要先对光伏电池板表面进行清洁，排除其他因素干扰，然后使用无人机拍摄光伏电池板表面图像，并对其进行灰度化处理，得到其灰度图像，然后分别计算灰度图上每一行像素点灰度值的累加值，每一列像素点灰度值的累加值，将每一行像素点灰度值的累加值进行拟合，得到行累加值拟合曲线，拟合曲线横坐标为行数，纵坐标为每一行的灰度值累加值，将每一列像素点灰度值的累加值进行拟合，得到列累加值拟合曲线，该拟合曲线的横坐标为列数，纵坐标为每一列灰度值的累加值。
需要说明的是，光伏电池板表面上分布有相互平行且长度相等的一条条栅线，且经过灰度化处理后应是白色高亮，灰度值较大的部分，若该光伏电池板表面存在蜗牛纹缺陷，如图2所示，手指宽的暗色粗线条为蜗牛纹，蜗牛问经过灰度化处理后为灰度值较小的部分。
正常的光伏板表面图像经过灰度化处理后得到灰度图像对应的行累加值拟合曲线会周期性的产生波峰，因为存在灰度值高亮的栅线，当某些行像素点为栅线像素点时，该行像素点灰度值累加值就会增大，由于栅线是平行且等距分布，所以行累加值拟合曲线中会产生周期性的波峰；但是，列累加值拟合曲线则是平缓的，近似的一条直线，因为每一列像素点灰度值累加值几乎相等，在每一列中，栅线的像素点分布是相同的，因此列累加值拟合曲线近似直线。
步骤二：根据行、列累加值拟合曲线中的波峰和波谷个数得到行、列累加值拟合曲线的波动比率；根据行、列累加值拟合曲线中每个波峰处灰度值和与该波峰的下个相邻波谷处灰度值的差值得到行、列累加值拟合曲线的平均灰度差异；
该步骤的目的是，分析行累加值拟合曲线的波动情况和列累加值拟合曲线的波动情况，根据波动情况和波峰、波谷的灰度差异得到拟合曲线的平均灰度差异。
其中，行、列累加值拟合曲线的波动比率的获取方法为：
（1）获取行累加值拟合曲线的波峰个数
Figure 69022DEST_PATH_IMAGE001
，波谷个数
Figure 952796DEST_PATH_IMAGE002
，列累加值拟合曲线的波峰个数
Figure 334099DEST_PATH_IMAGE003
，波谷个数
Figure 252507DEST_PATH_IMAGE004
；
（2）行累加值拟合曲线的波动比率计算方法为：
Figure 77375DEST_PATH_IMAGE005
式中，
Figure 963291DEST_PATH_IMAGE006
为行累加值拟合曲线的波动比率，
Figure 367859DEST_PATH_IMAGE007
为光伏电池板表面灰度图像像素点的行数；
列累加值拟合曲线的波动比率计算方法为：
Figure 390042DEST_PATH_IMAGE008
式中，
Figure 651390DEST_PATH_IMAGE009
为列累加值拟合曲线的波动比率，
Figure 509755DEST_PATH_IMAGE010
为光伏电池板表面灰度图像像素点的列数。
其中，行、列累加值拟合曲线的平均灰度差异的获取方法为：
（1）计算行累加值拟合曲线上每个波峰处灰度值和与该波峰的下个相邻波谷处灰度值的差值，将所有差值累加得到
Figure 232861DEST_PATH_IMAGE011
；
则行累加值拟合曲线的平均灰度差值计算方法为：
Figure 403160DEST_PATH_IMAGE036
式中，
Figure 569830DEST_PATH_IMAGE015
为行累加值拟合曲线的平均灰度差值；
（2）计算列累加值拟合曲线上每个波峰处灰度值和与该波峰的下个相邻波谷处灰度值的差值，将所有
Figure 915492DEST_PATH_IMAGE012
累加得到
Figure 442288DEST_PATH_IMAGE013
；
则列累加值拟合曲线的平均灰度差值计算方法为：
Figure 189795DEST_PATH_IMAGE037
式中，
Figure 527367DEST_PATH_IMAGE015
为行累加值拟合曲线的平均灰度差值。
步骤三：根据行、列累加值拟合曲线的波动比率和平均灰度差异得到行、列累加值拟合曲线的波动程度；根据行、列累加值拟合曲线的波动程度判断行、列累加值拟合曲线是属于顺向拟合曲线还是属于垂向拟合曲线；
该步骤的目的是，通过分析行累加值拟合曲线的波动程度和列累加值拟合曲线的波动程度，判断行累加值拟合曲线和列累加值拟合曲线是与栅线分布方向的顺向累加值拟合曲线还是与栅线分布方向的垂向累加值拟合曲线。
其中，行、列累加值拟合曲线的波动程度的获取方法为：
（1）行累加值拟合曲线的波动程度计算方法为：
Figure 875171DEST_PATH_IMAGE017
