CN115511889B - 一种太阳能电池板支架表面焊接缺陷检测方法 - Google Patents

一种太阳能电池板支架表面焊接缺陷检测方法 Download PDF

Info

Publication number
CN115511889B
CN115511889B CN202211469980.0A CN202211469980A CN115511889B CN 115511889 B CN115511889 B CN 115511889B CN 202211469980 A CN202211469980 A CN 202211469980A CN 115511889 B CN115511889 B CN 115511889B
Authority
CN
China
Prior art keywords
probability value
density
pixel points
cluster
determining
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
Application number
CN202211469980.0A
Other languages
English (en)
Other versions
CN115511889A (zh
Inventor
芮叶彬
明瑞贞
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.)
Wuxi Luoyu Intelligent Manufacturing Co ltd
Jiangsu Huishan New Energy Group Co ltd
Original Assignee
Wuxi Luoyu Intelligent Manufacturing Co ltd
Jiangsu Huishan New Energy Group 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 Wuxi Luoyu Intelligent Manufacturing Co ltd, Jiangsu Huishan New Energy Group Co ltd filed Critical Wuxi Luoyu Intelligent Manufacturing Co ltd
Priority to CN202211469980.0A priority Critical patent/CN115511889B/zh
Publication of CN115511889A publication Critical patent/CN115511889A/zh
Application granted granted Critical
Publication of CN115511889B publication Critical patent/CN115511889B/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
    • 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
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30152—Solder
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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

Abstract

本公开涉及图像数据处理技术领域，具体涉及一种太阳能电池板支架表面焊接缺陷检测方法，包括获取太阳能电池支架焊接处的表面灰度图像，确定焊接区域与背景区域；对焊接区域像素点进行聚类处理，生成灰度聚类簇，对灰度聚类簇中像素点进行密度聚类处理，生成密度聚类簇，确定密度聚类簇中像素点为裂缝像素点的第一概率值，确定密度聚类簇间的相似度，生成目标聚类簇并确定目标区域；根据目标区域对太阳能电池支架焊接处进行缺陷检测。本方案能够有效识别焊接裂纹的位置，提升缺陷区域识别的准确性，提升缺陷识别效率，增强太阳能电池支架焊接处焊接裂纹识别的可靠性与适用性。

Description

一种太阳能电池板支架表面焊接缺陷检测方法
技术领域
本公开涉及图像数据处理技术领域，具体涉及一种太阳能电池板支架表面焊接缺陷检测方法。
背景技术
焊接裂纹主要是指焊缝中金属原子结合遭到破坏，从而形成新的界面而形成的裂缝。焊接裂纹按温度可分为热裂纹、再热裂纹、冷裂纹、层状撕裂。焊接裂纹影响焊接件的安全使用，是一种非常危险的工艺缺陷，因此，对焊接裂纹进行准确识别的重要性不言而喻。安装太阳能电池板支架的过程中，通常对无需活动的支架进行焊接，增强支架的牢固性。但是焊接过程中产生的裂纹缺陷是影响支架安全性的最大因素，因此需对焊接后的支架进行缺陷检测，判断其是否有裂纹缺陷。
相关技术中，通过对图像中像素点聚类后得到的各类别进行主成分分析，以获得各类别的近圆边缘概率，并将近圆边缘概率小于相应阈值的类别保留，分别获得各保留后类别对应的方向向量，确定各类别像素点的相似度，根据相似度得到焊接裂纹区域，并作为裂缝缺陷区域。
这种方式下，由于焊缝位置处包含多种其他纹理，如灰度变化较大的纹理，因此，在聚类过程中易将不同种类的像素点聚类至一类，进而无法有效识别焊接裂纹位置，导致缺陷区域识别的准确性较差，可靠性不足，缺陷识别效率较低。
发明内容
