CN116485785B - 一种太阳能电池片的表面缺陷检测方法 - Google Patents
一种太阳能电池片的表面缺陷检测方法 Download PDFInfo
- Publication number
- CN116485785B CN116485785B CN202310705588.XA CN202310705588A CN116485785B CN 116485785 B CN116485785 B CN 116485785B CN 202310705588 A CN202310705588 A CN 202310705588A CN 116485785 B CN116485785 B CN 116485785B
- Authority
- CN
- China
- Prior art keywords
- region
- gray
- enhanced
- illumination
- solar cell
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 77
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000005286 illumination Methods 0.000 claims abstract description 137
- 210000004027 cell Anatomy 0.000 claims abstract description 81
- 239000000203 mixture Substances 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 35
- 238000013507 mapping Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 230000008859 change Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G06T7/11—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
-
- 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
- G06T2207/10141—Special mode during image acquisition
- G06T2207/10152—Varying illumination
-
- 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
Abstract
本发明涉及图像处理技术领域,具体涉及一种太阳能电池片的表面缺陷检测方法,包括:采集太阳能电池片表面图像,获取主栅线的最大宽度,根据最大宽度建立窗口,获取每个窗口的灰度波动程度,进而获取多个区域,根据每个区域的混合高斯模型获取每个区域的参考度,得到参考区域以及待增强区域,获取每个待增强区域的光照影响因子,进而得到第一光照区域以及第二光照区域,根据第二光照区域中第一像素点的显著性得到每个第二光照区域的更新灰度直方图,根据参考区域、第一光照区域的灰度直方图以及第二光照区域的更新灰度直方图获取增强图像,根据增强图像识别太阳能电池片表面缺陷。本发明消除了光照影响,增强效果更好,识别的缺陷更加准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种太阳能电池片的表面缺陷检测方法。
背景技术
如今世界经济发展迅速,人类面临着环境问题和能源需求问题,而太阳能光伏发电已成为解决能源问题的主要方案之一。太阳能电池片作为太阳能光伏发电中的核心部件,关系着整个发电系统的发电效率,但是太阳能电池片可能会受到生产工艺、失误操作或极端天气等因素的影响,导致表面产生裂纹、污渍等缺陷。由于缺陷特征表现不明显等多种因素,需要对图像进行增强以获得更清晰的太阳能电池片表面图像,这样再进行缺陷检测时以获得更准确的检测结果。
现有技术中对于太阳能电池片表面缺陷检测方法主要有人工目测检测、物理方法检测和机器视觉检测等方法。其中,机器视觉检测相比于前两者更方便、稳定、快捷。但是在利用视觉检测的过程中,由于缺陷区域表现特征不明显或其他外界因素影响而导致检测结果不准确,所以需要利用直方图规定化对图像进行增强,但是对图像全局增强可能导致过度增强,缺陷检测结果仍不准确。因此本发明基于图像灰度特征利用图像滑窗法和聚类分析对图像区域进行划分,而后对每个划分的区域进行自适应增强。最后再通过现有算法对太阳能电池片表面缺陷进行检测,获得更准确的检测结果。
发明内容
本发明提供一种太阳能电池片的表面缺陷检测方法,以解决现有的问题。