式中，
Figure 956391DEST_PATH_IMAGE018
为行累加值拟合曲线的波动程度；
（2）列累加值拟合曲线的波动程度计算方法为
Figure 558405DEST_PATH_IMAGE019
式中，
Figure 316145DEST_PATH_IMAGE020
为列累加值拟合曲线的波动程度。
其中，根据行、列累加值拟合曲线的波动程度判断行、列累加值拟合曲线是属于顺向拟合曲线还是属于垂向拟合曲线的方法为：
若
Figure 636399DEST_PATH_IMAGE018
的值大于
Figure 990151DEST_PATH_IMAGE020
，则行累加值拟合曲线为顺向拟合曲线，列累加值拟合曲线为垂向拟合曲线；
若
Figure 961518DEST_PATH_IMAGE020
的值大于
Figure 375313DEST_PATH_IMAGE018
，则列累加值拟合曲线为顺向拟合曲线，行累加值拟合曲线为垂向拟合曲线。
需要说明的是，由于栅线沿固定方向分布，则沿该方向（顺向）的累加值拟合曲线会出现较大波动；相应的，与栅线分布方向垂直或角度较大的方向的灰度累加和拟合曲线则会较为平缓，不会出现剧烈的波峰波谷差值波动。
步骤四：根据判定属于顺向拟合曲线上的波峰个数和波峰幅值得到蜗牛纹尺寸异常程度，根据判定属于垂向拟合曲线上的每个波谷处灰度值和该波谷端点处灰度值得到每个波谷的异常程度；
该步骤的目的是，分析顺向累加值拟合曲线上波峰的个数和幅值判断是否存在异常的波峰，得到关于蜗牛纹长度、宽度的影响参数，同时，分析垂向拟合曲线中每个波谷处像素点所在列灰度值累加值和端点处像素点所在列灰度累加值计算出每个波谷的缺陷程度。
其中，蜗牛纹尺寸异常程度的获取方法为：
（1）获取顺向拟合曲线上的波峰数量
Figure 432131DEST_PATH_IMAGE001
，设第
Figure 589574DEST_PATH_IMAGE023
个波峰的幅值为
Figure 166180DEST_PATH_IMAGE024
；
（2）求顺向拟合曲线上所有波峰幅值的平均值：
Figure 144DEST_PATH_IMAGE038
（3）分别计算每个波峰幅值与均值间的差值如下：
Figure 560569DEST_PATH_IMAGE039
其中，
Figure 52862DEST_PATH_IMAGE040
大于0的波峰共有
Figure 483974DEST_PATH_IMAGE026
个。
（4）根据幅值差及可能的异常波峰数，得到一个关于蜗牛纹尺寸（长度、宽度）的异常程度如下：
Figure 754418DEST_PATH_IMAGE041
其中，
Figure 270982DEST_PATH_IMAGE022
表示光伏板表面上蜗牛纹尺寸的异常程度，
Figure 753916DEST_PATH_IMAGE022
越大则表示光伏板表面上蜗牛纹整体长度或宽度越大，如果光伏电池板表面上没有出现蜗牛纹缺陷异常，则各条栅线都应是完整的，则反映到顺向分布累加曲线中，每条栅线对应的波峰幅值都应相当；如果出现蜗牛纹缺陷，蜗牛纹会覆盖数条栅线上的部分，则这些栅线对应的顺向分布累加曲线中的波峰幅值则会低于正常栅线对应的波峰幅值。不过也有可能出现特殊情况，即蜗牛纹缺陷刚好覆盖了所有栅线，且缺陷宽度恒定，则所有栅线对应的波峰幅值仍会相当，不会有较大差异的部分出现，此种情况则需根据垂向分布累加曲线来界定判断。
其中，每个波谷的异常程度的获取方法为：
（1）获取垂向拟合曲线上的波谷个数和每个波谷从左端点到右端点占据的列数；
（2）获取每个波谷所在列的灰度值累加值与两个端点所在列的灰度值累加值中较大的累加值的差值；
（3）则每个波谷的异常程度的计算方法为：
Figure 558974DEST_PATH_IMAGE027
式中，
Figure 751052DEST_PATH_IMAGE028
为垂向拟合曲线上第
Figure 269758DEST_PATH_IMAGE029
个波谷的异常程度，
Figure 838274DEST_PATH_IMAGE030
为第
Figure 978399DEST_PATH_IMAGE029
个波谷从左端点到右端点占据的列数，
Figure 606958DEST_PATH_IMAGE031
为第
Figure 878539DEST_PATH_IMAGE029
个波谷所占总差值的权重，计算方法为：
Figure 516325DEST_PATH_IMAGE032
式中，
Figure 307695DEST_PATH_IMAGE033
