CN115311295A - 基于傅里叶变换的光伏电池板缺陷检测方法 - Google Patents

基于傅里叶变换的光伏电池板缺陷检测方法 Download PDF

Info

Publication number
CN115311295A
CN115311295A CN202211245138.9A CN202211245138A CN115311295A CN 115311295 A CN115311295 A CN 115311295A CN 202211245138 A CN202211245138 A CN 202211245138A CN 115311295 A CN115311295 A CN 115311295A
Authority
CN
China
Prior art keywords
gray scale
image
end point
defect
fourier transform
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
CN202211245138.9A
Other languages
English (en)
Other versions
CN115311295B (zh
Inventor
罗银兵
戴军
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.)
Robotek Intelligent Technology Nantong Co ltd
Original Assignee
Robotek Intelligent 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 Robotek Intelligent Technology Nantong Co ltd filed Critical Robotek Intelligent Technology Nantong Co ltd
Priority to CN202211245138.9A priority Critical patent/CN115311295B/zh
Publication of CN115311295A publication Critical patent/CN115311295A/zh
Application granted granted Critical
Publication of CN115311295B publication Critical patent/CN115311295B/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
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种基于傅里叶变换的光伏电池板缺陷检测方法。本发明的基于傅里叶变换的光伏电池板缺陷检测方法，通过采集光伏电池板表面图像，进行图像处理及傅里叶变换相关应用，检测判断光伏电池板上的遮挡缺陷和热斑缺陷，并分析其对光伏板的整体影响程度，在提高检测准确度的同时也减少了大面积检测所花费的时间，提高了检测效率，还能有效规避异物或热斑可能导致的光伏板损坏从而降低材料更换成本，在光伏板缺陷检测领域具有良好的应用前景。

Description

基于傅里叶变换的光伏电池板缺陷检测方法
技术领域
本发明涉及图像处理领域，具体涉及一种基于傅里叶变换的光伏电池板缺陷检测方法。
背景技术
太阳能具有清洁、绿色、环保、可再生的特点，能够有效缓解经济社会对化石能源的依赖，解决传统化石能源的日益短缺、不可再生以及所引发的一系列环境问题，在国家发展战略中凸显出越来越重要的作用。
光伏发电是一种利用半导体界面的光生伏特效应而将光能直接转变为电能的技术，其作为太阳能利用的有效方式，已得到大规模推广应用。目前，大面积铺设光伏电池板已经成为一些太阳能丰富地区的主要能源供应方式，而随着光伏电池板的大面积使用，也暴露出了新的问题，其中影响最为显著的是异物遮挡电池板所导致的热斑效应。热斑效应是指在一定条件下，串联支路中被遮蔽的太阳能电池组件被当作负载，消耗其他被光照的太阳能电池组件所产生的能量，使得被遮挡的太阳能电池组件发热的现象。出现热斑效应时，由于被遮挡的的光伏电池组件将会消耗正常光照的光伏电池组件所产生的部分能量甚至所有能量，其不但会降低能量的输出功率，还可能会对太阳能电池组件造成结构损坏甚至烧毁组件，严重影响了太阳能光伏电池板的正常使用。
为了针对性消除异物遮挡或热斑带来的不利影响，不可避免地需要对光伏电池板上的异物遮挡和热斑情况进行检测分析。然而，由于光伏电池板铺设范围十分广泛，因而进行大面积的光伏电池板异物遮挡甚至热斑的检测相当麻烦。目前，采用人工检测虽然能够对热斑效应可能导致的后果采取一定的防护措施，但是会消耗大量的时间与精力，而且还治标不治本。因此，如何才能快速、同步检测出异物遮挡或者热斑的产生，才能从根源上降低甚至消除异物遮挡和热斑效应的影响。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于傅里叶变换的光伏电池板缺陷检测方法，其能够快速判断出光伏电池板上的异物遮挡和热斑，从而有助于针对性消除缺陷以降低光伏电池板的经济损失。
本发明的基于傅里叶变换的光伏电池板缺陷检测方法，所采用的技术方案如下：
一种基于傅里叶变换的光伏电池板缺陷检测方法，包括以下步骤：
步骤一，采集光伏电池板表面图像，对光伏电池板表面图像进行灰度化处理得到灰度图像，然后对灰度图像进行边缘检测得到边缘检测图像；
步骤二，对灰度图像进行傅里叶变换得到频谱图，然后以选定半径对频谱图进行高低频区域的初始划分，对划分后的高频区域进行傅里叶逆变换，将得到的傅里叶逆变换图像与边缘检测图像进行比对，重新确定高低频区域的划分界限，得到划分后的低频区域；所述划分后的低频区域包含遮挡缺陷和/或热斑缺陷；
步骤三，对划分后的低频区域进行傅里叶逆变换，得到低通处理图像，对低通处理图像的行和、列和进行累加，得到行灰度和累加拟合曲线和列灰度和累加拟合曲线；根据行灰度和累加拟合曲线、列灰度和累加拟合曲线，分析光伏电池板表面的遮挡缺陷和热斑缺陷的综合影响程度；
其中，步骤三中，分析光伏电池板表面的遮挡缺陷和热斑缺陷的综合影响程度，具体过程为：根据行灰度和累加拟合曲线、列灰度和累加拟合曲线中的波峰数据，分析遮挡缺陷的异常程度；根据行灰度和累加拟合曲线、列灰度和累加拟合曲线中的波谷数据，分析热斑缺陷的异常程度；将遮挡缺陷的异常程度和热斑缺陷的异常程度进行加和，得到遮挡缺陷和热斑缺陷的综合影响程度。
优选地，步骤一中，所述边缘检测采用canny边缘检测算法进行。
进一步地，步骤二中，以选定半径对频谱图进行高低频区域的初始划分，具体过程为：
对频谱图中心的低频区域以选定半径
Figure 100002_DEST_PATH_IMAGE001
的圆范围进行覆盖，将圆范围内的各点像素值设置为0，覆盖处理后得到划分后的高频区域。
进一步地，步骤二中，将得到的傅里叶逆变换图像与边缘检测图像进行比对，重新确定高低频区域的划分界限，具体过程为：
在边缘检测图像和傅里叶逆变换图像中，各像素点灰度值为0或255；将边缘检测图像和傅里叶逆变换后图像进行比对，用傅里叶逆变换图像上每个像素点的灰度值减去边缘检测图像上同一像素点的灰度值，统计结果为255的像素点的个数以及结果为-255的像素点的个数，则有：
Figure 100002_DEST_PATH_IMAGE003
其中，
Figure 201661DEST_PATH_IMAGE004
表示第
Figure 377558DEST_PATH_IMAGE004
次处理，
Figure 100002_DEST_PATH_IMAGE005
为第
Figure 85751DEST_PATH_IMAGE004
次处理的匹配参数，
Figure 381079DEST_PATH_IMAGE006
为第
Figure 846826DEST_PATH_IMAGE004
次处理时结果为255的像素点的个数，
Figure 100002_DEST_PATH_IMAGE007
为第
Figure 623152DEST_PATH_IMAGE004
次处理时结果为-255的像素点的个数；
Figure 389114DEST_PATH_IMAGE008
为灰度图像上像素点的总个数；
当匹配参数
Figure 858273DEST_PATH_IMAGE005
的值小于0.001时，则表明傅里叶逆变换图像与边缘检测图像相匹配，记录下此时第
Figure 407722DEST_PATH_IMAGE004