为了解决上述技术问题，本公开的目的在于提供一种太阳能电池板支架表面焊接缺陷检测方法，所采用的技术方案具体如下：
本公开提出了一种太阳能电池板支架表面焊接缺陷检测方法，方法包括：
获取太阳能电池支架焊接处的表面灰度图像，对表面灰度图像进行语义分割处理，确定焊接区域与背景区域；
根据焊接区域中像素点的灰度值，对像素点进行聚类处理，生成至少两种类型的灰度聚类簇，分别对不同类型的灰度聚类簇中像素点进行密度聚类处理，生成密度聚类簇，根据密度聚类簇中像素点的数量与灰度值，确定密度聚类簇中像素点为裂缝像素点的第一概率值；
确定不同类型的密度聚类簇的距离信息与像素点间的灰度变化信息，根据灰度变化信息与距离信息确定密度聚类簇间的相似度，并根据相似度对密度聚类簇进行合并处理，生成合并聚类簇，根据第一概率值确定合并聚类簇中像素点为裂缝像素点的第二概率值，并根据第二概率值，对合并聚类簇进行迭代处理，生成目标聚类簇，根据目标聚类簇确定目标区域；
确定目标区域的边缘特征，根据边缘特征，确定目标区域中像素点为裂缝像素点的第三概率值，根据第三概率值，对太阳能电池支架焊接处进行缺陷检测。
进一步地，根据密度聚类簇中像素点的数量与灰度值，确定密度聚类簇中像素点为裂缝像素点的第一概率值，包括：
根据第一概率值公式确定第一概率值，其中，第一概率值公式包括：
Figure DEST_PATH_IMAGE001
式中，
Figure 831097DEST_PATH_IMAGE002
表示灰度值，
Figure 83259DEST_PATH_IMAGE003
表示密度聚类簇的索引，
Figure 925313DEST_PATH_IMAGE004
表示第
Figure 399151DEST_PATH_IMAGE003
个密度聚类簇中像素点的灰度值，
Figure 275840DEST_PATH_IMAGE005
表示在灰度值为
Figure 409887DEST_PATH_IMAGE002
下的第
Figure 942500DEST_PATH_IMAGE003
个密度聚类簇中像素点为裂缝像素点的第一概率值，
Figure 203717DEST_PATH_IMAGE006
表示在灰度值为
Figure 951224DEST_PATH_IMAGE002
下的第
Figure 6905DEST_PATH_IMAGE003
个密度聚类簇中像素点的数量，
Figure 276081DEST_PATH_IMAGE007
表示自然常数，
Figure 75410DEST_PATH_IMAGE008
表示归一化函数。
进一步地，确定不同类型的密度聚类簇的距离信息，包括：
确定密度聚类簇的聚类中心，根据聚类中心，确定密度聚类簇中像素点间的距离信息。
进一步地，根据第一概率值确定合并聚类簇中像素点为裂缝像素点的第二概率值，包括：
根据第二概率值公式确定第二概率值，其中，第二概率值公式包括：
Figure 411844DEST_PATH_IMAGE009
式中，
Figure 169585DEST_PATH_IMAGE010
表示密度聚类簇
Figure 722795DEST_PATH_IMAGE011
与密度聚类簇
Figure 60235DEST_PATH_IMAGE012
合并后的合并聚类簇中像素点为裂缝像素点的第二概率值，其中
Figure 516755DEST_PATH_IMAGE011
表示灰度值为
Figure 117501DEST_PATH_IMAGE013
下的第
Figure 908739DEST_PATH_IMAGE014
个密度聚类簇，
Figure 299138DEST_PATH_IMAGE012
表示灰度值为
Figure 125012DEST_PATH_IMAGE015
下的第
Figure 709708DEST_PATH_IMAGE016
个密度聚类簇，
Figure 722663DEST_PATH_IMAGE017
表示两个密度聚类簇的距离信息，
Figure 916753DEST_PATH_IMAGE007
表示自然常数，
Figure 331554DEST_PATH_IMAGE018
表示两个密度聚类簇的相似度，
Figure DEST_PATH_IMAGE019
表示密度聚类簇
Figure 352731DEST_PATH_IMAGE011
的第一概率值，
Figure 102250DEST_PATH_IMAGE020
表示密度聚类簇
Figure 585184DEST_PATH_IMAGE012
的第一概率值，
Figure 870803DEST_PATH_IMAGE021
表示两个密度聚类簇间第一概率值差的绝对值，
Figure 46569DEST_PATH_IMAGE022
表示密度聚类簇
Figure 283384DEST_PATH_IMAGE011
中像素点与密度聚类簇
Figure DEST_PATH_IMAGE023
中像素点均为裂缝像素点的概率值。
进一步地，根据边缘特征，确定目标区域中像素点为裂缝像素点的第三概率值，包括：
根据边缘特征，确定目标区域中的边缘像素点，使用预设大小的滑窗对边缘像素点的分布斜率进行分析，得到斜率信息，根据斜率信息与边缘像素点的灰度值，确定目标区域中像素点为裂缝像素点的第三概率值。
进一步地，根据斜率信息与边缘像素点的灰度值，确定目标区域中像素点为裂缝像素点的第三概率值，包括：
根据第三概率值公式确定第三概率值，其中，第三概率值公式包括：
Figure 383059DEST_PATH_IMAGE024
式中，
Figure 506872DEST_PATH_IMAGE025
表示目标区域，