为第
Figure 841576DEST_PATH_IMAGE029
个波谷处像素点所在列像素点灰度值累加值与左端点、右端点所在列像素点灰度值累加值中较大累加值的差值。
需要说明的是，在垂向分布曲线中，如果光伏电池板表面正常，即栅线状况正常，则既不会有明显的波峰也不会有波谷出现，因为每一列中包含的栅线上的像素点的数量都是相当的；但如果有蜗牛纹缺陷出现，则会覆盖部分栅线，反映到垂向分布曲线中则会出现波谷，波谷所在列即包含了被覆盖的栅线上的像素点。
步骤五：根据蜗牛纹尺寸异常程度和每个波谷的异常程度得到蜗牛纹的异常程度，根据异常程度判断蜗牛纹是否会影响使用。
该步骤的目的是综合分析蜗牛纹长度宽度的异常程度和每个波谷的异常程度得到蜗牛纹的异常程度，并根据异常程度判断是否存在蜗牛纹。
由上步判断得到的垂向分布曲线上每个波谷的缺陷影响程度，可以得到蜗牛纹的整体异常影响程度，并以此评判光伏电池板是否异常影响过大从而影响继续使用。
其中，蜗牛纹的异常程度的计算方法为：
Figure 351185DEST_PATH_IMAGE034
公式中，
Figure 261504DEST_PATH_IMAGE035
为异常影响程度，综合评判结果为蜗牛纹的整体长宽参数与每个缺陷影响累加值的乘积，故
Figure 156647DEST_PATH_IMAGE035
值越大，表明缺陷整体影响越大，则越有可能影响后续光伏电池板的使用。
其中，根据异常程度判断蜗牛纹是否会影响使用的方法为：
Figure 861429DEST_PATH_IMAGE035
>0时会存在蜗牛纹影响光伏板后续使用，及时更换该光伏电池板。
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 (9)

1.一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法，其特征在于，包括：
获取光伏电池板表面灰度图像；
获取电池板表面灰度图像中每行、列像素点的灰度值累加值，根据每行、列像素点灰度值的累加值得到行、列累加值拟合曲线；
根据行、列累加值拟合曲线中的波峰和波谷个数得到行、列累加值拟合曲线的波动比率；
根据行、列累加值拟合曲线中每个波峰处灰度值和与该波峰的下个相邻波谷处灰度值的差值得到行、列累加值拟合曲线的平均灰度差异；
根据行、列累加值拟合曲线的波动比率和平均灰度差异得到行、列累加值拟合曲线的波动程度；根据行、列累加值拟合曲线的波动程度判定行、列累加值拟合曲线是属于顺向拟合曲线还是属于垂向拟合曲线；
根据判定属于顺向拟合曲线上的波峰个数和波峰幅值得到蜗牛纹尺寸异常程度，根据判定属于垂向拟合曲线上的每个波谷处灰度值和该波谷端点处灰度值得到每个波谷的异常程度；
根据蜗牛纹尺寸异常程度和每个波谷的异常程度得到蜗牛纹的异常程度，根据异常程度判断蜗牛纹是否会影响使用。
2.根据权利要求1所述的一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法，其特征在于，所述行、列累加值拟合曲线的波动比率的获取方法为：
获取行累加值拟合曲线的波峰个数
Figure 14692DEST_PATH_IMAGE001
，波谷个数
Figure 463122DEST_PATH_IMAGE002
，列累加值拟合曲线的波峰个数
Figure 432346DEST_PATH_IMAGE003
，波谷个数
Figure 557297DEST_PATH_IMAGE004
；
行累加值拟合曲线的波动比率计算方法为：
Figure 244762DEST_PATH_IMAGE005
式中，
Figure 480571DEST_PATH_IMAGE006
为行累加值拟合曲线的波动比率，
Figure 569881DEST_PATH_IMAGE007
为光伏电池板表面灰度图像像素点的行数；
列累加值拟合曲线的波动比率计算方法为：
Figure 616465DEST_PATH_IMAGE008
式中，
Figure 40493DEST_PATH_IMAGE009
为列累加值拟合曲线的波动比率，
Figure 830726DEST_PATH_IMAGE010
为光伏电池板表面灰度图像像素点的列数。
3.根据权利要求2所述的一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法，其特征在于，所述行、列累加值拟合曲线的平均灰度差异的获取方法为：
计算行累加值拟合曲线上每个波峰处灰度值和与该波峰的下个相邻波谷处灰度值的差值，将所有差值累加得到