本发明的一种太阳能电池片的表面缺陷检测方法采用如下技术方案:
本发明一个实施例提供了一种太阳能电池片的表面缺陷检测方法,该方法包括以下步骤:
采集太阳能电池片表面图像;将太阳能电池片表面图像中所有像素点分为第一像素点和第二像素点;根据所有第二像素点获取主栅线的最大宽度;根据主栅线的最大宽度以太阳能电池片表面图像中每个像素点为中心建立窗口,根据每个窗口中的第一像素点获取每个窗口的灰度波动程度;根据每个窗口的灰度波动程度将太阳能电池片表面图像分割成多个区域;
根据每个区域中所有第一像素点的灰度值绘制每个区域的灰度直方图,对每个区域的灰度直方图进行混合高斯模型拟合,得到每个区域的混合高斯模型;根据每个区域的混合高斯模型获取每个区域的参考度;将参考度最大的区域作为参考区域,将其余区域作为待增强区域;
根据每个待增强区域中的第一像素点获取每个待增强区域的灰度波动程度;根据每个待增强区域的灰度波动程度以及包含的窗口的灰度波动程度获取每个待增强区域的光照影响因子;根据光照影响因子将所有待增强区域分为第一光照区域以及第二光照区域;
获取每个第二光照区域中每个第一像素点的显著性;根据每个第二光照区域中所有第一像素点的显著性得到每个第二光照区域的更新灰度直方图;
根据参考区域、每个第一光照区域的灰度直方图以及每个第二光照区域的更新灰度直方图获取增强图像;根据增强图像识别太阳能电池片表面缺陷。
优选的,所述将太阳能电池片表面图像中所有像素点分为第一像素点和第二像素点,包括的具体步骤如下:
对太阳能电池片表面图像中所有像素点的灰度值进行聚类,将所有灰度值分为两类;将灰度值均值最大的类别记为主栅线类别,将灰度值均值最小的类别记为非主栅线类别;
若像素点的灰度值属于非主栅线类别,将像素点作为第一像素点;若像素点的灰度值属于主栅线类别,将像素点作为第二像素点。
优选的,所述根据所有第二像素点获取主栅线的最大宽度,包括的具体步骤如下:
将连通的所有第二像素点构成一个连通域,得到多个连通域;获取包含第二像素点个数最多的连通域作为目标连通域,对目标连通域进行骨架提取,过骨架上每个像素点作骨架的垂线,获取每条垂线与目标连通域的边缘的两个交点,将一条垂线对应的两个交点之间的欧式距离作为主栅线的一个宽度,获取主栅线的所有宽度;将所有宽度中的最大值作为主栅线的最大宽度。
优选的,所述根据每个窗口中的第一像素点获取每个窗口的灰度波动程度,包括的具体步骤如下:
将每个窗口中所有第一像素点的灰度值的方差作为每个窗口的灰度波动程度。
优选的,所述根据每个窗口的灰度波动程度将太阳能电池片表面图像分割成多个区域,包括的具体步骤如下:
当窗口的灰度波动程度大于预设第一阈值时,将窗口的中心像素点作为分界点,获取所有分界点;将每个分界点与距离最近的两个分界点相连,得到多条分界线,通过分界线将太阳能电池片表面图像分割成多个区域。
优选的,所述根据每个区域的混合高斯模型获取每个区域的参考度,包括的具体步骤如下:
根据每个区域的混合高斯模型获取每个区域的参考度:
其中为第/>个区域的参考度;/>为第/>个区域的混合高斯模型中第1个子高斯模型的均值参数;/>为第/>个区域的混合高斯模型中第2个子高斯模型的均值参数;/>为第/>个区域的混合高斯模型中第1个子高斯模型的方差参数;/>为第/>个区域的混合高斯模型中第2个子高斯模型的方差参数;/>为绝对值符号。
优选的,所述根据每个待增强区域的灰度波动程度以及包含的窗口的灰度波动程度获取每个待增强区域的光照影响因子,包括的具体步骤如下:
获取每个待增强区域的光照影响因子:
其中为第/>个待增强区域的光照影响因子;/>为第/>个待增强区域的灰度波动程度;/>为第/>个待增强区域包含的第/>个窗口的灰度波动程度;/>为第/>个待增强区域包含的窗口的个数;/>为绝对值符号;/>为双曲正切函数;/>为超参数。
优选的,所述获取每个第二光照区域中每个第一像素点的显著性,包括的具体步骤如下:
对第二光照区域中每个窗口内所有第一像素点的灰度值进行聚类,将每个窗口内所有第一像素点灰度值分为两类,将灰度值均值最小的类别记为第一类别,将灰度值均值最大的类别记为第二类别;
获取第二光照区域中每个第一像素点的显著性:
其中为第/>个第二光照区域中第/>个第一像素点的显著性;/>为第/>个第二光照区域中第/>个第一像素点的灰度值;/>为第/>个第二光照区域中第/>个第一像素点的窗口的第一类别中所有灰度值的均值;/>为第/>个第二光照区域中第/>个第一像素点的窗口的第一类别中所有灰度值构成的集合;/>为第/>个第二光照区域中第/>个第一像素点的窗口的第二类别中所有灰度值构成的集合;/>为最大值函数;/>为最小值函数。
优选的,所述根据每个第二光照区域中所有第一像素点的显著性得到每个第二光照区域的更新灰度直方图,包括的具体步骤如下:
将第二光照区域中所有第一像素点的显著性映射到[0,255]范围内,将映射后的值作为第一像素点的更新灰度值,根据每个第二光照区域中所有第一像素点的更新灰度值绘制每个第二光照区域的更新灰度直方图。
优选的,所述根据参考区域、每个第一光照区域的灰度直方图以及每个第二光照区域的更新灰度直方图获取增强图像,包括的具体步骤如下:
以参考区域的灰度直方图为规定的直方图,分别对每个第一光照区域的灰度直方图以及每个第二光照区域的更新灰度直方图进行直方图规定化,得到每个第一光照区域的增强图像和每个第二光照区域的增强图像;
将所有第一光照区域的增强图像、第二光照区域的增强图像以及参考区域构成一个完整的增强图像。
本发明的技术方案的有益效果是:本发明根据太阳能电池片表面图像每个窗口的灰度波动程度将太阳能电池片表面图像划分为多个区域,每个区域的灰度分布特征不同,后续对每个区域单独进行增强,增强效果更好;本发明根据每个区域的混合高斯模型筛选出噪声分布少,背景和细栅线或缺陷对比明显的区域作为参考区域,根据参考区域对其他区域进行增强,使得其他区域中背景和细栅线以及缺陷的对比度增强,使得缺陷更加明显;本发明根据每个待增强区域的灰度波动程度与包含的窗口的灰度波动程度获取每个待增强区域的光照影响因子,从而将待增强器区域分为第一光照区域和第二光照区域,对第一光照区域和第二光照区域采用不同的增强方法,增强效果更好;本发明通过计算第二光照区域中每个第一像素点的显著性,利用显著性获取每个第一像素点的更新灰度值,根据更新灰度值构建更新灰度直方图进行增强,消除了第二光照区域的光照造成的灰度渐变,使得第二光照区域中背景与细栅线或缺陷的整体对比度增强,最终得到的增强图像中背景与细栅线或缺陷对比明显,根据增强图像识别的太阳能电池片表面缺陷更加准确。
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为本发明的一种太阳能电池片的表面缺陷检测方法的步骤流程图。
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,对依据本发明提出的一种太阳能电池片的表面缺陷检测方法,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发明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发明所提供的一种太阳能电池片的表面缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种太阳能电池片的表面缺陷检测方法的步骤流程图,该方法包括以下步骤:
S001.采集太阳能电池片表面图像。
利用工业相机拍摄太阳能电池片表面RGB图像。为了便于分析,将太阳能电池片表面RGB图像利用加权灰度法转化为灰度图像,记为太阳能电池片表面图像。需要说明的是,加权灰度法为现有技术,在本发明实施例中不再详细概述,在其他实施例中,实施人员可选择其他的灰度化方法。
至此,获取了太阳能电池片表面图像。
S002.获取太阳能电池片表面图像中每个窗口的灰度波动程度。
需要说明的是,当直接对采集到的太阳能电池片表面图像进行缺陷检测时,由于缺陷特征表现不明显,同时太阳能电池片表面存在光照影响,导致缺陷检测结果不准确,因此需要对太阳能电池片表面图像进行增强,使得缺陷特征明显的同时去除光照影响。现有的直方图均衡化增强方法,受光照影响可能会导致不明显的缺陷特征对应的灰度以及纹理对应的灰度被吞噬,使得细节丢失,增强效果差。为排除光照影响,本发明实施例获取太阳能电池片表面图像中每个窗口的灰度波动程度,以便后续根据灰度波动程度将太阳能电池片表面图像分割成不同的光照区域,对每个光照区域进行自适应增强,得到最佳的太阳能电池片表面图像增强图像。
需要进一步说明的是,由于太阳能电池片表面图像中存在特别明显的主栅线(即太阳能电池片表面图像中水平或垂直的较粗且亮度较高的线),为了避免主栅线影响后续的缺陷检测,在获取太阳能电池片表面图像中每个窗口的灰度波动程度前,首先需要将主栅线分割出来。
在本发明实施例中,获取太阳能电池片表面图像中出现的所有灰度值,利用K-means聚类方法对所有灰度值进行聚类,将所有灰度值分为两类。灰度值均值较大的类别中的灰度值即为主栅线对应的灰度值,将灰度值均值较大的类别记为主栅线类别;灰度值均值较小的类别中的灰度值即为太阳能电池片表面图像中非主栅线特征(如太阳能电池片底色、细栅线、缺陷等)对应的灰度值,将灰度值均值较小的类别记为非主栅线类别。
将太阳能电池片表面图像中所有像素点进行判断,若像素点的灰度值属于非主栅线类别,则将像素点作为第一像素点,若像素点的灰度值属于主栅线类别,则将像素点作为第二像素点。第二像素点即为主栅线像素点。