次处理的划分半径
Figure 100002_DEST_PATH_IMAGE009
；
当匹配参数
Figure 128684DEST_PATH_IMAGE005
的值大于0.001时，则表明划分的高频区域存在部分整体特征，此时等差增大半径
Figure 608207DEST_PATH_IMAGE001
值，重复上述步骤，直到满足
Figure 717108DEST_PATH_IMAGE005
小于0.001，结束该操作，记录此时的划分半径
Figure 154518DEST_PATH_IMAGE009
，由此确定出高低频区域的划分界限。
更进一步地，步骤二中，划分后的低频区域的获取过程为：根据得到的所述划分半径
Figure 69385DEST_PATH_IMAGE009
，将频谱图中与低频中心点距离大于
Figure 278780DEST_PATH_IMAGE009
的高频区域的像素点的像素值设置为0，由此得到划分后的低频区域。
步骤三中，对低通处理图像的行和、列和进行累加，得到行灰度和累加拟合曲线和列灰度和累加拟合曲线，具体过程是：
处理后的低通处理图像中共有
Figure 886479DEST_PATH_IMAGE010
行、
Figure 100002_DEST_PATH_IMAGE011
列，则行、列灰度累加如下式：
Figure 100002_DEST_PATH_IMAGE013
Figure 100002_DEST_PATH_IMAGE015
其中，
Figure 376234DEST_PATH_IMAGE016
表示行灰度累加序列中第
Figure 100002_DEST_PATH_IMAGE017
行的灰度累加和；
Figure 704578DEST_PATH_IMAGE018
表示列灰度累加序列中第
Figure 100002_DEST_PATH_IMAGE019
列的灰度累加和，
Figure 703233DEST_PATH_IMAGE020
则表示第
Figure 685096DEST_PATH_IMAGE017
行第
Figure 224662DEST_PATH_IMAGE019
列像素点的灰度值；
然后根据各行的灰度累加和拟合得到行灰度和累加拟合曲线H；根据各列的灰度累加和拟合得到列灰度和累加拟合曲线L。
优选地，步骤三中，根据行灰度和累加拟合曲线、列灰度和累加拟合曲线中的波峰数据，分析遮挡缺陷的异常程度，具体过程为：
统计曲线H上共有
Figure 100002_DEST_PATH_IMAGE021
个波峰，曲线L上共有
Figure 356697DEST_PATH_IMAGE022
个波峰，曲线H上随机选取的第
Figure 100002_DEST_PATH_IMAGE023
个波峰所在位置从左侧端点到右侧端点共占据了
Figure 215718DEST_PATH_IMAGE024
个行，曲线L上随机选取的第
Figure 100002_DEST_PATH_IMAGE025
个波峰所在位置从左侧端点到右侧端点共占据了
Figure 775007DEST_PATH_IMAGE026
个列；第
Figure 5131DEST_PATH_IMAGE023
个波峰的峰值所在行的灰度累加和与该波峰所在位置的左侧端点、右侧端点所在行的灰度累加和中的最小值之间的差值为
Figure 100002_DEST_PATH_IMAGE027
，第
Figure 675278DEST_PATH_IMAGE025
个波峰的峰值所在列的灰度累加和与该波峰所在位置的左侧端点、右侧端点所在列的灰度累加和中的最小值之间的差值为
Figure 38738DEST_PATH_IMAGE028
，则：
Figure 690300DEST_PATH_IMAGE030
Figure 142141DEST_PATH_IMAGE032
Figure 147137DEST_PATH_IMAGE034
Figure 899192DEST_PATH_IMAGE036
其中，
Figure 100002_DEST_PATH_IMAGE037
、
Figure 331442DEST_PATH_IMAGE038
分别为第
Figure 324107DEST_PATH_IMAGE023
个波峰所在位置的左侧端点、右侧端点所在的行数，
Figure 100002_DEST_PATH_IMAGE039
、
Figure 804898DEST_PATH_IMAGE040
分别为第
Figure 145880DEST_PATH_IMAGE025
个波峰所在位置左侧端点、右侧端点所在的列数；
Figure 100002_DEST_PATH_IMAGE041
为第
Figure 545769DEST_PATH_IMAGE023
个波峰的峰值所在行的灰度累加和，
Figure 906956DEST_PATH_IMAGE042
为第
Figure 316071DEST_PATH_IMAGE023
个波峰的左侧端点所在行的灰度累加和、
Figure 100002_DEST_PATH_IMAGE043
为第
Figure 245981DEST_PATH_IMAGE023
个波峰的右侧端点所在行的灰度累加和；
Figure 285612DEST_PATH_IMAGE044
为第
Figure 996080DEST_PATH_IMAGE025
个波峰的峰值所在列的灰度累加和，
Figure 100002_DEST_PATH_IMAGE045
为第
Figure 290444DEST_PATH_IMAGE025
个波峰的左侧端点所在列的灰度累加和，
Figure 668336DEST_PATH_IMAGE046
为第
Figure 347710DEST_PATH_IMAGE025
个波峰的右侧端点所在列的灰度累加和；min（）为求最小值；
将所有波峰的
Figure 100002_DEST_PATH_IMAGE047
或
Figure 217577DEST_PATH_IMAGE048
进行累加，得出每个波峰所占总差值的权重
Figure 100002_DEST_PATH_IMAGE049
和
Figure 372091DEST_PATH_IMAGE050
：
Figure 542172DEST_PATH_IMAGE052
Figure 658027DEST_PATH_IMAGE054
其中，
Figure 343086DEST_PATH_IMAGE021
、
Figure 897695DEST_PATH_IMAGE022
分别为曲线H、L中波峰的总个数；
每个波峰的影响程度用下式表示：
Figure 874614DEST_PATH_IMAGE056
Figure 489267DEST_PATH_IMAGE058
其中，
Figure 100002_DEST_PATH_IMAGE059
为行上第
Figure 333726DEST_PATH_IMAGE023
个波峰的影响程度；
Figure 364130DEST_PATH_IMAGE060
为列上第
Figure 508803DEST_PATH_IMAGE025
个波峰的影响程度；
Figure 356674DEST_PATH_IMAGE010
为图像的行数，
Figure 623182DEST_PATH_IMAGE011
为图像的列数。
优选地，步骤三中，根据行灰度和累加拟合曲线、列灰度和累加拟合曲线中的波谷数据，分析热斑缺陷的异常程度，具体过程为：
统计曲线H上共有
Figure 100002_DEST_PATH_IMAGE061
个波谷，曲线L上共有
Figure 988436DEST_PATH_IMAGE062
个波谷，曲线H上随机选取的第
Figure 100002_DEST_PATH_IMAGE063
个波谷所在位置从左侧端点到右侧端点共占据了
Figure 331824DEST_PATH_IMAGE064
个行，曲线L上随机选取的第
Figure 100002_DEST_PATH_IMAGE065
个波谷所在位置从左侧端点到右侧端点共占据了
Figure 432153DEST_PATH_IMAGE066
个列；第
Figure 579101DEST_PATH_IMAGE063
个波谷的左侧端点、右侧端点所在行的灰度累加和中的最大值与该波谷的谷值所在行的灰度累加和之间的差值为
Figure 100002_DEST_PATH_IMAGE067
，第
Figure 888991DEST_PATH_IMAGE065
个波谷的左侧端点、右侧端点所在列的灰度累加和中的最大值与该波谷的谷值所在列的灰度累加和之间的差值为