Figure 899545DEST_PATH_IMAGE026
表示第
Figure 577651DEST_PATH_IMAGE025
个目标区域为的第三概率值，
Figure DEST_PATH_IMAGE027
表示第
Figure 481016DEST_PATH_IMAGE025
个目标区域的平均灰度值，
Figure 239763DEST_PATH_IMAGE007
表示自然常数，
Figure 491753DEST_PATH_IMAGE028
表示目标区域边缘的不规则程度，
Figure 939045DEST_PATH_IMAGE029
表示滑窗中首尾两个边缘像素点的斜率信息，
Figure 567473DEST_PATH_IMAGE030
表示滑窗的索引，
Figure 977463DEST_PATH_IMAGE031
表示目标区域边缘的斜率数量，
Figure 400355DEST_PATH_IMAGE032
表示为绝对值函数，
Figure 803785DEST_PATH_IMAGE033
表示第
Figure 32641DEST_PATH_IMAGE025
个目标区域的第二概率值。
进一步地，根据第三概率值，对太阳能电池支架焊接处进行缺陷检测，包括：
在第三概率值大于预设的第三概率值阈值时，将目标区域作为裂缝缺陷区域；
在第三概率值不大于预设的第三概率值阈值时，将目标区域作为焊接区域。
本公开具有如下有益效果：
本公开实施例通过获取太阳能电池支架焊接处的表面灰度图像确定焊接区域与背景区域；根据焊接区域中像素点进行灰度聚类与密度聚类处理，由于是使用灰度聚类与密度聚类相结合的方式，能够结合太阳能电池支架焊接处的图像特征，对像素点进行更为合理且有效的分类，保证灰度信息相同且距离更近的像素点能够分为一个聚类簇。由于是计算第一概率值确定密度聚类簇间的相似度，并根据相似度对密度聚类簇进行合并处理，生成合并聚类簇，并计算第二概率值，根据第二概率值对合并聚类簇进行迭代处理，生成目标聚类簇，能够根据密度聚类簇间的灰度变化信息与距离信息进行合并迭代，将表征含义相同的像素点准确聚合在同一聚类簇中，保证同类别像素点的准确聚合，合并迭代也能够有效减少后续缺陷检测过程的计算量，提升计算效率。由于是根据边缘特征计算像素点为裂缝像素点的第三概率值，根据第三概率值，对太阳能电池支架焊接处进行缺陷检测，能够准确识别焊接裂纹的位置，提升缺陷区域识别的准确性。本公开能够有效识别焊接裂纹的位置，提升缺陷区域识别的准确性，提升缺陷识别效率，增强太阳能电池支架焊接处焊接裂纹识别的可靠性与适用性。
附图说明
为了更清楚地说明本公开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公开的一些实施例，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为本公开一个实施例所提供的一种太阳能电池板支架表面焊接缺陷检测方法流程图；
图2为本公开一个实施例所提供的灰度聚类与密度聚类结构示意图。
具体实施方式
为了更进一步阐述本公开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，对依据本公开提出的一种太阳能电池板支架表面焊接缺陷检测方法，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公开的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本公开所提供的一种太阳能电池板支架表面焊接缺陷检测方法的具体方案。
请参阅图1，其示出了本公开一个实施例提供的一种太阳能电池板支架表面焊接缺陷检测方法流程图，该方法包括：
S101：获取太阳能电池支架焊接处的表面灰度图像，对表面灰度图像进行语义分割处理，确定焊接区域与背景区域。
其中，表面灰度图像，是对太阳能电池支架焊接处所采集的原始图像进行灰度化处理得到的灰度图像，本公开实施例支持使用工业相机通过俯视视角采集太阳能电池支架焊接表面的RGB图像，并对采集得到的RGB图像进行灰度化处理，获得表面灰度图像。
本公开实施例中可以具体使用加权平均法对原始图像进行灰度化处理，对于图像中各色彩通道的权重分配可以根据太阳能电池支架处的情况进行具体设定，当然，本公开还支持使用多种其他任意可能的实现方式对原始图像进行灰度化处理，如最大值法，灰度化处理为本领域所熟知的技术方案，对此不做限制。
本公开实施例中，对表面灰度图像进行语义分割处理，可以是使用深度神经网络(Deep Neural Networks，DNN)语义分割的方式实现对焊接区域的识别，确定焊接区域与背景区域。
其中，焊接区域，是焊接位置所处的区域，可以根据表面光滑度、表面灰度情况等，使用DNN语义分割的方式识别出太阳能电池支架的焊接区域，与焊接区域相对应的，是太阳能电池支架的背景区域，背景区域中可以包括原始图像中的拍摄场景区域与太阳能电池支架处未受焊接的正常区域等。
S102：根据焊接区域中像素点的灰度值，对像素点进行聚类处理，生成至少两种类型的灰度聚类簇，分别对不同类型的灰度聚类簇中像素点进行密度聚类处理，生成密度聚类簇，根据密度聚类簇中像素点的数量与灰度值，确定密度聚类簇中像素点为裂缝像素点的第一概率值。
可以理解的是，因焊接表面的裂纹缺陷可能分布在焊接区域的中间，也可能分布在焊接区域的边缘，而分布在焊接区域的边缘时，其灰度值与焊接区域边缘的灰度值相近，不容易识别，因此可以先根据焊接区域的灰度变化进行灰度聚类，获得灰度聚类簇。
