CN115330768B - 一种太阳能电池板质量分级方法 - Google Patents
一种太阳能电池板质量分级方法 Download PDFInfo
- Publication number
- CN115330768B CN115330768B CN202211248416.6A CN202211248416A CN115330768B CN 115330768 B CN115330768 B CN 115330768B CN 202211248416 A CN202211248416 A CN 202211248416A CN 115330768 B CN115330768 B CN 115330768B
- Authority
- CN
- China
- Prior art keywords
- solar cell
- area
- cell panel
- sub
- gray
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000007547 defect Effects 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及数据处理领域,具体涉及一种太阳能电池板质量分级方法,包括以下步骤:获取待检测的太阳能电池板的灰度图像的数据信息;对数据信息进行数据处理,具体为:获取的数据信息为太阳能电池板的栅线特征,基于所述栅线特征对太阳能电池板的表面栅线进行校正,得到校正后的区域,进行划分得到子区域,计算各子区域的缺陷面积;根据各区域的缺陷面积,计算太阳能电池板的损坏率;根据损坏率进行待检测的太阳能电池板的质量分级。即本发明的方案能够对太阳能电池板的质量进行准确、快速的分级,便于后续太阳能电池板的分拣。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种太阳能电池板质量分级方法。
背景技术
随着经济全球化的快速发展,各类新能源的深度开发与广泛使用得到世界各国的密切关注。太阳能拥有资源丰富、无污染等优点,是最具有科研价值的可再生能源之一。作为太阳能的发电载体,太阳能电池板也成为人们关注的热点。然而,太阳能电池板在制造过程或使用过程中,其表面将可能造成蓝斑、断栅、缺角、磨损等缺陷,该缺陷将会降低发电效率、减少使用寿命,所以加强对太阳能电池板的缺陷检测是生产中一个必不可少的环节。
但是太阳能电池板表面缺陷的细微性使检测变得异常困难,目前,太阳能电池表面缺陷检测方法有很多种,大体上可分为两类:人工物理检测与机器视觉检测,其中人工检测易受人为因素影响,而物理检测易受外界环境因素影响,会存在漏检、错检率比较高和实时性差等问题。
随着视觉检测技术的发展,利用图像中的一些数据信息对太阳能电池板进行缺陷检测成为主流的检测方法,但是现有的检测算法时间较长、精度低;因此,需要一种提高检测精度,进而计算其损坏率,对其进行质量分级的方法。
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太阳能电池板质量分级方法,所采用的技术方案具体如下:
本发明提供的一种太阳能电池板质量分级方法,包括以下步骤:
获取待检测的太阳能电池板的灰度图像;
基于灰度图像提取太阳能电池板的栅线特征,基于所述栅线特征对太阳能电池板的灰度图像进行校正,得到校正后的区域,对校正后的区域进行划分得到子区域,识别各子区域的缺陷面积;根据各区域的缺陷面积,计算太阳能电池板的损坏率;
根据损坏率进行待检测的太阳能电池板的质量分级;
对各子区域进行对比度增强和去除噪声点的处理,以子区域左上角为第一个像素点开始向右遍历,第一行遍历完成之后遍历第二行,步长为单个像素点,获得灰度值集合,其中n为各子区域内的像素点数量,再计算每个像素点相邻8个像素点的灰度均值,获得灰度均值集合,然后计算每个像素点的灰度值与其相邻8个像素点的灰度均值之和,获得集合,利用集合重新组成电池板子区域,获得增强后的子区域,统计增强后的子区域的灰度直方图;
对电池板子区域的灰度直方图进行波动曲线拟合,确定拟合曲线中的波谷,基于波谷的个数,确定理想分割阈值;
令增强后的子区域内像素灰度值小于理想分割阈值的像素点为缺陷区域,计算电池板子区域的缺陷区域的面积。
进一步的,所述栅线特征为采用Hough变换检测出主栅线的角度和细栅线的角度。
进一步的,对校正后的区域进行划分得到子区域之前,还包括:
对校正后的图像进行连通域分析,得到太阳能电池板连通域,获得其最小外接矩形;根据连通域内的像素点的数量,统计连通域的面积;并获取最小外接矩形的面积,则连通域的边缘的缺陷面积为:
进一步的,对校正后的区域进行划分得到子区域的过程为:
计算太阳能电池板的灰度图像的灰度均值为R,然后从上到下逐行计算太阳能电池板表面灰度图像每行的灰度均值,获得行灰度均值集合,其中N为太阳能电池板表面图像的纵向长度;进而使用集合中的每个数据与R作比较,当其中一数据大于R时,此行为主栅线区域,否则此行为非主栅线区域;
将分类的行按照集合中的顺序重新组合,获得主栅线的子区域和非主栅线的子区域;再从左至右逐列统计非主栅线的子区域的每列灰度均值,获得列灰度均值集合,其中M为太阳能电池板表面图像的横向长度;进而使用集合中的每个数据与R作比较,当其大于R时,此列为细栅线区域,否则此列为电池板区域;最后将分类的列按照集合中的顺序重新组合,获得细栅线的子区域和电池板的子区域。
进一步的,所述损坏率P为:
进一步的,理想分割阈值的具体获取过程为:
对电池板子区域的灰度直方图进行波动曲线拟合,若拟合曲线中只存在一个波谷,以波谷点的横坐标值为起始分割点将两波峰点的横坐标值区间分为两份,再将分割后的两区间分别等分为5个小区间,获得9个分割点,以这9个分割点对应的横坐标值为t值,计算加权后的类间方差,对这组数据进行抛物线拟合,取抛物线顶点时的最大时对应的t值为灰度直方图上的理想分割阈值;
若拟合曲线中存在多个波谷,则以各波谷对应的两波峰点的横坐标值区间,根据上述方式求取各区间内的理想分割阈值,取最大值为理想分割阈值;
其中t为遍历阈值在区间[,]内逐灰度级遍历,为标准的Otsu算法的类间方差,为直方图上的灰度均值,和分别表示阈值分割的第一类和第二类内的灰度均值,和分别表示阈值分割的第一类和第二类内像素点数量占总数的比例,w为其权重,表示灰度级为t时对应的像素点数量占像素点总和的比例,即其像素概率,为限定灰度级的加权Otsu算法的类间方差,其灰度直方图的分割阈值t从相邻两波峰向其波谷靠近时,权值w越大。
进一步的,质量分级的方法为:
本发明的有益效果为:
本发明的方案,通过提取太阳能电池板表面绘灰度图像中的灰度信息,以及太阳能电池板表面栅线的栅线特征,识别缺陷区域,继而得到各区域的缺陷面积,根据缺陷面积计算太阳能电池板的损坏率,对其进行质量分级,最后对不同等级的太阳能电池板进行分拣,方法简单,易于实现,且能够准确、快速地对待检测的太阳能电池板进行质量分级。
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是本发明的一种太阳能电池板质量分级方法的流程图;
图2是校正后的太阳能电池板的主栅线和细栅线的示意图;
图3是太阳能电池板的连通域的边缘缺角缺陷的示意图;
图4是太阳能电池板的连通域内的缺陷示意图。
具体实施方式
为了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,对依据本发明的方案,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明针对的场景是:由于太阳能电池板表面的纹理和缺陷的细微性使检测变得异常困难的问题,而提出一种生产质量分级方法,即通过处理生产线上太阳能电池板表面图像,根据太阳能电池板表面栅线的特征分割图像,然后使用一种改进的Otsu算法识别缺陷区域,进而计算其损坏率,对其进行质量分级,最后对不同等级的太阳能电池板进行分拣。
具体地,请参阅图1所示,本发明的一种太阳能电池板质量分级方法的方法实施例的步骤流程图,包括以下步骤:
步骤一:获取生产线上太阳能电池板的图像,对所述图像进行语义分割,得到太阳能电池板表面图像,并进行灰度化处理,得到太阳能电池板的灰度图像。
本实施例中通过在生产线上设置图像采集装置,对太阳能电池板进行图像采集,得到太阳能电池板的图像。其中的图像采集装置为相机。
为了减少光照对对太阳能电池板表面缺陷的检测,使用LED灯环形光源进行照明,使采集图像的光照均匀。
本实施例中需要清晰的太阳能电池板表面图像,因此,需要对采集到的太阳能电池板的图像进行语义分割,具体地,本发明采用DNN语义分割的方式来识别分割图像中的目标。
该DNN网络的相关内容如下:
使用的数据集为俯视采集的生产线上太阳能电池板图像数据集。
需要分割的像素,共分为2类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于太阳能电池板表面的标注为1。
网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
至此,通过DNN实现了生产线上太阳能电池板图像的处理,获得图像中太阳能电池板表面的信息。
步骤二:获取太阳能电池板的灰度图像的栅线特征,基于所述栅线特征对太阳能电池板灰度图像进行划分得到子区域,识别各子区域的缺陷区域,计算太阳能电池板的损坏率。