Figure 742677DEST_PATH_IMAGE068
，则：
Figure 666771DEST_PATH_IMAGE070
Figure 907872DEST_PATH_IMAGE072
Figure 146086DEST_PATH_IMAGE074
Figure 182175DEST_PATH_IMAGE076
其中，
Figure 100002_DEST_PATH_IMAGE077
、
Figure 824640DEST_PATH_IMAGE078
分别为第
Figure 149442DEST_PATH_IMAGE061
个波谷所在位置的左侧端点、右侧端点所在的行数，
Figure 100002_DEST_PATH_IMAGE079
、
Figure 916980DEST_PATH_IMAGE080
分别为第
Figure 745258DEST_PATH_IMAGE062
个波谷所在位置的左侧端点、右侧端点所在的列数；
Figure 100002_DEST_PATH_IMAGE081
为第
Figure 824204DEST_PATH_IMAGE063
个波谷的谷值所在行的灰度累加和，
Figure 105144DEST_PATH_IMAGE082
为第
Figure 13057DEST_PATH_IMAGE063
个波谷的左侧端点所在行的灰度累加和，
Figure 100002_DEST_PATH_IMAGE083
为第
Figure 302699DEST_PATH_IMAGE063
个波谷的右侧端点所在行的灰度累加和；
Figure 942759DEST_PATH_IMAGE084
为第
Figure 507733DEST_PATH_IMAGE065
个波谷的谷值所在列的灰度累加和，
Figure 100002_DEST_PATH_IMAGE085
为第
Figure 501228DEST_PATH_IMAGE065
个波谷的左侧端点所在列的灰度累加和，
Figure 103766DEST_PATH_IMAGE086
为第
Figure 586831DEST_PATH_IMAGE065
个波谷的右侧端点所在列的灰度累加和；max（）为求最大值；
将所有波谷的
Figure 100002_DEST_PATH_IMAGE087
或
Figure 576784DEST_PATH_IMAGE088
进行累加，得出每个波谷所占总差值的一个权重
Figure 100002_DEST_PATH_IMAGE089
和
Figure 842811DEST_PATH_IMAGE090
；
Figure 559576DEST_PATH_IMAGE092
Figure 213542DEST_PATH_IMAGE094
其中，
Figure 956370DEST_PATH_IMAGE061
、
Figure 744198DEST_PATH_IMAGE062
分别为曲线H、L中波谷的总个数；
每个波谷的影响程度用下式表示：
Figure 256082DEST_PATH_IMAGE096
Figure 346528DEST_PATH_IMAGE098
其中，
Figure 100002_DEST_PATH_IMAGE099
为行上第
Figure 794563DEST_PATH_IMAGE063
个波谷的影响程度、
Figure 261448DEST_PATH_IMAGE100
为列上第
Figure 893418DEST_PATH_IMAGE065
个波谷的影响程度；
Figure 810558DEST_PATH_IMAGE010
为图像的行数，
Figure 793557DEST_PATH_IMAGE011
为图像的列数。
更优选地，遮挡缺陷和热斑缺陷的综合影响程度的分析过程为：
根据第
Figure 126450DEST_PATH_IMAGE023
个波峰的影响程度
Figure 878505DEST_PATH_IMAGE059
，列上第
Figure 901300DEST_PATH_IMAGE025
个波峰的影响程度
Figure 106017DEST_PATH_IMAGE060
，得到遮挡缺陷的异常程度
Figure 100002_DEST_PATH_IMAGE101
如下：
Figure 100002_DEST_PATH_IMAGE103
根据第
Figure 321229DEST_PATH_IMAGE063
个波谷的影响程度
Figure 662211DEST_PATH_IMAGE099
，列上第
Figure 124416DEST_PATH_IMAGE065
个波谷的影响程度
Figure 816429DEST_PATH_IMAGE100
，得到热斑缺陷的异常程度
Figure 819020DEST_PATH_IMAGE104
如下：
Figure 283018DEST_PATH_IMAGE106
将遮挡缺陷的异常程度和热斑缺陷的异常程度进行加和，得到遮挡缺陷和热斑缺陷的综合影响程度。该步骤中，由于遮挡缺陷和热斑缺陷可单独出现，也可同时出现，因此对二者的和值
Figure DEST_PATH_IMAGE107
进行分析，并设定判断阈值，该阈值由实施人员根据具体实验和误差情况确定。当
Figure 588229DEST_PATH_IMAGE107
大于阈值，则说明光伏电池板上有热斑和/或遮挡出现，需要及时处理以排除影响。
本发明的有益效果，具体如下：
本发明的基于傅里叶变换的光伏电池板缺陷检测方法，采集光伏电池板表面图像，通过图像处理及傅里叶变换相关应用，检测判断光伏电池板上的遮挡缺陷和热斑缺陷，并分析其对光伏板的整体影响程度，在提高检测准确度的同时也减少了大面积检测所花费的时间，提高了检测效率，还能有效规避异物或热斑可能导致的光伏板损坏从而降低材料更换成本，在光伏板缺陷检测领域具有良好的应用前景。
附图说明
图1是本发明的基于傅里叶变换的光伏电池板缺陷检测方法的方法流程图；
图2是本发明的基于傅里叶变换的光伏电池板缺陷检测方法中，有缺陷光伏电池板的灰度图像（a）、正常光伏电池板的灰度图像（c）以及相对应有缺陷电池板的频谱图（b）、正常电池板的频谱图（d）；
图3是本发明的基于傅里叶变换的光伏电池板缺陷检测方法中低频区域覆盖示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明的技术方案详细说明如下。除非另有定义，以下所使用的所有的技术和科学术语与本发明所属技术领域的技术人员通常理解的含义相同。
具体地，本发明的基于傅里叶变换的光伏电池板缺陷检测方法，请参照图1所示，包括以下步骤：
步骤一，采集光伏电池板表面图像，对光伏电池板表面图像进行灰度化处理得到灰度图像，然后对灰度图像进行边缘检测得到边缘检测图像；
其中，采集得到的光伏电池板表面图像中，光伏电池板表面上分布有规则且均匀的栅线，为白色部分，而板面为蓝色部分；如果有热斑产生，其表现颜色比正常板面更深，热斑可能从边缘到内部颜色逐渐加深，甚至因为烧毁出现多层轮廓边缘；而如果是出现异物遮挡，则遮挡异物会有一个清晰的遮挡轮廓。因此，在灰度化处理得到灰度图像后，利用边缘检测对灰度图像中轮廓边界进行提取。
本实施例中，步骤一所涉及的边缘检测具体是利用canny边缘检测算法对原灰度图像进行边缘检测，边缘检测后提取到的边缘轮廓包括光伏电池板表面的栅线部分、异物遮挡部位的外轮廓、热斑部位的各层轮廓。
步骤二，对灰度图像进行傅里叶变换得到频谱图，然后以选定半径对频谱图进行高低频区域的初始划分，对划分后的高频区域进行傅里叶逆变换，将得到的傅里叶逆变换图像与边缘检测图像进行比对，重新确定高低频区域的划分界限，得到划分后的低频区域；所述划分后的低频区域包含遮挡缺陷和/或热斑缺陷；
需要说明的是，傅里叶变换所得频谱图反映的是灰度图像中灰度分布变化之间的关系。频谱图中的低频区域对应的是灰度图像的整体表现，即灰度变化不明显的区域；而高频区域对应原灰度图像中的轮廓边缘部分，其灰度变化剧烈，因此利用边缘检测图像与傅里叶逆变换得到的图像的比对来去除频谱图中的高频区域进而筛选出用于分析的低频区域。由于图像中有栅线部分会对热斑缺陷分析造成影响，因此本发明利用边缘检测与高频区域的比对，类似一个低通滤波器，使得图像中仅剩板面以及缺陷部位，再根据灰度分布变化来分析判断缺陷的影响，有利于缺陷检测准确度的提高。
上述步骤二中，光伏电池板表面的灰度图像中，每个像素点都有对应的灰度值，整张灰度图像上各点灰度值的分布可以看作一个灰度分布函数，根据傅里叶变换得到图像对应的频谱图，其能够反映图像中灰度的分布变化关系。