因在进行聚类的过程中，不同焊接区域的像素点的分布不同，灰度值越小，密度越大的聚类簇中越可能是裂纹缺陷所对应的像素点。本公开实施例中，可以先对焊接区域内的像素点进行灰度聚类，获得多种类的灰度聚类簇，灰度聚类的目的是将焊接区域按照灰度分布进行有规律的分割，因影响焊接区域的分割关键是焊接区域灰度的差异决定的，因此通过灰度聚类确定焊接区域内像素点的分布特征，而后，可以对获得的灰度聚类簇使用密度聚类(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)算法，以对灰度聚类簇中的像素点进行密度聚类，获得不同的密度聚类簇。
本公开实施例中，如图2所示，图2为本公开一个实施例所提供的灰度聚类与密度聚类结构示意图。经由灰度聚类，将焊接区域内的像素点分为n个灰度聚类簇，而后通过密度聚类，将每个灰度聚类簇中的像素点再次分为多个密度聚类簇，对每个灰度聚类簇中像素点进行密度聚类生成的密度聚类簇的数量不做限制。举例而言，可以根据焊接区域的灰度信息，确定将焊接区域划分为10个灰度聚类簇，分别对每个灰度聚类簇进行密度聚类处理，划分为对应数量的密度聚类簇。
因在进行密度聚类的时候，是根据同灰度聚类簇中像素点分布的密集程度进行聚类的，因此，在各个灰度聚类簇中的像素点会聚为不同的密度聚类簇，而裂纹缺陷区域的像素点所处的灰度级较小，并且像素点的聚集性较大，因此在对其进行聚类的时候，所得的密度聚类簇的面积较大。而其他像素点虽然也会有灰度较小情况，但其聚集性较小，所得的密度聚类簇的面积小，则为缺陷区域的可能程度小。
进一步地，本公开实施例中，根据密度聚类簇中像素点的数量与灰度值，确定密度聚类簇中像素点为裂缝像素点的第一概率值，包括：
根据第一概率值公式确定第一概率值，其中，第一概率值公式包括：
Figure 234821DEST_PATH_IMAGE001
式中，
Figure 94193DEST_PATH_IMAGE002
表示灰度值，
Figure 516078DEST_PATH_IMAGE003
表示密度聚类簇的索引，
Figure 955150DEST_PATH_IMAGE004
表示第
Figure 277415DEST_PATH_IMAGE003
个密度聚类簇中像素点的灰度值，
Figure 307688DEST_PATH_IMAGE005
表示在灰度值为
Figure 482449DEST_PATH_IMAGE002
下的第
Figure 256370DEST_PATH_IMAGE003
个密度聚类簇中像素点为裂缝像素点的第一概率值，
Figure 433142DEST_PATH_IMAGE006
表示在灰度值为
Figure 634316DEST_PATH_IMAGE002
下的第
Figure 30794DEST_PATH_IMAGE003
个密度聚类簇中像素点的数量，
Figure 546089DEST_PATH_IMAGE007
表示自然常数，
Figure 593679DEST_PATH_IMAGE008
表示归一化函数。
上式通过密度聚类簇中像素点的灰度值与像素点的数量，确定第一概率值，因裂纹缺陷区域的灰度值较小，因此在进行灰度聚类的时候，灰度值越小的聚类簇为缺陷区域像素点的可能程度越大，并且在进行密度聚类的时候，因为裂纹区域的像素点的灰度值都比较集中，因此聚类出来的聚类簇的面积较大，像素点的数量多，则可以表示该密度聚类簇为裂纹缺陷的可能程度较大，因此，能够求得用于表示密度聚类簇中像素点所处区域为裂纹缺陷区域的第一概率值。
S103：确定不同类型的密度聚类簇的距离信息与像素点间的灰度变化信息，根据灰度变化信息与距离信息确定密度聚类簇间的相似度，并根据相似度对密度聚类簇进行合并处理，生成合并聚类簇，根据第一概率值确定合并聚类簇中像素点为裂缝像素点的第二概率值，并根据第二概率值，对合并聚类簇进行迭代处理，生成目标聚类簇，根据目标聚类簇确定目标区域。
本公开实施例中，可以确定密度聚类簇的聚类中心，根据聚类中心，确定密度聚类簇间的距离信息，也即是说，本公开实施例中可以预先确定任意密度聚类簇中多个像素点的中心，而后将该中心作为聚类中心，本公开实施例中可以使用多种方式确定聚类中心，如最大最小值法与平均法等，对此不做限制。
本公开实施例中，因在进行聚类时是根据像素点的灰度与像素点的密度进行聚类的，会将原本表述相同的像素点聚为不同的密度聚类簇，因此，可以使用相似度的概念对密度聚类簇进行处理，将相似度大的密度聚类簇进行合并，得到合并聚类簇。
可以根据两个不同的密度聚类簇间的距离信息与灰度差异信息，确定相似度，其中，距离信息的计算为：
Figure 215022DEST_PATH_IMAGE034
其中，
Figure 348063DEST_PATH_IMAGE035
表示密度聚类簇
Figure 480098DEST_PATH_IMAGE014
与密度聚类簇
Figure 382195DEST_PATH_IMAGE036
间的距离信息，
Figure 174440DEST_PATH_IMAGE037
表示密度聚类簇
Figure 529198DEST_PATH_IMAGE014
的聚类中心的横坐标，
Figure 199345DEST_PATH_IMAGE038
表示密度聚类簇
Figure 955948DEST_PATH_IMAGE016
的聚类中心的横坐标，
Figure 145794DEST_PATH_IMAGE039
表示密度聚类簇
Figure 50165DEST_PATH_IMAGE014
的聚类中心的纵坐标，
Figure 461685DEST_PATH_IMAGE040
表示密度聚类簇