本实施例中获取栅线特征的具体过程为:
首先使用Hough变换检测出主栅线的角度和细栅线的角度,根据检测出的角度使用旋转变换的变法,获得校正后的图像,图像纵向上是细栅线,横向上是主栅线,如图2所示。
上述校正的手段是由于生产线运输的原因,用相机采集的图像实际上不可避免的具有倾斜的角度。这种倾斜角度的存在会影响对主细栅线上灰度信息的提取。为了更好的定位主细栅线以及后续的缺陷分析,需要对太阳能电池板表面图像的倾斜角度进行检测和纠偏。
本实施例中的识别缺陷区域的具体过程为:
对校正后的图像进行连通域分析,得到太阳能电池板连通域,获得其最小外接矩形;同时,根据连通域内的像素点的数量,统计连通域的面积和其最小外接矩形的面积,分别为和,故此太阳能电池板的崩边或者缺角缺陷面积为:
需要说明的是,太阳能电池板表面缺陷可根据位置分为两类,第一类是当太阳能电池板有崩边或者缺角缺陷(连通域边缘)时,DNN识别的太阳能电池板连通域不含有此缺陷部分,如图3所示;第二类是缺陷在连通域内,如图4所示;因此通过连通域的面积与最小外接矩形的差异来确定第一类缺陷。
对于第二类缺陷,即缺陷在连通域内,本实施例中的识别方法过程为:
首先计算太阳能电池板表面灰度图像的灰度均值为R,然后从上到下逐行计算太阳能电池板表面灰度图像每行的灰度均值,获得行灰度均值集合,其中N为太阳能电池板表面图像的纵向长度;进而使用集合中的每个数据与R作比较,当其中一数据大于R时,此行为主栅线区域,否则此行为非主栅线区域;
最后将分类的行按照集合中的顺序重新组合,获得主栅线的子区域和非主栅线的子区域;再从左至右逐列统计非主栅线子图像的每列灰度均值,获得列灰度均值集合,其中M为太阳能电池板表面图像的横向长度;进而使用集合中的每个数据与R作比较,当其大于R时,此列为细栅线区域,否则此列为电池板区域;最后将分类的列按照集合中的顺序重新组合,获得细栅线的子区域和电池板的子区域。
至此将太阳能电池板表面图像分成主栅线的子区域、细栅线的子区域和电池板的子区域。进而使用改进的Otsu算法识别各子区域中的缺陷区域。
以电池板子图像为例,先对子图像进行对比度增强处理,以图像左上角为第一个像素点开始向右遍历,第一行遍历完成之后遍历第二行,步长为单个像素点,获得灰度值集合,其中n为电池板子图像内的像素点数量,再计算每个像素点相邻8个像素点的灰度均值,获得灰度均值集合,然后计算每个像素点的灰度值与其相邻8个像素点的灰度均值的和值,获得集合,利用集合重新组成电池板子图像,获得增强后的子图像。使图像内缺陷区域和正常区域的灰度值差异变大,会提高后续缺陷分割的准确性。
若电池板子图像内无缺陷,则增强后的子图像内像素灰度方差变化较小,若电池板子图像内含有缺陷,则增强后的子图像内像素灰度方差变化较大。故取10张无缺陷的电池板子图像,计算增强后的各图像内的像素灰度方差,取这组数据的均值为V,因此以1.3V为阈值,若当前增强后的电池板子图像内的像素灰度方差大于1.3V,则判断该电池板子图像内含有缺陷,否则判断该电池板子图像内无缺陷。对含有缺陷的电池板子图像,统计该图像增强后的灰度直方图,该灰度直方图会存在双峰特征或者多峰特征,取集合中的最小值和大值为和。
然而太阳能电池板表面缺陷往往十分细微,因此在图像中缺陷目标像素点数量过少,其在灰度直方图上的表现为一个波峰要比令一个波峰大的多,Otsu算法求出的最佳分割阈值会偏向像素点数量占比大、类内方差大的背景区域,即在直方图上偏向大波峰,造成阈值分割存在误差。
因此先使用Otsu算法求出的增强后的子区域的灰度直方图中的最佳分割阈值T,则理想分割阈值在区间[1,T]内。
已知在灰度直方图上缺陷区域灰度级对应的像素概率小,因此以像素概率为权重,对Otsu算法进行加权,使分割阈值向缺陷区域的灰度级靠近。计算公式如下:
其中t为遍历阈值在区间[,]内逐灰度级遍历,为标准的Otsu算法公式为公知技术,为直方图上的灰度均值,和分别表示阈值分割的第一类和第二类内的灰度均值,和 分别表示阈值分割的第一类和第二类内像素点数量占总数的比例,w为其权重,表示灰度级为t时对应的像素点数量占像素点总和的比例,即其像素概率。为限定灰度级的加权Otsu算法公式。其灰度直方图的分割阈值t从相邻两波峰向其波谷靠近时,权值w越大。
需要说明的是,传统的Otsu算法使用穷举搜索法,遍历阈值t需要在区间[,]内逐灰度级遍历计算类间方差,选取最大的类间方差时的t值为分割阈值,其算法运算量较大。本方案根据权重w的变化和灰度直方图的变化,快速的求取最大类间方差,获取分割阈值。
先对电池板子图像的灰度直方图进行波动曲线拟合,而理想的分割阈值应处于拟合曲线中的波谷附近,若拟合曲线中只存在一个波谷,取该波谷点的横坐标值,以及波谷点两边的波峰点的横坐标值,其理想分割阈值应处于该两波峰点的横坐标值的区间内,而此区间内权重w的变化为一开口向下的抛物线。且类间方差的变化应为沿两波峰向波谷处变大,为一开口向下的抛物线。