本实施例中，如图2所示，通过傅里叶变换得到的频谱图中，高频分量位于频谱图中四周，低频分量则位于中心部分。本实施例中，对于光伏电池板表面图像，其上的栅线部分由于均匀分布且与板面有较大的灰度差，所以为轮廓边缘部分，主要分布在频谱图中的高频区域；而异物遮挡部位由于仅有一个外轮廓，内部并无明显灰度变化，热斑部位并无明显的轮廓界限，因此异物遮挡及热斑缺陷特征仍归属于低频区域。
需要注意的是，对于频谱图的分析中，高频区域与低频区域的界限并不明确，划分界限始终难以界定。因此，在上述步骤二中，需要对低频区域进行处理，以选定半径对频谱图进行高低频区域的初始划分，即类似一个低通滤波器。处理方法具体是：
对频谱图中心的低频区域以选定半径
Figure 501958DEST_PATH_IMAGE001
的圆范围进行覆盖，如图3所示，将圆范围内的各点像素值设置为0，覆盖处理后得到划分后的高频区域。
对频谱图中心的低频区域覆盖后，再对余下部分进行傅里叶逆变换得到一个近乎于轮廓边缘的傅里叶逆变换图像，将此图像与上步得到的边缘检测图像进行比对，寻找匹配效果最佳的图像，此时对应频谱图中的覆盖区域即为划分后的低频区域。
对上述覆盖操作后的频谱图进行傅里叶逆变换，即由频谱图得到特殊处理后的灰度图像，得到的图像保留了灰度图像的边缘轮廓部分。由于边缘检测得到的图像是canny算子识别后经过二值化处理的，本实施例为了减少比对时像素值的影响，对频谱图傅里叶逆变换得到的图像同样进行二值化处理。
步骤二中，将得到的傅里叶逆变换图像与边缘检测图像进行比对，重新确定高低频区域的划分界限，具体过程为：
在边缘检测图像和傅里叶逆变换图像中，各像素点灰度值为0或255；将边缘检测图像和傅里叶逆变换后图像进行比对，用傅里叶逆变换图像上每个像素点的灰度值减去边缘检测图像上同一像素点的灰度值，统计结果为255的像素点的个数以及结果为-255的像素点的个数，则有：
Figure 245923DEST_PATH_IMAGE003
其中，
Figure 561498DEST_PATH_IMAGE004
表示第
Figure 99927DEST_PATH_IMAGE004
次处理，
Figure 766531DEST_PATH_IMAGE005
为第
Figure 780099DEST_PATH_IMAGE004
次处理的匹配参数，
Figure 215760DEST_PATH_IMAGE006
为第
Figure 659510DEST_PATH_IMAGE004
次处理时结果为255的像素点的个数，
Figure 813411DEST_PATH_IMAGE007
为第
Figure 633600DEST_PATH_IMAGE004
次处理时结果为-255的像素点的个数；
Figure 923767DEST_PATH_IMAGE008
为灰度图像上像素点的总个数；
当匹配参数
Figure 7260DEST_PATH_IMAGE005
的值小于0.001时，则表明傅里叶逆变换图像与边缘检测图像相匹配，记录下此时第
Figure 382878DEST_PATH_IMAGE004
次处理的划分半径
Figure 529127DEST_PATH_IMAGE009
；
当匹配参数
Figure 939380DEST_PATH_IMAGE005
的值大于0.001时，则表明划分的高频区域存在部分整体特征，此时等差增大半径
Figure 928195DEST_PATH_IMAGE001
值，重复上述步骤，直到满足
Figure 791109DEST_PATH_IMAGE005
小于0.001，结束该操作，记录此时的划分半径
Figure 953100DEST_PATH_IMAGE009
，由此确定出高低频区域的划分界限。
步骤二中，划分后的低频区域的获取过程为：根据得到的所述划分半径
Figure 483439DEST_PATH_IMAGE009
，将频谱图中与低频中心点距离大于
Figure 705473DEST_PATH_IMAGE009
的高频区域的像素点的像素值设置为0，即覆盖高频区域，仅保留划分后的低频区域，由此得到划分后的低频区域。该划分后的低频区域即包括遮挡缺陷和/或热斑缺陷。
本发明的步骤三为，对划分后的低频区域进行傅里叶逆变换，得到低通处理图像，对低通处理图像的行和、列和进行累加，得到行灰度和累加拟合曲线和列灰度和累加拟合曲线；根据行灰度和累加拟合曲线、列灰度和累加拟合曲线，分析光伏电池板表面的遮挡缺陷和热斑缺陷的综合影响程度。
其中，根据步骤二操作，已筛选到频谱图中高频区域与低频区域的划分界限，由此选定低频区域并覆盖高频区域，再进行傅里叶逆变换，此时得到的图像只包含了灰度图像中的整体特征，而灰度变化较为剧烈的噪点、栅线边缘则基本都被模糊处理甚至去除。此时的热斑缺陷或遮挡缺陷表现特征相当明显，由此可对低通处理后图像中的每一行或每一列上的像素点灰度值进行累加，并得到各自对应的拟合曲线。
具体地，对低通处理图像的行和、列和进行累加，得到行灰度和累加拟合曲线和列灰度和累加拟合曲线，具体过程是：
处理后的低通处理图像中共有
Figure 55682DEST_PATH_IMAGE010
行、
Figure 83681DEST_PATH_IMAGE011
列，则行、列灰度累加如下式：
Figure 200017DEST_PATH_IMAGE108
Figure DEST_PATH_IMAGE109
其中，
Figure 796215DEST_PATH_IMAGE016
表示行灰度累加序列中第
Figure 633721DEST_PATH_IMAGE017
行的灰度累加和；
Figure 137515DEST_PATH_IMAGE018
表示列灰度累加序列中第
Figure 111287DEST_PATH_IMAGE019
列的灰度累加和，
Figure 878386DEST_PATH_IMAGE020
则表示第
Figure 203188DEST_PATH_IMAGE017
行第
Figure 248023DEST_PATH_IMAGE019
列像素点的灰度值；
然后根据各行的灰度累加和拟合得到行灰度和累加拟合曲线H；根据各列的灰度累加和拟合得到列灰度和累加拟合曲线L。
步骤三中，根据行灰度和累加拟合曲线、列灰度和累加拟合曲线中的波峰数据，分析遮挡缺陷的异常程度，具体过程为：
由于已对灰度图像进行低通处理，栅线部分的较大灰度值累加对于曲线的波峰影响会降低，而主要的缺陷特征为遮挡部位，其中遮挡部位由于异物遮挡，异物部位的灰度值要大于板面其他部分的灰度值，而累加则会出现大范围、高幅值的波峰，根据相关波峰数据，分析遮挡的影响程度。
对于遮挡缺陷的分析过程具体如下：
统计曲线H上共有
Figure 607460DEST_PATH_IMAGE021
个波峰，曲线L上共有
Figure 342198DEST_PATH_IMAGE022
个波峰，曲线H上随机选取的第
Figure 888717DEST_PATH_IMAGE023
个波峰所在位置从左侧端点到右侧端点共占据了
Figure 999892DEST_PATH_IMAGE024
个行，曲线L上随机选取的第
Figure 948257DEST_PATH_IMAGE025
个波峰所在位置从左侧端点到右侧端点共占据了
Figure 853896DEST_PATH_IMAGE026
个列；第
Figure 887711DEST_PATH_IMAGE023
个波峰的峰值所在行的灰度累加和与该波峰所在位置的左侧端点、右侧端点所在行的灰度累加和中的最小值之间的差值为
Figure 599315DEST_PATH_IMAGE027
，第
Figure 664835DEST_PATH_IMAGE025
个波峰的峰值所在列的灰度累加和与该波峰所在位置的左侧端点、右侧端点所在列的灰度累加和中的最小值之间的差值为
Figure 741376DEST_PATH_IMAGE028
，则：
Figure 528066DEST_PATH_IMAGE110
Figure 715465DEST_PATH_IMAGE032
Figure 638422DEST_PATH_IMAGE034
Figure DEST_PATH_IMAGE111
其中，
Figure 26809DEST_PATH_IMAGE037
、
Figure 35216DEST_PATH_IMAGE038
分别为第
Figure 306534DEST_PATH_IMAGE023
个波峰所在位置的左侧端点、右侧端点所在的行数，
Figure 83997DEST_PATH_IMAGE039
、
Figure 830236DEST_PATH_IMAGE040
分别为第
Figure 60360DEST_PATH_IMAGE025