Figure 869533DEST_PATH_IMAGE016
的聚类中心的纵坐标。也即是说，将两个不同的密度聚类簇中聚类中心间的欧氏距离作为距离信息。
进一步地，根据第一概率值确定合并聚类簇中像素点为裂缝像素点的第二概率值，包括：
根据第二概率值公式确定第二概率值，其中，第二概率值公式包括：
Figure 269159DEST_PATH_IMAGE041
式中，
Figure 332930DEST_PATH_IMAGE010
表示密度聚类簇
Figure 344880DEST_PATH_IMAGE011
与密度聚类簇
Figure 810496DEST_PATH_IMAGE012
合并后的合并聚类簇中像素点为裂缝像素点的第二概率值，其中
Figure 381024DEST_PATH_IMAGE042
表示灰度值为
Figure 197670DEST_PATH_IMAGE013
下的第
Figure 747731DEST_PATH_IMAGE014
个密度聚类簇，
Figure 379438DEST_PATH_IMAGE012
表示灰度值为
Figure 74862DEST_PATH_IMAGE015
下的第
Figure 113225DEST_PATH_IMAGE016
个密度聚类簇，
Figure 466977DEST_PATH_IMAGE043
表示两个密度聚类簇的距离信息，
Figure 172765DEST_PATH_IMAGE007
表示自然常数，
Figure 819516DEST_PATH_IMAGE044
表示两个密度聚类簇的相似度，
Figure 610754DEST_PATH_IMAGE019
表示密度聚类簇
Figure 502618DEST_PATH_IMAGE011
的第一概率值，
Figure 62912DEST_PATH_IMAGE045
表示密度聚类簇
Figure 677302DEST_PATH_IMAGE012
的第一概率值，
Figure 706569DEST_PATH_IMAGE021
表示两个密度聚类簇间第一概率值差的绝对值，
Figure 854654DEST_PATH_IMAGE022
表示密度聚类簇
Figure 269455DEST_PATH_IMAGE011
中像素点与密度聚类簇
Figure 523587DEST_PATH_IMAGE012
中像素点均为裂缝像素点的概率值。
由上式可知，
Figure 23839DEST_PATH_IMAGE044
表示两个密度聚类簇的相似度，也即是说，对于密度聚类簇
Figure 257505DEST_PATH_IMAGE011
与密度聚类簇
Figure 792392DEST_PATH_IMAGE012
，灰度差异越小，聚类中心之间的距离越近，两个密度聚类簇的相似度越大，而后，确定两个密度聚类簇间第一概率值差的绝对值，差值越小，说明两个密度聚类簇的相似度越大，差值越大，说明两个密度聚类簇的相似度越小，
Figure 217426DEST_PATH_IMAGE022
表示两个密度聚类簇中像素点为裂纹缺陷区域像素点的可能程度越大，得到的整体值越大，则两个密度聚类簇进行合并后的合并聚类簇中，像素点为裂纹缺陷区域像素点的可能程度更大，其中，若
Figure 204973DEST_PATH_IMAGE019
与
Figure 242331DEST_PATH_IMAGE045
的数值均较大，则
Figure 631724DEST_PATH_IMAGE022
的数值会较大，也即第二概率值较大，使用
Figure 962080DEST_PATH_IMAGE046
与
Figure 436923DEST_PATH_IMAGE047
相乘的方式，能够进一步避免
Figure 809130DEST_PATH_IMAGE019
与
Figure 99035DEST_PATH_IMAGE045
中一个值较大，而另一个值较小产生的结果误差，进一步保证第二概率值的准确性与客观性，因此根据第一概率值得到合并后的合并聚类簇的像素点为裂纹缺陷区域像素点的第二概率值。
本公开实施例中，可以对密度聚类簇的合并进行迭代，也即是将两个合并聚类簇再次进行相似度判断，以继续合并直至收敛，确定最终的目标聚类簇，将目标聚类簇中像素点所处位置产生的区域作为目标区域。
本公开实施例中，根据密度聚类簇的相似度进行合并，而后得到合并聚类簇为裂纹缺陷区域的第二概率值，引入距离信息与第一概率值，能够有效规避将灰度相近的两个密度聚类簇错误的合并为一个合并聚类簇的情况，能够准确对多个密度聚类簇进行合并，所得到的合并聚类簇对图像中各类区域的识别将更为可靠。
S104：确定目标区域的边缘特征，根据边缘特征，确定目标区域中像素点为裂缝像素点的第三概率值，根据第三概率值，对太阳能电池支架焊接处进行缺陷检测。
其中，可以对目标区域进行边缘检测，以确定目标区域的边缘特征，可以理解的是，在焊接区域中，裂纹缺陷区域中心的灰度值较小，焊接区域的表面也会因为焊锡的堆砌形成灰度较小的纹理，但是纹理的边缘形状与裂纹缺陷区域的边缘形状有一定的差异，裂纹缺陷区域的边缘呈现毛刺状，其不规则程度较大，因此根据得到的边缘形状的状态对其进行识别，确定裂纹缺陷区域。
进一步地，根据边缘特征，确定目标区域中像素点为裂缝像素点的第三概率值，可以根据边缘特征，确定目标区域中的边缘像素点，使用预设大小的滑窗对边缘像素点的分布斜率进行分析，得到斜率信息，根据斜率信息与边缘像素点的灰度值，确定目标区域中像素点为裂缝像素点的第三概率值。