需要说明的是,为了避免主栅线影响后续的缺陷检测,在获取太阳能电池片表面图像中每个窗口的灰度波动程度时,需要忽略主栅线像素点,但为了避免获取的灰度波动程度无意义,需要使得每个窗口的宽度大于主栅线的宽度,使得每个窗口都包含第一像素点。
在本发明实施例中,若一个第二像素点位于另一个第二像素点的八邻域内,则此两个第二像素点连通,将连通的所有第二像素点构成一个连通域,如此得到多个连通域。获取包含第二像素点个数最多的连通域作为目标连通域,对目标连通域进行骨架提取,过骨架上一个像素点作骨架的垂线,获取垂线与目标连通域的边缘的两个交点,将两个交点之间的欧式距离作为主栅线的一个宽度。同理,过骨架上每个像素点作骨架的垂线,根据所有垂线得到主栅线的所有宽度。将所有宽度中的最大值作为主栅线的最大宽度,记为。
以太阳能电池片表面图像中每个像素点为中心建立大小的窗口,根据每个窗口中的第一像素点获取每个窗口的灰度波动程度:
其中,为第/>个窗口的灰度波动程度;/>为第/>个窗口的第k个第一像素点的灰度值;/>为第/>个窗口的所有第一像素点的灰度值的均值;/>为第/>个窗口中第一像素点的个数;/>为第/>个窗口的所有第一像素点的灰度值的方差,当窗口内第一像素点的灰度值差异越小,方差越小,该窗口的灰度波动程度就越小;反之,当窗口内第一像素点的灰度值差异越大,方差越大,该窗口的灰度波动程度就越大。
至此,获取了太阳能电池片表面图像中每个窗口的灰度波动程度。
S003.根据每个窗口的灰度波动程度对太阳能电池片表面图像进行分割,获取参考区域。
需要说明的是,当窗口的灰度波动程度非常大时,说明窗口处于灰度值相差较大的两个区域的分界处,因此可结合窗口的灰度波动程度将太阳能电池片表面图像分割成多个灰度区域。
在本发明实施例中,预设一个阈值,记为预设第一阈值,当窗口的灰度波动程度大于预设第一阈值时,将该窗口的中心像素点作为分界点。对每个窗口的灰度波动程度进行判断,获取所有分界点。将每个分界点与其距离最近的两个分界点相连,得到多条分界线,分界线将太阳能电池片表面图像分割成了多个区域。在本发明实施例中,预设第一阈值,在其他实施例中,实施人员可根据实际实施情况设置预设第一阈值。
需要说明的是,通过分界点将太阳能电池片表面图像分割成了多个区域,区域之间的灰度相差较大。单个区域可能为正常清晰的区域、整体较亮的区域、整体较暗的区域或在光照影响下灰度存在渐变特征的区域。此时需要将正常清晰的区域筛选出来作为参考区域,对其他区域进行增强。每个区域都包含太阳能电池板的背景、细栅线,太阳能电池板的背景较暗,细栅线较亮,若区域中存在缺陷,缺陷也较亮,与细栅线的灰度较为相似。正常清晰的区域中背景与细栅线或缺陷之间的对比较为明显,因此可根据每个区域中第一像素点对应的灰度直方图中的灰度分布特征来获取正常清晰的区域作为参考区域。
在本发明实施例中,根据每个区域中所有第一像素点的灰度值绘制每个区域的灰度直方图,利用EM算法对每个区域的灰度直方图进行混合高斯模型拟合,拟合的子高斯模型的个数k=2,得到每个区域的混合高斯模型。
根据每个区域的混合高斯模型获取每个区域的参考度:
其中为第/>个区域的参考度;/>为第/>个区域的混合高斯模型中第1个子高斯模型的均值参数;/>为第/>个区域的混合高斯模型中第2个子高斯模型的均值参数;/>为第/>个区域的混合高斯模型中第1个子高斯模型的方差参数;/>为第/>个区域的混合高斯模型中第2个子高斯模型的方差参数;/>为绝对值符号;当第/>个区域的混合高斯模型中两个子高斯模型的均值参数差异越大,说明第/>个区域中背景和细栅线或缺陷的灰度分布对比明显,此时第/>个区域受到的光照影响程度越小,第/>个区域越能作为参考区域,其参考度越大;当第/>个区域的混合高斯模型中每个子高斯模型的方差参数均较小时,说明第/>个区域中背景内部的灰度分布波动小,噪声少,细栅线或缺陷内部灰度分布波动小,噪声少,此时第/>个区域越能作为参考区域,其参考度越大。
将参考度最大的区域作为参考区域。将其余区域作为待增强区域。
至此,完成了太阳能电池片表面图像的分割,获取了多个待增强区域以及一个参考区域。需要说明的是,本发明实施例根据每个区域的混合高斯模型筛选出噪声分布少,背景和细栅线或缺陷对比明显(即光照影响程度小)的区域作为参考区域,以便后续根据参考区域对其他区域进行增强,使得其他区域中背景和细栅线以及缺陷的对比度增强,使得缺陷更加明显。
S004.获取第一光照区域以及第二光照区域,根据参考区域对第一光照区域以及第二光照区域进行增强,得到增强图像。
需要说明的是,待增强区域可能为整体较亮的区域、整体较暗的区域或在光照影响下灰度存在渐变特征的区域。整体较亮的区域以及整体较暗的区域中所有局部区域的灰度波动与整体的灰度波动一致,灰度渐变的区域中整体的灰度波动相较于局部的灰度波动较大。因此可结合每个待增强区域中的整体灰度波动以及局部的灰度波动对待增强区域进行分类,以便后续针对每种类型的区域进行不同的增强。