个波峰所在位置左侧端点、右侧端点所在的列数；
Figure 120720DEST_PATH_IMAGE041
为第
Figure 752690DEST_PATH_IMAGE023
个波峰的峰值所在行的灰度累加和，
Figure 341934DEST_PATH_IMAGE042
为第
Figure 324933DEST_PATH_IMAGE023
个波峰的左侧端点所在行的灰度累加和、
Figure 861088DEST_PATH_IMAGE043
为第
Figure 344634DEST_PATH_IMAGE023
个波峰的右侧端点所在行的灰度累加和；
Figure 370359DEST_PATH_IMAGE044
为第
Figure 840655DEST_PATH_IMAGE025
个波峰的峰值所在列的灰度累加和，
Figure 711659DEST_PATH_IMAGE045
为第
Figure 646117DEST_PATH_IMAGE025
个波峰的左侧端点所在列的灰度累加和，
Figure 842743DEST_PATH_IMAGE046
为第
Figure 269176DEST_PATH_IMAGE025
个波峰的右侧端点所在列的灰度累加和；min（）为求最小值；
将所有波峰的
Figure 209450DEST_PATH_IMAGE047
或
Figure 936098DEST_PATH_IMAGE048
进行累加，得出每个波峰所占总差值的权重
Figure 40976DEST_PATH_IMAGE049
和
Figure 423547DEST_PATH_IMAGE050
：
Figure 901933DEST_PATH_IMAGE052
Figure 14245DEST_PATH_IMAGE112
其中，
Figure 959199DEST_PATH_IMAGE021
、
Figure 360224DEST_PATH_IMAGE022
分别为曲线H、L中波峰的总个数；
每个波峰的影响程度用下式表示：
Figure DEST_PATH_IMAGE113
Figure 311475DEST_PATH_IMAGE114
其中，
Figure 543873DEST_PATH_IMAGE059
为行上第
Figure 394149DEST_PATH_IMAGE023
个波峰的影响程度；
Figure 875946DEST_PATH_IMAGE060
为列上第
Figure 368238DEST_PATH_IMAGE025
个波峰的影响程度；
Figure 658405DEST_PATH_IMAGE010
为图像的行数，
Figure 273057DEST_PATH_IMAGE011
为图像的列数。
继续上述分析，根据行灰度和累加拟合曲线、列灰度和累加拟合曲线中的波谷数据，分析热斑缺陷的异常程度，具体过程为：
热斑部分的灰度值要小于板面其他部分的灰度值，累加则会出现远低于正常的行列累加和的数值出现，表现为拟合曲线上的波谷，根据相关波谷数据，分析热斑的影响程度。
对于热斑缺陷的分析过程具体如下：
统计曲线H上共有
Figure 374306DEST_PATH_IMAGE061
个波谷，曲线L上共有
Figure 998186DEST_PATH_IMAGE062
个波谷，曲线H上随机选取的第
Figure 142859DEST_PATH_IMAGE063
个波谷所在位置从左侧端点到右侧端点共占据了
Figure 990730DEST_PATH_IMAGE064
个行，曲线L上随机选取的第
Figure 588064DEST_PATH_IMAGE065
个波谷所在位置从左侧端点到右侧端点共占据了
Figure 750055DEST_PATH_IMAGE066
个列；第
Figure 14815DEST_PATH_IMAGE063
个波谷的左侧端点、右侧端点所在行的灰度累加和中的最大值与该波谷的谷值所在行的灰度累加和之间的差值为
Figure 906023DEST_PATH_IMAGE067
，第
Figure 990653DEST_PATH_IMAGE065
个波谷的左侧端点、右侧端点所在列的灰度累加和中的最大值与该波谷的谷值所在列的灰度累加和之间的差值为
Figure 956335DEST_PATH_IMAGE068
，则：
Figure 75601DEST_PATH_IMAGE070
Figure 468536DEST_PATH_IMAGE072
Figure 633938DEST_PATH_IMAGE074
Figure 137732DEST_PATH_IMAGE076
其中，
Figure 111504DEST_PATH_IMAGE077
、
Figure 675341DEST_PATH_IMAGE078
分别为第
Figure 737493DEST_PATH_IMAGE061
个波谷所在位置的左侧端点、右侧端点所在的行数，
Figure 310557DEST_PATH_IMAGE079
、
Figure 404415DEST_PATH_IMAGE080
分别为第
Figure 139153DEST_PATH_IMAGE062
个波谷所在位置的左侧端点、右侧端点所在的列数；
Figure 685672DEST_PATH_IMAGE081
为第
Figure 531268DEST_PATH_IMAGE063
个波谷的谷值所在行的灰度累加和，
Figure 479633DEST_PATH_IMAGE082
为第
Figure 588534DEST_PATH_IMAGE063
个波谷的左侧端点所在行的灰度累加和，
Figure 619419DEST_PATH_IMAGE083
为第
Figure 65444DEST_PATH_IMAGE063
个波谷的右侧端点所在行的灰度累加和；
Figure 337157DEST_PATH_IMAGE084
为第
Figure 413697DEST_PATH_IMAGE065
个波谷的谷值所在列的灰度累加和，
Figure 934808DEST_PATH_IMAGE085
为第
Figure 387786DEST_PATH_IMAGE065
个波谷的左侧端点所在列的灰度累加和，
Figure 310743DEST_PATH_IMAGE086
为第
Figure 558185DEST_PATH_IMAGE065
个波谷的右侧端点所在列的灰度累加和；max（）为求最大值；
将所有波谷的
Figure 128161DEST_PATH_IMAGE087
或
Figure 119251DEST_PATH_IMAGE088
进行累加，得出每个波谷所占总差值的一个权重
Figure 896714DEST_PATH_IMAGE089
和
Figure 315057DEST_PATH_IMAGE090
；
Figure 810761DEST_PATH_IMAGE092
Figure 339962DEST_PATH_IMAGE094
其中，
Figure 971932DEST_PATH_IMAGE061
、
Figure 561176DEST_PATH_IMAGE062
分别为曲线H、L中波谷的总个数；
每个波谷的影响程度用下式表示：
Figure 275667DEST_PATH_IMAGE096
Figure 608559DEST_PATH_IMAGE098
其中，
Figure 360614DEST_PATH_IMAGE099
为行上第
Figure 120760DEST_PATH_IMAGE063
个波谷的影响程度、
Figure 325476DEST_PATH_IMAGE100
为列上第
Figure 727639DEST_PATH_IMAGE065
个波谷的影响程度；
Figure 68621DEST_PATH_IMAGE010
为图像的行数，
Figure 999668DEST_PATH_IMAGE011
为图像的列数。
根据上述分析结果，波峰则为遮挡出现，而如果出现波谷，则表明已经有热斑出现，分别对两种影响进行分析，以此综合分析遮挡缺陷和热斑缺陷的影响程度。
影响程度的分析判断过程如下：
根据行上第
Figure 694610DEST_PATH_IMAGE023
个波峰的影响程度
Figure 634885DEST_PATH_IMAGE059
，列上第
Figure 95953DEST_PATH_IMAGE025
个波峰的影响程度
Figure 197901DEST_PATH_IMAGE060
，得到遮挡缺陷的异常程度
Figure 377210DEST_PATH_IMAGE101
如下：