其中，边缘像素点，是对目标区域进行边缘检测，得到的用于表征目标区域边缘的像素点，可以根据边缘像素点的灰度值与斜率信息，确定目标区域中像素点为裂缝像素点的第三概率值。
其中，滑窗的预设大小，可以具体例如为5×5大小，通过5×5大小的滑窗遍历每一个边缘像素点，确定该边缘像素点的斜率信息。其中，斜率信息，是边缘像素点所处位置所对应的分布信息，由于焊接区域的边缘形状与裂纹缺陷区域的边缘形状有一定的差异，裂纹缺陷区域的边缘呈现毛刺状，其不规则程度较大，由此，可以使用斜率信息表征边缘像素点所对应的不规则程度，斜率越大，则可以表示不规则程度越高，则可以表示边缘像素点为裂纹缺陷区域像素点的可能性越大，因此可以根据斜率信息与边缘像素点的灰度值，确定目标区域中像素点为裂缝像素点的第三概率值。
进一步地，根据第三概率值公式确定第三概率值，其中，第三概率值公式包括：
Figure 583980DEST_PATH_IMAGE048
式中，
Figure 296853DEST_PATH_IMAGE025
表示目标区域，
Figure 925280DEST_PATH_IMAGE026
表示第
Figure 272954DEST_PATH_IMAGE025
个目标区域为的第三概率值，
Figure 961424DEST_PATH_IMAGE027
表示第
Figure 161592DEST_PATH_IMAGE025
个目标区域的平均灰度值，
Figure 328131DEST_PATH_IMAGE007
表示自然常数，
Figure 795891DEST_PATH_IMAGE028
表示目标区域边缘的不规则程度，
Figure 202732DEST_PATH_IMAGE029
表示滑窗中首尾两个边缘像素点的斜率信息，
Figure 873885DEST_PATH_IMAGE030
表示滑窗的索引，
Figure 358962DEST_PATH_IMAGE031
表示目标区域边缘的斜率数量，
Figure 166381DEST_PATH_IMAGE032
表示为绝对值函数，
Figure 947386DEST_PATH_IMAGE033
表示第
Figure 902573DEST_PATH_IMAGE025
个目标区域的第二概率值。
由上式可知，第三概率值受灰度值、不规则程度与第二概率值的影响，当目标区域内的边缘像素点灰度值越小，不规则程度越高，且第二概率值越大时，目标区域中像素点为裂缝像素点的第三概率值越大，该目标区域越有可能是裂缝缺陷区域。
进一步地，本公开实施例中，可以预先设置第三概率值阈值，在第三概率值大于预设的第三概率值阈值时，将目标区域作为裂缝缺陷区域；在第三概率值不大于预设的第三概率值阈值时，将目标区域作为正常背景区域。
其中，第三概率值阈值，是第三概率值的门限值，在目标区域的第三概率值大于该第三概率值阈值时，可以将目标区域作为裂缝缺陷区域，第三概率值阈值可以根据实际场景动态调整，对此不做限制。
举例而言，可以设置第三概率值阈值为
Figure 660182DEST_PATH_IMAGE049
，当
Figure 587687DEST_PATH_IMAGE050
时，可以判断该目标区域为裂纹缺陷区域，当
Figure DEST_PATH_IMAGE051
时，可以判断该目标区域不是裂纹缺陷区域，为正常背景区域。
本公开实施例通过获取太阳能电池支架焊接处的表面灰度图像确定焊接区域与背景区域；根据焊接区域中像素点进行灰度聚类与密度聚类处理，由于是使用灰度聚类与密度聚类相结合的方式，能够结合太阳能电池支架焊接处的图像特征，对像素点进行更为合理且有效的分类，保证灰度信息相同且距离更近的像素点能够分为一个聚类簇。由于是计算第一概率值确定密度聚类簇间的相似度，并根据相似度对密度聚类簇进行合并处理，生成合并聚类簇，并计算第二概率值，根据第二概率值对合并聚类簇进行迭代处理，生成目标聚类簇，能够根据密度聚类簇间的灰度变化信息与距离信息进行合并迭代，将表征含义相同的像素点准确聚合在同一聚类簇中，保证同类别像素点的准确聚合，合并迭代也能够有效减少后续缺陷检测过程的计算量，提升计算效率。由于是根据边缘特征计算像素点为裂缝像素点的第三概率值，根据第三概率值，对太阳能电池支架焊接处进行缺陷检测，能够准确识别焊接裂纹的位置，提升缺陷区域识别的准确性。本公开能够有效识别焊接裂纹的位置，提升缺陷区域识别的准确性，提升缺陷识别效率，增强太阳能电池支架焊接处焊接裂纹识别的可靠性与适用性。
需要说明的是：上述本公开实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (6)

1.一种太阳能电池板支架表面焊接缺陷检测方法，其特征在于，所述方法包括：
获取太阳能电池支架焊接处的表面灰度图像，对所述表面灰度图像进行语义分割处理，确定焊接区域与背景区域；
根据所述焊接区域中像素点的灰度值，对所述像素点进行聚类处理，生成至少两种类型的灰度聚类簇，分别对不同类型的所述灰度聚类簇中所述像素点进行密度聚类处理，生成密度聚类簇，根据所述密度聚类簇中所述像素点的数量与灰度值，确定所述密度聚类簇中所述像素点为裂缝像素点的第一概率值；
确定不同类型的所述密度聚类簇的距离信息与所述像素点间的灰度变化信息，根据所述灰度变化信息与所述距离信息确定所述密度聚类簇间的相似度，并根据所述相似度对所述密度聚类簇进行合并处理，生成合并聚类簇，根据所述第一概率值确定所述合并聚类簇中所述像素点为所述裂缝像素点的第二概率值，并根据所述第二概率值，对所述合并聚类簇进行迭代处理，生成目标聚类簇，根据所述目标聚类簇确定目标区域；