在本发明实施例中,利用步骤S002中的方法根据每个待增强区域中的第一像素点获取每个待增强区域的灰度波动程度。每个待增强区域包含多个像素点,每个像素点都对应一个窗口,即每个待增强区域包含多个窗口,根据每个待增强区域的灰度波动程度以及包含的窗口的灰度波动程度获取每个待增强区域的光照影响因子:
其中为第/>个待增强区域的光照影响因子;/>为第/>个待增强区域的灰度波动程度;/>为第/>个待增强区域包含的第/>个窗口的灰度波动程度;/>为第/>个待增强区域包含的窗口的个数;/>为绝对值符号;/>为双曲正切函数,由于/>,因此/>用于对/>进行归一化;/>为超参数,用来防止结果衡趋近于0,在本发明实施例中/>;/>为第/>个待增强区域的灰度波动程度与其包含的所有窗口的平均灰度波动程度的差异,当差异越小,说明第/>个待增强区域中的整体灰度分布与每个窗口的灰度分布一致,第/>个待增强区域相对于参考区域可能整体偏暗或整体偏亮,此时第/>个待增强区域的光照影响因子较小;反之当差异越大,说明第/>个待增强区域中的整体灰度分布与单个窗口的灰度分布不太一致,第/>个待增强区域可能为受光照影响产生灰度渐变的区域,由于灰度变化较慢,在单个窗口中,灰度波动程度较小,当在整个待增强区域中灰度波动程度较大,此时第/>个待增强区域的光照影响因子较大。
预设一个阈值,记为预设第二阈值,当待增强区域的光照影响因子小于或等于预设第二阈值/>时,将待增强器区域作为第一光照区域。当待增强区域的光照影响因子大于预设第二阈值/>时,将待增强器区域作为第二光照区域。在本发明实施例中,预设第二阈值/>,在其他实施例中,实施人员可根据实际实施情况设置预设第二阈值。
需要说明的是,第一光照区域相对于参考区域整体偏暗或整体偏亮,导致第一光照区域中背景和细栅线以及缺陷之间的对比不明显,此时可根据参考区域对第一光照区域进行增强。
在本发明实施例中,以参考区域的灰度直方图为规定的直方图,对第一光照区域的灰度直方图进行直方图规定化,得到规定化后区域图像,记为第一光照区域的增强图像。该增强图像消除了第一光照区域中偏暗或偏亮的特征,使得背景和细栅线以及缺陷之间的对比变得明显,便于后续进行缺陷的识别。
需要说明的是,第二光照区域受光照影响,区域内部产生灰度渐变,第二光照区域内较暗的部分的细栅线或缺陷可能和较亮部分的背景的灰度较为一致,使得缺陷难以识别。但在第二光照区域的局部,背景和细栅线或缺陷的灰度存在差异,因此可结合第二光照区域的局部灰度变化信息,获取每个第一像素点的显著性,根据显著性绘制显著性直方图,通过参考区域的灰度直方图对显著性直方图进行增强,从而消除第二光照区域的光照造成的灰度渐变,使得第二光照区域中背景与细栅线或缺陷的整体对比度增强。
在本发明实施例中,对第二光照区域中每个窗口内所有第一像素点的灰度值进行聚类,将每个窗口内所有第一像素点灰度值分为两类,将灰度值均值较小的类别记为第一类别,将灰度值均值较大的类别记为第二类别。第一类别即为该窗口内背景的灰度值,第二类别即为该窗口内细栅线以及缺陷的灰度值。
获取第二光照区域中每个第一像素点的显著性:
其中为第/>个第二光照区域中第/>个第一像素点的显著性;/>为第/>个第二光照区域中第/>个第一像素点的灰度值;/>为第/>个第二光照区域中第/>个第一像素点的窗口的第一类别中所有灰度值的均值;/>为第/>个第二光照区域中第/>个第一像素点的窗口的第一类别中所有灰度值构成的集合;/>为第/>个第二光照区域中第/>个第一像素点的窗口的第二类别中所有灰度值构成的集合;/>为最大值函数,/>表示获取第二类别/>中的最大灰度值;/>为最小值函数,/>表示获取第一类别中的最小灰度值;当第一像素点的灰度值越大,第一像素点的显著性越大,该第一像素点越可能为细栅线或缺陷,反之,当第一像素点的灰度值越小,第一像素点的显著性越小,该第一像素点越可能为背景。
需要说明的是,第二光照区域受光照影响,区域内部产生灰度渐变,第二光照区域内较暗的部分的细栅线或缺陷可能和较亮部分的背景的灰度较为一致,使得缺陷难以识别,但无论是第二光照区域内较暗的部分,还是较亮的部分,为背景的第一像素点的显著性都较小,为细栅线或缺陷的第一像素点的显著性都较大。此时利用显著性即可一定程度上区分背景和细栅线以及缺陷。但由于显著性的取值范围较小,较大的显著性和较小的显著性之间的差异较小,此时利用显著性作为第一像素点的灰度值使得第二光照区域中背景和细栅线或缺陷的对比不明显,还需要根据参考区域进行增强。
在本发明实施例中,将第二光照区域中所有第一像素点的显著性映射到[0,255]范围内,将映射后的值作为第一像素点的更新灰度值,根据每个第二光照区域中所有第一像素点的更新灰度值绘制每个第二光照区域的更新灰度直方图。以参考区域的灰度直方图为规定的直方图,对第二光照区域的更新灰度直方图进行直方图规定化,得到规定化后区域图像,记为第二光照区域的增强图像。