因此以波谷点的横坐标值为起始分割点将两波峰点的横坐标值区间分为两份,再将分割后的两区间分别等分为5个小区间,由此共获得9个分割点。以这9个分割点对应的横坐标值为t值,计算加权后的类间方差值,对这组数据进行抛物线拟合,取抛物线顶点时最大时对应的t值为灰度直方图上的理想分割阈值T。
若拟合曲线中存在多个波谷,则以各波谷对应的两波峰点的横坐标值区间,根据上述方式求取各区间内的理想分割阈值,取最大值为真正的理想分割阈值T。
此时的理想分割阈值T的求取,只需少量数据进行拟合获取,极大的减少了缺陷分割的运算量。
本实施例中的太阳能电池板的损坏率P为:
其中为太阳能电池板的最小外接矩形的面积,即无缺陷的太阳能电池板面积,为其边缘的崩边或者缺角缺陷面积,为电池板子图像中缺陷区域的缺陷面积,为主栅线的子图像中缺陷区域的缺陷面积,为细栅线的子图像中缺陷区域的缺陷面积。
步骤三:根据损坏率进行质量分级,对不同等级的太阳能电池板进行分拣。
由上述步骤二获得太阳能电池板的损坏率P,本实施例中进行质量分级具体为:
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 (6)
1.一种太阳能电池板质量分级方法,其特征在于,包括以下步骤:
获取待检测的太阳能电池板的灰度图像;
基于灰度图像提取太阳能电池板的栅线特征,基于所述栅线特征对太阳能电池板的灰度图像进行校正,得到校正后的区域,对校正后的区域进行划分得到子区域,识别各子区域的缺陷面积;根据各区域的缺陷面积,计算太阳能电池板的损坏率;
根据损坏率进行待检测的太阳能电池板的质量分级;
对各子区域进行对比度增强和去除噪声点的处理,以子区域左上角为第一个像素点开始向右遍历,第一行遍历完成之后遍历第二行,步长为单个像素点,获得灰度值集合,其中n为各子区域内的像素点数量,再计算每个像素点相邻8个像素点的灰度均值,获得灰度均值集合,然后计算每个像素点的灰度值与其相邻8个像素点的灰度均值之和,获得集合,利用集合重新组成电池板子区域,获得增强后的子区域,统计增强后的子区域的灰度直方图;
对电池板子区域的灰度直方图进行波动曲线拟合,确定拟合曲线中的波谷,基于波谷的个数,确定理想分割阈值;
令增强后的子区域内像素灰度值小于理想分割阈值的像素点为缺陷区域,计算电池板子区域的缺陷区域的面积;
理想分割阈值的具体获取过程为:
对电池板子区域的灰度直方图进行波动曲线拟合,若拟合曲线中只存在一个波谷,以波谷点的横坐标值为起始分割点将两波峰点的横坐标值区间分为两份,再将分割后的两区间分别等分为5个小区间,获得9个分割点,以这9个分割点对应的横坐标值为t值,计算加权后的类间方差,对这组数据进行抛物线拟合,取抛物线顶点时的最大时对应的t值为灰度直方图上的理想分割阈值;
若拟合曲线中存在多个波谷,则以各波谷对应的两波峰点的横坐标值区间,根据上述方式求取各区间内的理想分割阈值,取最大值为理想分割阈值;
2.根据权利要求1所述的一种太阳能电池板质量分级方法,其特征在于,所述栅线特征为采用Hough变换检测出主栅线的角度和细栅线的角度。
4.根据权利要求3所述的一种太阳能电池板质量分级方法,其特征在于,对校正后的区域进行划分得到子区域的过程为:
计算太阳能电池板的灰度图像的灰度均值为R,然后从上到下逐行计算太阳能电池板表面灰度图像每行的灰度均值,获得行灰度均值集合,其中N为太阳能电池板表面图像的纵向长度;进而使用集合中的每个数据与R作比较,当其中一数据大于R时,此行为主栅线区域,否则此行为非主栅线区域;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248416.6A CN115330768B (zh) | 2022-10-12 | 2022-10-12 | 一种太阳能电池板质量分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248416.6A CN115330768B (zh) | 2022-10-12 | 2022-10-12 | 一种太阳能电池板质量分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330768A CN115330768A (zh) | 2022-11-11 |
CN115330768B true CN115330768B (zh) | 2023-02-28 |
Family