Figure 758231DEST_PATH_IMAGE011
；
计算列累加值拟合曲线上每个波峰处灰度值和与该波峰的下个相邻波谷处灰度值的差值，将所有
Figure 975716DEST_PATH_IMAGE012
累加得到
Figure 621461DEST_PATH_IMAGE013
；
行累加值拟合曲线的平均灰度差值计算方法为：
Figure 949806DEST_PATH_IMAGE014
式中，
Figure 13708DEST_PATH_IMAGE015
为行累加值拟合曲线的平均灰度差值；
列累加值拟合曲线的平均灰度差值计算方法为：
Figure 651363DEST_PATH_IMAGE016
式中，
Figure 535136DEST_PATH_IMAGE015
为行累加值拟合曲线的平均灰度差值。
4.根据权利要求3所述的一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法，其特征在于，所述行、列累加值拟合曲线的波动程度的获取方法为：
行累加值拟合曲线的波动程度计算方法为：
Figure 650860DEST_PATH_IMAGE017
式中，
Figure 569268DEST_PATH_IMAGE018
为行累加值拟合曲线的波动程度；
列累加值拟合曲线的波动程度计算方法为：
Figure 128557DEST_PATH_IMAGE019
式中，
Figure 748894DEST_PATH_IMAGE020
为列累加值拟合曲线的波动程度。
5.根据权利要求4所述的一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法，其特征在于，所述根据行、列累加值拟合曲线的波动程度判断行、列累加值拟合曲线是属于顺向拟合曲线还是属于垂向拟合曲线的方法为：
若行累加值拟合曲线的波动程度
Figure 419041DEST_PATH_IMAGE018
的值大于列累加值拟合曲线的波动程度
Figure 441223DEST_PATH_IMAGE020
，则行累加值拟合曲线为顺向拟合曲线，列累加值拟合曲线为垂向拟合曲线；
若列累加值拟合曲线的波动程度
Figure 905834DEST_PATH_IMAGE020
的值大于行累加值拟合曲线的波动程度
Figure 13467DEST_PATH_IMAGE018
，则列累加值拟合曲线为顺向拟合曲线，行累加值拟合曲线为垂向拟合曲线。
6.根据权利要求5所述的一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法，其特征在于，所述蜗牛纹尺寸异常程度的获取方法为：
获取顺向拟合曲线上的波峰个数和每个波峰的幅值；
计算顺向拟合曲线上所有波峰幅值的均值；
计算每个波峰幅值与所有波峰幅值的均值的差值；
则蜗牛纹尺寸异常程度的计算方法为：
Figure 233444DEST_PATH_IMAGE021
式中，
Figure 110134DEST_PATH_IMAGE022
为蜗牛纹尺寸异常程度，
Figure 11225DEST_PATH_IMAGE001
为顺向拟合曲线上的波峰个数，
Figure 340575DEST_PATH_IMAGE023
为第
Figure 618104DEST_PATH_IMAGE023
个波峰，
Figure 834452DEST_PATH_IMAGE024
为第
Figure 421291DEST_PATH_IMAGE023
个波峰的幅值，
Figure 254249DEST_PATH_IMAGE025
为顺向拟合曲线上所有波峰幅值的均值，
Figure 319157DEST_PATH_IMAGE026
为每个波峰幅值与所有波峰幅值的均值的差值大于0的波峰个数。
7.根据权利要求6所述的一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法，其特征在于，所述每个波谷的异常程度的获取方法为：
获取垂向拟合曲线上的波谷个数和每个波谷从左端点到右端点占据的列数；
获取每个波谷所在列的灰度值累加值与两个端点所在列的灰度值累加值中较大的累加值的差值；
则每个波谷的异常程度的计算方法为：
Figure 186750DEST_PATH_IMAGE027
式中，
Figure 695223DEST_PATH_IMAGE028
为垂向拟合曲线上第
Figure 999166DEST_PATH_IMAGE029
个波谷的异常程度，