至此,获取了每个第一光照区域的增强图像以及每个第二光照区域的增强图像。将所有第一光照区域的增强图像、第二光照区域的增强图像以及参考区域构成一个完整的增强图像。
至此,实现了对第一光照区域以及第二光照区域的增强,得到增强图像。
S005.根据增强图像识别太阳能电池片表面缺陷。
本发明实施例利用语义分割网络识别太阳能电池片表面缺陷,网络的具体内容如下:
语义分割网络的输入为增强图像,输出为缺陷区域图像;网络使用的数据集为太阳能电池片的增强图像数据集;需要分割的超像素为2类,对应位置的超像素块属于缺陷区域的标记为1,非缺陷区域标记为0;网络使用的loss函数为交叉熵损失函数。
需要说明的是,增强图像为消除了光照影响的图像,图像中背景、细栅线以及缺陷之间的对比度明显,利用语义分割网络对增强图像处理相较于对存在光照影响的太阳能电池片表面图像进行处理,计算量少,网络收敛速度快,得到的缺陷区域更加准确。
通过以上步骤,完成了太阳能电池片表面缺陷的检测。
本发明实施例根据太阳能电池片表面图像每个窗口的灰度波动程度将太阳能电池片表面图像划分为多个区域,每个区域的灰度分布特征不同,后续对每个区域单独进行增强,增强效果更好;本发明根据每个区域的混合高斯模型筛选出噪声分布少,背景和细栅线或缺陷对比明显的区域作为参考区域,根据参考区域对其他区域进行增强,使得其他区域中背景和细栅线以及缺陷的对比度增强,使得缺陷更加明显;本发明根据每个待增强区域的灰度波动程度与包含的窗口的灰度波动程度获取每个待增强区域的光照影响因子,从而将待增强器区域分为第一光照区域和第二光照区域,对第一光照区域和第二光照区域采用不同的增强方法,增强效果更好;本发明通过计算第二光照区域中每个第一像素点的显著性,利用显著性获取每个第一像素点的更新灰度值,根据更新灰度值构建更新灰度直方图进行增强,消除了第二光照区域的光照造成的灰度渐变,使得第二光照区域中背景与细栅线或缺陷的整体对比度增强,最终得到的增强图像中背景与细栅线或缺陷对比明显,根据增强图像识别的太阳能电池片表面缺陷更加准确。
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 (6)
1.一种太阳能电池片的表面缺陷检测方法,其特征在于,该方法包括以下步骤:
采集太阳能电池片表面图像;将太阳能电池片表面图像中所有像素点分为第一像素点和第二像素点;根据所有第二像素点获取主栅线的最大宽度;根据主栅线的最大宽度以太阳能电池片表面图像中每个像素点为中心建立窗口,根据每个窗口中的第一像素点获取每个窗口的灰度波动程度;根据每个窗口的灰度波动程度将太阳能电池片表面图像分割成多个区域;
根据每个区域中所有第一像素点的灰度值绘制每个区域的灰度直方图,对每个区域的灰度直方图进行混合高斯模型拟合,得到每个区域的混合高斯模型;根据每个区域的混合高斯模型获取每个区域的参考度;将参考度最大的区域作为参考区域,将其余区域作为待增强区域;
根据每个待增强区域中的第一像素点获取每个待增强区域的灰度波动程度;根据每个待增强区域的灰度波动程度以及包含的窗口的灰度波动程度获取每个待增强区域的光照影响因子;根据光照影响因子将所有待增强区域分为第一光照区域以及第二光照区域;
获取每个第二光照区域中每个第一像素点的显著性;根据每个第二光照区域中所有第一像素点的显著性得到每个第二光照区域的更新灰度直方图;
根据参考区域、每个第一光照区域的灰度直方图以及每个第二光照区域的更新灰度直方图获取增强图像;根据增强图像识别太阳能电池片表面缺陷;
所述将太阳能电池片表面图像中所有像素点分为第一像素点和第二像素点,包括的具体步骤如下:
对太阳能电池片表面图像中所有像素点的灰度值进行聚类,将所有灰度值分为两类;将灰度值均值最大的类别记为主栅线类别,将灰度值均值最小的类别记为非主栅线类别;
若像素点的灰度值属于非主栅线类别,将像素点作为第一像素点;若像素点的灰度值属于主栅线类别,将像素点作为第二像素点;
所述根据每个区域的混合高斯模型获取每个区域的参考度,包括的具体步骤如下:
获取每个区域的参考度:
其中为第/>个区域的参考度;/>为第/>个区域的混合高斯模型中第1个子高斯模型的均值参数;/>为第/>个区域的混合高斯模型中第2个子高斯模型的均值参数;/>为第/>个区域的混合高斯模型中第1个子高斯模型的方差参数;/>为第/>个区域的混合高斯模型中第2个子高斯模型的方差参数;/>为绝对值符号;
所述根据每个待增强区域的灰度波动程度以及包含的窗口的灰度波动程度获取每个待增强区域的光照影响因子,包括的具体步骤如下:
获取每个待增强区域的光照影响因子:
其中为第/>个待增强区域的光照影响因子;/>为第/>个待增强区域的灰度波动程度;为第/>个待增强区域包含的第/>个窗口的灰度波动程度;/>为第/>个待增强区域包含的窗口的个数;/>为绝对值符号;/>为双曲正切函数;/>为超参数;