Figure 855596DEST_PATH_IMAGE103
根据行上第
Figure 171170DEST_PATH_IMAGE063
个波谷的影响程度
Figure 975178DEST_PATH_IMAGE099
，列上第
Figure 107695DEST_PATH_IMAGE065
个波谷的影响程度
Figure 389772DEST_PATH_IMAGE100
，得到热斑影响程度
Figure 825432DEST_PATH_IMAGE104
如下：
Figure 534762DEST_PATH_IMAGE106
由于遮挡缺陷和热斑缺陷可能单独出现，也可同时出现，且都需要对光伏电池板进行具体检查，因此对二者的和值
Figure 423084DEST_PATH_IMAGE107
进行分析，并设定判断阈值，该阈值由实施人员根据具体实验和误差情况确定。当
Figure 243272DEST_PATH_IMAGE107
大于阈值，则说明光伏电池板上有热斑和/或遮挡出现，需要及时处理以排除影响。并且，
Figure 533439DEST_PATH_IMAGE107
偏离阈值越大说明光伏电池板上热斑和/或遮挡情况越严重。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种修改或等同替换；而这些修改或者替换，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于傅里叶变换的光伏电池板缺陷检测方法，其特征在于，包括以下步骤：
步骤一，采集光伏电池板表面图像，对光伏电池板表面图像进行灰度化处理得到灰度图像，然后对灰度图像进行边缘检测得到边缘检测图像；
步骤二，对灰度图像进行傅里叶变换得到频谱图，然后以选定半径对频谱图进行高低频区域的初始划分，对划分后的高频区域进行傅里叶逆变换，将得到的傅里叶逆变换图像与边缘检测图像进行比对，重新确定高低频区域的划分界限，得到划分后的低频区域；所述划分后的低频区域包含遮挡缺陷和/或热斑缺陷；
步骤三，对划分后的低频区域进行傅里叶逆变换，得到低通处理图像，对低通处理图像的行和、列和进行累加，得到行灰度和累加拟合曲线和列灰度和累加拟合曲线；根据行灰度和累加拟合曲线、列灰度和累加拟合曲线，分析光伏电池板表面的遮挡缺陷和热斑缺陷的综合影响程度；
其中，步骤三中，分析光伏电池板表面的遮挡缺陷和热斑缺陷的综合影响程度，具体过程为：根据行灰度和累加拟合曲线、列灰度和累加拟合曲线中的波峰数据，分析遮挡缺陷的异常程度；根据行灰度和累加拟合曲线、列灰度和累加拟合曲线中的波谷数据，分析热斑缺陷的异常程度；将遮挡缺陷的异常程度和热斑缺陷的异常程度进行加和，得到遮挡缺陷和热斑缺陷的综合影响程度。
2.根据权利要求1所述的基于傅里叶变换的光伏电池板缺陷检测方法，其特征在于，步骤一中，所述边缘检测采用canny边缘检测算法进行。
3.根据权利要求1或2所述的基于傅里叶变换的光伏电池板缺陷检测方法，其特征在于，步骤二中，以选定半径对频谱图进行高低频区域的初始划分，具体过程为：
对频谱图中心的低频区域以选定半径
Figure DEST_PATH_IMAGE001
的圆范围进行覆盖，将圆范围内的各点像素值设置为0，覆盖处理后得到划分后的高频区域。
4.根据权利要求3所述的基于傅里叶变换的光伏电池板缺陷检测方法，其特征在于，步骤二中，将得到的傅里叶逆变换图像与边缘检测图像进行比对，重新确定高低频区域的划分界限，具体过程为：
在边缘检测图像和傅里叶逆变换图像中，各像素点灰度值为0或255；将边缘检测图像和傅里叶逆变换后图像进行比对，用傅里叶逆变换图像上每个像素点的灰度值减去边缘检测图像上同一像素点的灰度值，统计结果为255的像素点的个数以及结果为-255的像素点的个数，则有：
Figure DEST_PATH_IMAGE003
其中，
Figure 517614DEST_PATH_IMAGE004
表示第
Figure 627652DEST_PATH_IMAGE004
次处理，
Figure DEST_PATH_IMAGE005
为第
Figure 985952DEST_PATH_IMAGE004
次处理的匹配参数，
Figure 133555DEST_PATH_IMAGE006
为第
Figure 919109DEST_PATH_IMAGE004
次处理时结果为255的像素点的个数，
Figure DEST_PATH_IMAGE007
为第
Figure 391810DEST_PATH_IMAGE004
次处理时结果为-255的像素点的个数；
Figure 288221DEST_PATH_IMAGE008
为灰度图像上像素点的总个数；
当匹配参数
Figure 349718DEST_PATH_IMAGE005
的值小于0.001时，则表明傅里叶逆变换图像与边缘检测图像相匹配，记录下此时第
Figure 306173DEST_PATH_IMAGE004
次处理的划分半径
Figure DEST_PATH_IMAGE009
；
当匹配参数
Figure 325557DEST_PATH_IMAGE005
的值大于0.001时，则表明划分的高频区域存在部分整体特征，此时等差增大半径
Figure 963343DEST_PATH_IMAGE001
值，重复上述步骤，直到满足
Figure 410505DEST_PATH_IMAGE005
小于0.001，结束该操作，记录此时的划分半径
Figure 475544DEST_PATH_IMAGE009
，由此确定出高低频区域的划分界限。
5.根据权利要求4所述的基于傅里叶变换的光伏电池板缺陷检测方法，其特征在于，步骤二中，划分后的低频区域的获取过程为：根据得到的所述划分半径
Figure 375367DEST_PATH_IMAGE009
，将频谱图中与低频中心点距离大于
Figure 879160DEST_PATH_IMAGE009
的高频区域的像素点的像素值设置为0，由此得到划分后的低频区域。
6.根据权利要求5所述的基于傅里叶变换的光伏电池板缺陷检测方法，其特征在于，步骤三中，对低通处理图像的行和、列和进行累加，得到行灰度和累加拟合曲线和列灰度和累加拟合曲线，具体过程是：
处理后的低通处理图像中共有
Figure 118512DEST_PATH_IMAGE010
行、
Figure DEST_PATH_IMAGE011
列，则行、列灰度累加如下式：
Figure DEST_PATH_IMAGE013
Figure DEST_PATH_IMAGE015
其中，
Figure 525808DEST_PATH_IMAGE016
表示行灰度累加序列中第
Figure DEST_PATH_IMAGE017
行的灰度累加和；
Figure 522714DEST_PATH_IMAGE018
表示列灰度累加序列中第
Figure DEST_PATH_IMAGE019
列的灰度累加和，
Figure 499373DEST_PATH_IMAGE020
则表示第
Figure 593231DEST_PATH_IMAGE017
行第
Figure 73DEST_PATH_IMAGE019
列像素点的灰度值；
然后根据各行的灰度累加和拟合得到行灰度和累加拟合曲线H；根据各列的灰度累加和拟合得到列灰度和累加拟合曲线L。
7.根据权利要求6所述的基于傅里叶变换的光伏电池板缺陷检测方法，其特征在于，根据行灰度和累加拟合曲线、列灰度和累加拟合曲线中的波峰数据，分析遮挡缺陷的异常程度，具体过程为：
统计曲线H上共有
Figure DEST_PATH_IMAGE021
个波峰，曲线L上共有
Figure 812171DEST_PATH_IMAGE022
个波峰，曲线H上随机选取的第
Figure DEST_PATH_IMAGE023
个波峰所在位置从左侧端点到右侧端点共占据了
Figure 267554DEST_PATH_IMAGE024
个行，曲线L上随机选取的第
Figure DEST_PATH_IMAGE025
个波峰所在位置从左侧端点到右侧端点共占据了
Figure 890952DEST_PATH_IMAGE026
个列；第
Figure 796591DEST_PATH_IMAGE023
个波峰的峰值所在行的灰度累加和与该波峰所在位置的左侧端点、右侧端点所在行的灰度累加和中的最小值之间的差值为
Figure DEST_PATH_IMAGE027
，第
Figure 564827DEST_PATH_IMAGE025
个波峰的峰值所在列的灰度累加和与该波峰所在位置的左侧端点、右侧端点所在列的灰度累加和中的最小值之间的差值为