Figure 618497DEST_PATH_IMAGE030
为第
Figure 606176DEST_PATH_IMAGE029
个波谷从左端点到右端点占据的列数，
Figure 269238DEST_PATH_IMAGE031
为第
Figure 342367DEST_PATH_IMAGE029
个波谷所占总差值的权重，计算方法为：
Figure 499810DEST_PATH_IMAGE032
式中，
Figure 341996DEST_PATH_IMAGE033
为第
Figure 175959DEST_PATH_IMAGE029
个波谷处像素点所在列像素点灰度值累加值与左端点、右端点所在列像素点灰度值累加值中较大累加值的差值。
8.根据权利要求7所述的一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法，其特征在于，所述蜗牛纹的异常程度的计算方法为：
Figure 205226DEST_PATH_IMAGE034
式中，
Figure 681207DEST_PATH_IMAGE035
为蜗牛纹的异常程度。
9.根据权利要求8所述的一种基于计算机视觉的光伏板蜗牛纹缺陷检测方法，其特征在于，所述根据异常程度判断蜗牛纹是否会影响使用的方法为：
若异常程度
Figure 377899DEST_PATH_IMAGE035
的值大于0，则蜗牛纹会影响光伏电池板使用，及时更换。
CN202211194732.XA 2022-09-29 2022-09-29 基于计算机视觉的光伏板蜗牛纹缺陷检测方法 Active CN115272332B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211194732.XA CN115272332B (zh) 2022-09-29 2022-09-29 基于计算机视觉的光伏板蜗牛纹缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211194732.XA CN115272332B (zh) 2022-09-29 2022-09-29 基于计算机视觉的光伏板蜗牛纹缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115272332A true CN115272332A (zh) 2022-11-01
CN115272332B CN115272332B (zh) 2023-10-10

Family

ID=83757776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211194732.XA Active CN115272332B (zh) 2022-09-29 2022-09-29 基于计算机视觉的光伏板蜗牛纹缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115272332B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311295A (zh) * 2022-10-12 2022-11-08 罗博特科智能科技南通有限公司 基于傅里叶变换的光伏电池板缺陷检测方法
CN115661120A (zh) * 2022-11-14 2023-01-31 江西捷锐机电设备有限公司 一种用于数控金钢线剖锭机的切割质量检测方法
CN117078667A (zh) * 2023-10-13 2023-11-17 山东克莱蒙特新材料科技有限公司 基于机器视觉的矿物铸件检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070210250A1 (en) * 2003-10-16 2007-09-13 Ward Billy W Ion sources, systems and methods
CN112184650A (zh) * 2020-09-21 2021-01-05 河南颂达信息技术有限公司 一种基于人工智能的光伏电池板批量断栅检测方法及系统
CN115099290A (zh) * 2022-08-29 2022-09-23 瀚能太阳能(山东)集团有限公司 一种太阳能电池板生产质量检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070210250A1 (en) * 2003-10-16 2007-09-13 Ward Billy W Ion sources, systems and methods