所述获取每个第二光照区域中每个第一像素点的显著性,包括的具体步骤如下:
对第二光照区域中每个窗口内所有第一像素点的灰度值进行聚类,将每个窗口内所有第一像素点灰度值分为两类,将灰度值均值最小的类别记为第一类别,将灰度值均值最大的类别记为第二类别;
获取第二光照区域中每个第一像素点的显著性:
其中为第/>个第二光照区域中第/>个第一像素点的显著性;/>为第/>个第二光照区域中第/>个第一像素点的灰度值;/>为第/>个第二光照区域中第/>个第一像素点的窗口的第一类别中所有灰度值的均值;/>为第/>个第二光照区域中第/>个第一像素点的窗口的第一类别中所有灰度值构成的集合;/>为第/>个第二光照区域中第/>个第一像素点的窗口的第二类别中所有灰度值构成的集合;/>为最大值函数;/>为最小值函数。
2.根据权利要求1所述的一种太阳能电池片的表面缺陷检测方法,其特征在于,所述根据所有第二像素点获取主栅线的最大宽度,包括的具体步骤如下:
将连通的所有第二像素点构成一个连通域,得到多个连通域;获取包含第二像素点个数最多的连通域作为目标连通域,对目标连通域进行骨架提取,过骨架上每个像素点作骨架的垂线,获取每条垂线与目标连通域的边缘的两个交点,将一条垂线对应的两个交点之间的欧式距离作为主栅线的一个宽度,获取主栅线的所有宽度;将所有宽度中的最大值作为主栅线的最大宽度。
3.根据权利要求1所述的一种太阳能电池片的表面缺陷检测方法,其特征在于,所述根据每个窗口中的第一像素点获取每个窗口的灰度波动程度,包括的具体步骤如下:
将每个窗口中所有第一像素点的灰度值的方差作为每个窗口的灰度波动程度。
4.根据权利要求1所述的一种太阳能电池片的表面缺陷检测方法,其特征在于,所述根据每个窗口的灰度波动程度将太阳能电池片表面图像分割成多个区域,包括的具体步骤如下:
当窗口的灰度波动程度大于预设第一阈值时,将窗口的中心像素点作为分界点,获取所有分界点;将每个分界点与距离最近的两个分界点相连,得到多条分界线,通过分界线将太阳能电池片表面图像分割成多个区域。
5.根据权利要求1所述的一种太阳能电池片的表面缺陷检测方法,其特征在于,所述根据每个第二光照区域中所有第一像素点的显著性得到每个第二光照区域的更新灰度直方图,包括的具体步骤如下:
将第二光照区域中所有第一像素点的显著性映射到[0,255]范围内,将映射后的值作为第一像素点的更新灰度值,根据每个第二光照区域中所有第一像素点的更新灰度值绘制每个第二光照区域的更新灰度直方图。
6.根据权利要求1所述的一种太阳能电池片的表面缺陷检测方法,其特征在于,所述根据参考区域、每个第一光照区域的灰度直方图以及每个第二光照区域的更新灰度直方图获取增强图像,包括的具体步骤如下:
以参考区域的灰度直方图为规定的直方图,分别对每个第一光照区域的灰度直方图以及每个第二光照区域的更新灰度直方图进行直方图规定化,得到每个第一光照区域的增强图像和每个第二光照区域的增强图像;
将所有第一光照区域的增强图像、第二光照区域的增强图像以及参考区域构成一个完整的增强图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705588.XA CN116485785B (zh) | 2023-06-15 | 2023-06-15 | 一种太阳能电池片的表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705588.XA CN116485785B (zh) | 2023-06-15 | 2023-06-15 | 一种太阳能电池片的表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485785A CN116485785A (zh) | 2023-07-25 |
CN116485785B true CN116485785B (zh) | 2023-08-18 |
Family
ID=87223524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310705588.XA Active CN116485785B (zh) | 2023-06-15 | 2023-06-15 | 一种太阳能电池片的表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485785B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977329B (zh) * | 2023-09-21 | 2023-12-08 | 江苏惠汕新能源集团有限公司 | 一种基于机器视觉的光伏板栅线检测方法 |