ID=83914693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211248416.6A Active CN115330768B (zh) | 2022-10-12 | 2022-10-12 | 一种太阳能电池板质量分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330768B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197534B (zh) * | 2023-08-04 | 2024-04-05 | 广州电缆厂有限公司 | 一种基于特征识别的电缆表面缺陷自动检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4250931B2 (ja) * | 2002-08-30 | 2009-04-08 | 日本電気株式会社 | 外観検査装置および外観検査方法 |
CN107274393B (zh) * | 2017-06-12 | 2018-03-23 | 郑州轻工业学院 | 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法 |
CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
CN115049645B (zh) * | 2022-08-12 | 2022-11-04 | 瀚能太阳能(山东)集团有限公司 | 一种太阳能电池板表面缺陷检测方法 |
-
2022
- 2022-10-12 CN CN202211248416.6A patent/CN115330768B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115330768A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508090B (zh) | 一种外包装缺陷检测方法 | |
CN101996405B (zh) | 一种快速的玻璃图像缺陷检测及分类方法及其装置 | |
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 | |
CN115249246B (zh) | 一种光学玻璃表面缺陷检测方法 | |
CN102254159B (zh) | 一种数显仪表判读方法 | |
CN111652857B (zh) | 一种绝缘子缺陷红外检测方法 | |
CN105447530A (zh) | 基于图像识别技术的输电线路隐患及故障检测方法 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN113379703A (zh) | 基于Yolo-v4网络结构光伏面板暗斑缺陷检测方法 | |
CN112580748B (zh) | 一种对染色图像的分类细胞计数的方法 | |
CN115330768B (zh) | 一种太阳能电池板质量分级方法 | |
CN117132844B (zh) | 一种基于图像处理的光伏板裂纹与划痕的分类方法 | |
CN110189297B (zh) | 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法 | |
CN115290663B (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN115359237B (zh) | 一种基于图形识别的齿轮断齿识别方法 | |
CN106709529B (zh) | 一种光伏电池色差分类的视觉检测方法 | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN117314893A (zh) | 基于图像处理的光伏钢结构组件质量检测方法 | |
CN115115643A (zh) | 一种光伏电池板生产缺陷检测方法 | |
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 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
CN111401364A (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
CN115266732A (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 |
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 |