确定所述目标区域的边缘特征，根据所述边缘特征，确定所述目标区域中所述像素点为所述裂缝像素点的第三概率值，根据所述第三概率值，对太阳能电池支架焊接处进行缺陷检测；
获得第一概率值的方法包括：根据第一概率值公式确定所述第一概率值，其中，所述第一概率值公式包括：
Figure QLYQS_1
式中，
Figure QLYQS_5
表示灰度值，
Figure QLYQS_10
表示密度聚类簇的索引，
Figure QLYQS_13
表示第
Figure QLYQS_3
个密度聚类簇中像素点的灰度 值，
Figure QLYQS_6
表示在灰度值为
Figure QLYQS_8
下的第
Figure QLYQS_12
个密度聚类簇中像素点为裂缝像素点的第一概率值，
Figure QLYQS_2
表 示在灰度值为
Figure QLYQS_7
下的第
Figure QLYQS_9
个密度聚类簇中像素点的数量，
Figure QLYQS_11
表示自然常数，
Figure QLYQS_4
表示归一 化函数。
2.如权利要求1所述的方法，其特征在于，所述确定不同类型的所述密度聚类簇的距离信息，包括：
确定所述密度聚类簇的聚类中心，根据所述聚类中心，确定所述密度聚类簇中所述像素点间的所述距离信息。
3.如权利要求2所述的方法，其特征在于，所述根据所述第一概率值确定所述合并聚类簇中所述像素点为所述裂缝像素点的第二概率值，包括：
根据第二概率值公式确定所述第二概率值，其中，所述第二概率值公式包括：
Figure QLYQS_14
式中，
Figure QLYQS_30
表示密度聚类簇
Figure QLYQS_19
与密度聚类簇
Figure QLYQS_24
合并后的合并聚类簇中像素点为裂缝像素 点的第二概率值，其中
Figure QLYQS_23
表示灰度值为
Figure QLYQS_33
下的第
Figure QLYQS_31
个密度聚类簇，
Figure QLYQS_34
表示灰度值为
Figure QLYQS_18
下的第
Figure QLYQS_32
个密度聚类簇，
Figure QLYQS_15
表示两个密度聚类簇的距离信息，
Figure QLYQS_28
表示自然常数，
Figure QLYQS_20
表示两个 密度聚类簇的相似度，
Figure QLYQS_27
表示密度聚类簇
Figure QLYQS_22
的第一概率值，
Figure QLYQS_26
表示密度聚类簇
Figure QLYQS_17
的第一 概率值，
Figure QLYQS_29
表示两个密度聚类簇间第一概率值差的绝对值，
Figure QLYQS_16
表示密度聚类簇
Figure QLYQS_25
中像素点与密度聚类簇
Figure QLYQS_21
中像素点均 为裂缝像素点的概率值。
4.如权利要求3所述的方法，其特征在于，所述根据所述边缘特征，确定所述目标区域中所述像素点为所述裂缝像素点的第三概率值，包括：
根据所述边缘特征，确定所述目标区域中的边缘像素点，使用预设大小的滑窗对所述边缘像素点的分布斜率进行分析，得到斜率信息，根据所述斜率信息与所述边缘像素点的灰度值，确定所述目标区域中所述像素点为所述裂缝像素点的所述第三概率值。
5.如权利要求4所述的方法，其特征在于，所述根据所述斜率信息与所述边缘像素点的灰度值，确定所述目标区域中所述像素点为所述裂缝像素点的所述第三概率值，包括：
根据第三概率值公式确定所述第三概率值，其中，所述第三概率值公式包括：
Figure QLYQS_35
式中，
Figure QLYQS_37
表示目标区域，
Figure QLYQS_40
表示第
Figure QLYQS_47
个目标区域为的第三概率值，
Figure QLYQS_38
表示第
Figure QLYQS_43
个目标区域的 平均灰度值，
Figure QLYQS_46
表示自然常数，
Figure QLYQS_48
表示目标区域边缘的不规则程度，
Figure QLYQS_36
表示滑窗中首尾两 个边缘像素点的斜率信息，
Figure QLYQS_41
表示滑窗的索引，
Figure QLYQS_44
表示目标区域边缘的斜率数量，
Figure QLYQS_45
表示为绝 对值函数，
Figure QLYQS_39
表示第
Figure QLYQS_42
个目标区域的第二概率值。
6.如权利要求5所述的方法，其特征在于，所述根据所述第三概率值，对太阳能电池支架焊接处进行缺陷检测，包括：
在所述第三概率值大于预设的第三概率值阈值时，将所述目标区域作为裂缝缺陷区域；
在所述第三概率值不大于所述预设的第三概率值阈值时，将所述目标区域作为正常背景区域。
CN202211469980.0A 2022-11-23 2022-11-23 一种太阳能电池板支架表面焊接缺陷检测方法 Active CN115511889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211469980.0A CN115511889B (zh) 2022-11-23 2022-11-23 一种太阳能电池板支架表面焊接缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211469980.0A CN115511889B (zh) 2022-11-23 2022-11-23 一种太阳能电池板支架表面焊接缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115511889A CN115511889A (zh) 2022-12-23