CN117219248B (zh) * | 2023-11-09 | 2024-02-23 | 南通林德安全设备科技有限公司 | 一种用于消毒供应室的医疗器械管理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109084957A (zh) * | 2018-08-31 | 2018-12-25 | 华南理工大学 | 光伏太阳能晶硅电池片的缺陷检测和颜色分选方法及其系统 |
CN115049645A (zh) * | 2022-08-12 | 2022-09-13 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2015283079A1 (en) * | 2014-06-30 | 2016-11-24 | Ventana Medical Systems, Inc. | Detecting edges of a nucleus using image analysis |
-
2023
- 2023-06-15 CN CN202310705588.XA patent/CN116485785B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109084957A (zh) * | 2018-08-31 | 2018-12-25 | 华南理工大学 | 光伏太阳能晶硅电池片的缺陷检测和颜色分选方法及其系统 |
CN115049645A (zh) * | 2022-08-12 | 2022-09-13 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN116485785A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116485785B (zh) | 一种太阳能电池片的表面缺陷检测方法 | |
US10565479B1 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
CN108876743B (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
CN106846316A (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
CN110675368B (zh) | 一种融合图像分割与分类的细胞图像语义分割方法 | |
CN109376792A (zh) | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 | |
CN108765336A (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
CN109858480A (zh) | 一种数字式仪表识别方法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
CN113505865B (zh) | 一种基于卷积神经网络的片材表面缺陷图像识别处理方法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN115082744B (zh) | 一种基于人工智能的太阳能集热效率分析方法及系统 | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN113160222A (zh) | 一种针对工业信息图像的生产数据识别方法 | |
CN106373096A (zh) | 一种多特征权值自适应的阴影消除方法 | |
CN111553898A (zh) | 一种基于卷积神经网络的面料疵点检测方法 | |
CN113470041B (zh) | 免疫组化细胞图像细胞核分割与计数方法和系统 | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN112541966A (zh) | 一种基于重建和生成网络的人脸替换方法 | |
CN115601747A (zh) | 一种贴壁细胞汇合度的计算方法和系统 | |
CN115423802A (zh) | 基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法 | |
CN114092441A (zh) | 一种基于双重神经网络的产品表面缺陷检测方法及系统 | |
CN110717960B (zh) | 一种建筑垃圾遥感图像样本的生成方法 |
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 |