CN112184650A (zh) * 2020-09-21 2021-01-05 河南颂达信息技术有限公司 一种基于人工智能的光伏电池板批量断栅检测方法及系统
CN115099290A (zh) * 2022-08-29 2022-09-23 瀚能太阳能(山东)集团有限公司 一种太阳能电池板生产质量检测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311295A (zh) * 2022-10-12 2022-11-08 罗博特科智能科技南通有限公司 基于傅里叶变换的光伏电池板缺陷检测方法
CN115661120A (zh) * 2022-11-14 2023-01-31 江西捷锐机电设备有限公司 一种用于数控金钢线剖锭机的切割质量检测方法
CN115661120B (zh) * 2022-11-14 2023-03-10 江西捷锐机电设备有限公司 一种用于数控金钢线剖锭机的切割质量检测方法
CN117078667A (zh) * 2023-10-13 2023-11-17 山东克莱蒙特新材料科技有限公司 基于机器视觉的矿物铸件检测方法
CN117078667B (zh) * 2023-10-13 2024-01-09 山东克莱蒙特新材料科技有限公司 基于机器视觉的矿物铸件检测方法

Also Published As

Publication number Publication date
CN115272332B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN115272332A (zh) 基于计算机视觉的光伏板蜗牛纹缺陷检测方法
Fan et al. A deep residual neural network identification method for uneven dust accumulation on photovoltaic (PV) panels
CN109787552B (zh) 一种光伏电站的清洗方法及系统
CN108572011B (zh) 一种基于机器视觉的光伏电池板积灰状态监测系统及计算方法
CN109918364B (zh) 一种基于二维概率密度估计和四分位法的数据清洗方法
CN112871938B (zh) 一种光伏电站清扫监控一体化管理系统
CN115099290B (zh) 一种太阳能电池板生产质量检测方法
CN112286993B (zh) 一种光伏电站中发电异常组串的检测方法及装置
CN112446863A (zh) 基于图像处理的光伏阵列热斑检测方法和检测系统
CN111313830B (zh) 逆变器诊断方法及系统
CN115392494A (zh) 一种智能化光伏清灰方法及系统
CN115940809B (zh) 基于功率数据及视觉分析的太阳能板故障检测方法
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
CN118071033B (zh) 一种光伏发电效率分析评价方法
CN114968999A (zh) 一种基于时序匹配和双向四分位算法的异常数据清洗方法
CN115457001A (zh) 基于vgg网络的光伏板异物检测方法、系统、装置及介质
CN115797355B (zh) 太阳能光伏发电装置故障检测方法及系统
CN118247251A (zh) 使用可见光图像预测光伏组件积灰程度的方法及系统
CN118168547A (zh) 基于电机电流数据分析的轨道式光伏清洁机器人位置检测方法
Yang et al. Estimating PV Soiling Loss Using Panel Images and a Feature-Based Regression Model
CN116593829B (zh) 基于数据分析的输电线路隐患在线监测系统
CN112495978A (zh) 一种基于视觉感知的光伏清扫机器人清洁速率调整方法
CN116667780A (zh) 电站的故障诊断方法、装置以及光伏系统
WO2022096571A1 (en) Solar energy facility monitoring
CN117932276B (zh) 一种中压配电网线路节能降损适应性评估方法

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