CN115511889B true CN115511889B (zh) 2023-03-03

Family

ID=84514393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211469980.0A Active CN115511889B (zh) 2022-11-23 2022-11-23 一种太阳能电池板支架表面焊接缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115511889B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880275B (zh) * 2023-01-06 2023-05-16 山东晋工科技有限公司 一种凿岩劈裂一体机的远程控制方法
CN116030034B (zh) * 2023-02-21 2023-06-20 青岛精锐机械制造有限公司 阀门表面缺陷的视觉识别方法
CN116109604B (zh) * 2023-02-21 2023-11-07 天合光能(宿迁)光电有限公司 用于TOPCon结构太阳能电池板的栅线检测方法
CN115861318B (zh) * 2023-02-27 2023-05-09 金乡县利顺祥棉业有限公司 一种棉花加工生产质量检测方法
CN116228776B (zh) * 2023-05-10 2023-07-21 威海职业学院(威海市技术学院) 一种机电设备焊接缺陷识别方法及系统
CN116596936B (zh) * 2023-07-18 2023-09-12 深圳市魔方卫星科技有限公司 基于图像数据的太阳翼帆板质量检测方法
CN116758061B (zh) * 2023-08-11 2023-10-31 山东优奭趸泵业科技有限公司 基于计算机视觉的铸件表面缺陷检测方法
CN117333489B (zh) * 2023-12-01 2024-02-02 苏州普洛泰科精密工业有限公司 一种薄膜破损检测装置及检测系统
CN117392469B (zh) * 2023-12-11 2024-02-20 深圳市丰源升科技有限公司 基于机器视觉的钙钛矿电池表面涂膜检测方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082683B (zh) * 2022-08-22 2023-07-14 深圳市松泽实业发展有限公司 一种基于图像处理的注塑缺陷检测方法
CN115294140B (zh) * 2022-10-09 2023-04-14 南通永卓金属制品有限公司 一种五金零件缺陷检测方法及系统
CN115311277B (zh) * 2022-10-11 2023-04-07 南通美乐柯材料科技有限公司 一种不锈钢制品的凹坑缺陷识别方法

Also Published As

Publication number Publication date
CN115511889A (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
CN115511889B (zh) 一种太阳能电池板支架表面焊接缺陷检测方法
CN115082482B (zh) 一种金属表面缺陷检测方法
CN106251361B (zh) 一种钢轨表面缺陷图像自适应分割方法
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN115063404B (zh) 基于x射线探伤的耐候钢焊缝质量检测方法
CN115439481B (zh) 基于图像处理的除氧器焊接质量检测方法
CN115082683A (zh) 一种基于图像处理的注塑缺陷检测方法
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN115690108B (zh) 一种基于图像处理的铝合金杆生产质量评估方法
CN111950515B (zh) 一种基于语义特征金字塔网络的小人脸检测方法
CN116596936B (zh) 基于图像数据的太阳翼帆板质量检测方法
CN112508090A (zh) 一种外包装缺陷检测方法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN115546203B (zh) 基于图像数据算法的生产监测分析方法
CN115063423B (zh) 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法
CN116109644A (zh) 用于铜铝转接排的表面缺陷检测方法
CN111507411B (zh) 一种图像比对的方法及系统
CN115330645A (zh) 一种焊接图像增强方法
CN115861307B (zh) 基于人工智能的筋膜枪供电驱动板焊接故障检测方法
CN115719332A (zh) 一种焊接质量检测方法
CN115345894A (zh) 一种焊缝射线检测图像分割方法
CN116309599A (zh) 基于污水前置处理的水质视觉监测方法
CN114359288A (zh) 基于人工智能的医学影像脑动脉瘤检测和定位方法
CN114972759A (zh) 基于分级轮廓代价函数的遥感图像语义分割方法
CN116721107A (zh) 一种电缆生产质量智能监控系统

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