Figure 214114DEST_PATH_IMAGE028
，则：
Figure 16985DEST_PATH_IMAGE030
Figure 827947DEST_PATH_IMAGE032
Figure 18232DEST_PATH_IMAGE034
Figure 205631DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
、
Figure 331850DEST_PATH_IMAGE038
分别为第
Figure 251395DEST_PATH_IMAGE023
个波峰所在位置的左侧端点、右侧端点所在的行数，
Figure DEST_PATH_IMAGE039
、
Figure 923117DEST_PATH_IMAGE040
分别为第
Figure 914207DEST_PATH_IMAGE025
个波峰所在位置左侧端点、右侧端点所在的列数；
Figure DEST_PATH_IMAGE041
为第
Figure 567037DEST_PATH_IMAGE023
个波峰的峰值所在行的灰度累加和，
Figure 782117DEST_PATH_IMAGE042
为第
Figure 277821DEST_PATH_IMAGE023
个波峰的左侧端点所在行的灰度累加和，
Figure DEST_PATH_IMAGE043
为第
Figure 476196DEST_PATH_IMAGE023
个波峰的右侧端点所在行的灰度累加和；
Figure 108166DEST_PATH_IMAGE044
为第
Figure 635093DEST_PATH_IMAGE025
个波峰的峰值所在列的灰度累加和，
Figure DEST_PATH_IMAGE045
为第
Figure 24617DEST_PATH_IMAGE025
个波峰的左侧端点所在列的灰度累加和，
Figure 154248DEST_PATH_IMAGE046
为第
Figure 906303DEST_PATH_IMAGE025
个波峰的右侧端点所在列的灰度累加和；min（）为求最小值；
将所有波峰的
Figure DEST_PATH_IMAGE047
或
Figure 13586DEST_PATH_IMAGE048
进行累加，得出每个波峰所占总差值的权重
Figure DEST_PATH_IMAGE049
和
Figure 890406DEST_PATH_IMAGE050
：
Figure 823727DEST_PATH_IMAGE052
Figure 164710DEST_PATH_IMAGE054
其中，
Figure 95757DEST_PATH_IMAGE021
、
Figure 191364DEST_PATH_IMAGE022
分别为曲线H、L中波峰的总个数；
每个波峰的影响程度用下式表示：
Figure 662797DEST_PATH_IMAGE056
Figure 858286DEST_PATH_IMAGE058
其中，
Figure DEST_PATH_IMAGE059
为行上第
Figure 835600DEST_PATH_IMAGE023
个波峰的影响程度；
Figure 14909DEST_PATH_IMAGE060
为列上第
Figure 976785DEST_PATH_IMAGE025
个波峰的影响程度；
Figure 557939DEST_PATH_IMAGE010
为图像的行数，
Figure 627526DEST_PATH_IMAGE011
为图像的列数。
8.根据权利要求7所述的基于傅里叶变换的光伏电池板缺陷检测方法，其特征在于，根据行灰度和累加拟合曲线、列灰度和累加拟合曲线中的波谷数据，分析热斑缺陷的异常程度，具体过程为：
统计曲线H上共有
Figure DEST_PATH_IMAGE061
个波谷，曲线L上共有
Figure 231814DEST_PATH_IMAGE062
个波谷，曲线H上随机选取的第
Figure DEST_PATH_IMAGE063
个波谷所在位置从左侧端点到右侧端点共占据了
Figure 592519DEST_PATH_IMAGE064
个行，曲线L上随机选取的第
Figure DEST_PATH_IMAGE065
个波谷所在位置从左侧端点到右侧端点共占据了
Figure 697354DEST_PATH_IMAGE066
个列；第
Figure 203421DEST_PATH_IMAGE063
个波谷的左侧端点、右侧端点所在行的灰度累加和中的最大值与该波谷的谷值所在行的灰度累加和之间的差值为
Figure DEST_PATH_IMAGE067
，第
Figure 435951DEST_PATH_IMAGE065
个波谷的左侧端点、右侧端点所在列的灰度累加和中的最大值与该波谷的谷值所在列的灰度累加和之间的差值为
Figure 256139DEST_PATH_IMAGE068
，则：
Figure 280727DEST_PATH_IMAGE070
Figure 960626DEST_PATH_IMAGE072
Figure 70664DEST_PATH_IMAGE074
Figure 101068DEST_PATH_IMAGE076
其中，
Figure DEST_PATH_IMAGE077
、
Figure 449004DEST_PATH_IMAGE078
分别为第
Figure 234558DEST_PATH_IMAGE061
个波谷所在位置的左侧端点、右侧端点所在的行数，
Figure DEST_PATH_IMAGE079
、
Figure 828962DEST_PATH_IMAGE080
分别为第
Figure 725374DEST_PATH_IMAGE062
个波谷所在位置的左侧端点、右侧端点所在的列数；
Figure DEST_PATH_IMAGE081
为第
Figure 334341DEST_PATH_IMAGE063
个波谷的谷值所在行的灰度累加和，
Figure 556375DEST_PATH_IMAGE082
为第
Figure 641006DEST_PATH_IMAGE063
个波谷的左侧端点所在行的灰度累加和，
Figure DEST_PATH_IMAGE083
为第
Figure 66740DEST_PATH_IMAGE063
个波谷的右侧端点所在行的灰度累加和；
Figure 186006DEST_PATH_IMAGE084
为第
Figure 985466DEST_PATH_IMAGE065
个波谷的谷值所在列的灰度累加和，
Figure DEST_PATH_IMAGE085
为第
Figure 291813DEST_PATH_IMAGE065
个波谷的左侧端点所在列的灰度累加和，
Figure 530028DEST_PATH_IMAGE086
为第
Figure 769379DEST_PATH_IMAGE065
个波谷的右侧端点所在列的灰度累加和；max（）为求最大值；
将所有波谷的
Figure DEST_PATH_IMAGE087
或
Figure 674494DEST_PATH_IMAGE088
进行累加，得出每个波谷所占总差值的一个权重
Figure DEST_PATH_IMAGE089
和
Figure 202558DEST_PATH_IMAGE090
；
Figure 182147DEST_PATH_IMAGE092
Figure 744846DEST_PATH_IMAGE094
其中，
Figure 13672DEST_PATH_IMAGE061
、
Figure 232295DEST_PATH_IMAGE062
分别为曲线H、L中波谷的总个数；
每个波谷的影响程度用下式表示：
Figure 77891DEST_PATH_IMAGE096
Figure 557414DEST_PATH_IMAGE098
其中，
Figure DEST_PATH_IMAGE099
为行上第
Figure 7594DEST_PATH_IMAGE063
个波谷的影响程度、
Figure 306988DEST_PATH_IMAGE100
为列上第
Figure 362800DEST_PATH_IMAGE065
个波谷的影响程度；
Figure 962408DEST_PATH_IMAGE010
为图像的行数，
Figure 773370DEST_PATH_IMAGE011
为图像的列数。
9.根据权利要求8所述的基于傅里叶变换的光伏电池板缺陷检测方法，其特征在于，遮挡缺陷和热斑缺陷的综合影响程度的分析过程为：
根据第
Figure 966585DEST_PATH_IMAGE023
个波峰的影响程度
Figure 903053DEST_PATH_IMAGE059
，列上第
Figure 622747DEST_PATH_IMAGE025
个波峰的影响程度
Figure 604610DEST_PATH_IMAGE060
，得到遮挡缺陷的异常程度
Figure DEST_PATH_IMAGE101
如下：
Figure DEST_PATH_IMAGE103
根据第
Figure 426066DEST_PATH_IMAGE063
个波谷的影响程度
Figure 417156DEST_PATH_IMAGE099
，列上第
Figure 598214DEST_PATH_IMAGE065
个波谷的影响程度
Figure 813295DEST_PATH_IMAGE100
，得到热斑缺陷的异常程度
Figure 184364DEST_PATH_IMAGE104
如下：
Figure 775883DEST_PATH_IMAGE106
将遮挡缺陷的异常程度和热斑缺陷的异常程度进行加和，得到遮挡缺陷和热斑缺陷的综合影响程度。
CN202211245138.9A 2022-10-12 2022-10-12 基于傅里叶变换的光伏电池板缺陷检测方法 Active CN115311295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211245138.9A CN115311295B (zh) 2022-10-12 2022-10-12 基于傅里叶变换的光伏电池板缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211245138.9A CN115311295B (zh) 2022-10-12 2022-10-12 基于傅里叶变换的光伏电池板缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115311295A true CN115311295A (zh) 2022-11-08
CN115311295B CN115311295B (zh) 2023-03-24

Family

ID=83868116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211245138.9A Active CN115311295B (zh) 2022-10-12 2022-10-12 基于傅里叶变换的光伏电池板缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115311295B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797355A (zh) * 2023-02-09 2023-03-14 江苏惠汕新能源集团有限公司 太阳能光伏发电装置故障检测方法及系统
CN116503384A (zh) * 2023-06-21 2023-07-28 惠州市金思维科技有限公司 一种基于计算机视觉的丝杆缺陷区域快速提取方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446863A (zh) * 2020-11-24 2021-03-05 黄静 基于图像处理的光伏阵列热斑检测方法和检测系统
CN114743115A (zh) * 2022-03-31 2022-07-12 启东晶尧光电科技有限公司 一种光伏电子设备的遮挡物识别方法及故障预警系统
CN115272332A (zh) * 2022-09-29 2022-11-01 索日新能源科技(南通)有限公司 基于计算机视觉的光伏板蜗牛纹缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446863A (zh) * 2020-11-24 2021-03-05 黄静 基于图像处理的光伏阵列热斑检测方法和检测系统
CN114743115A (zh) * 2022-03-31 2022-07-12 启东晶尧光电科技有限公司 一种光伏电子设备的遮挡物识别方法及故障预警系统
CN115272332A (zh) * 2022-09-29 2022-11-01 索日新能源科技(南通)有限公司 基于计算机视觉的光伏板蜗牛纹缺陷检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797355A (zh) * 2023-02-09 2023-03-14 江苏惠汕新能源集团有限公司 太阳能光伏发电装置故障检测方法及系统
CN115797355B (zh) * 2023-02-09 2023-04-07 江苏惠汕新能源集团有限公司 太阳能光伏发电装置故障检测方法及系统
CN116503384A (zh) * 2023-06-21 2023-07-28 惠州市金思维科技有限公司 一种基于计算机视觉的丝杆缺陷区域快速提取方法及系统
CN116503384B (zh) * 2023-06-21 2023-12-29 惠州市金思维科技有限公司 一种基于计算机视觉的丝杆缺陷区域快速提取方法及系统

Also Published As

Publication number Publication date
CN115311295B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN115311295B (zh) 基于傅里叶变换的光伏电池板缺陷检测方法
CN107727662B (zh) 一种基于区域生长算法的电池片el黑斑缺陷检测方法
WO2021168733A1 (zh) 缺陷图像的缺陷检测方法、装置及计算机可读存储介质
US6947587B1 (en) Defect inspection method and apparatus
CN116596936B (zh) 基于图像数据的太阳翼帆板质量检测方法
Li et al. Automatic saw-mark detection in multicrystalline solar wafer images
CN103543394A (zh) 一种高压电气设备放电紫外成像量化参数提取方法
CN110146791A (zh) 一种基于图像处理的电晕检测方法
CN113379703B (zh) 基于Yolo-v4网络结构光伏面板暗斑缺陷检测方法
CN110942457A (zh) 基于数字图像处理技术的太阳能电池板缺陷检测方法
CN115099290B (zh) 一种太阳能电池板生产质量检测方法
CN115272332B (zh) 基于计算机视觉的光伏板蜗牛纹缺陷检测方法
CN115049645B (zh) 一种太阳能电池板表面缺陷检测方法
CN116958144A (zh) 一种新能源连接线表面瑕疵区域快速定位方法及系统
CN116485706A (zh) 基于离焦图像的晶圆表面缺陷识别方法、存储介质和电子设备
CN107742283B (zh) 一种电池片外观栅线粗细不均缺陷检测的方法
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
CN111242914B (zh) 基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法
CN115330768B (zh) 一种太阳能电池板质量分级方法
Otamendi et al. A scalable framework for annotating photovoltaic cell defects in electroluminescence images
CN111833309B (zh) 一种光伏电池片检测方法及装置
CN115954291A (zh) 一种TOPCon结构光伏电池板的裂纹监测系统
CN114972147A (zh) 晶圆缺陷的检测方法及装置
Xiao et al. Photovoltaic Panel Defect Detection Method Combining High-Pass Filter and MSRCR Algorithm with Improved Region Growth
CN118449453B (zh) 一种光伏电池板热斑故障检测方法

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
GR01 Patent grant
GR01 Patent grant