CN116563275B - 一种晶硅电池内部缺陷检测方法 - Google Patents
一种晶硅电池内部缺陷检测方法 Download PDFInfo
- Publication number
- CN116563275B CN116563275B CN202310812986.1A CN202310812986A CN116563275B CN 116563275 B CN116563275 B CN 116563275B CN 202310812986 A CN202310812986 A CN 202310812986A CN 116563275 B CN116563275 B CN 116563275B
- Authority
- CN
- China
- Prior art keywords
- image
- bit layer
- radius
- layer image
- density
- 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 113
- 238000000034 method Methods 0.000 title claims abstract description 71
- 229910021419 crystalline silicon Inorganic materials 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 238000007621 cluster analysis Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 68
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000000428 dust Substances 0.000 description 70
- 230000000694 effects Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 6
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 4
- 239000013078 crystal Substances 0.000 description 4
- 238000005401 electroluminescence Methods 0.000 description 4
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 4
- 229910052710 silicon Inorganic materials 0.000 description 4
- 239000010703 silicon Substances 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000002503 electroluminescence detection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
- G01N21/9505—Wafer internal defects, e.g. microcracks
-
- 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
- G06T7/0002—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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种晶硅电池内部缺陷检测方法,该方法首先根据晶硅电池内部灰度图像中的灰度值分布得到异常像素点,对内部灰度图像对应比特层图像中参考像素点密度进行分析,得到特征比特层图像,根据特征比特层图像中的参考像素点的位置和内部灰度图像中异常像素点的密度得到最优搜索半径,根据特征比特层图像中的参考像素点的分布得到最优最少点数目,根据最优搜索半径和最优最少点数目进行聚类分析得到噪声点,对消除噪声点的去噪后内部灰度图像进行缺陷检测,得到对应的缺陷区域。本发明通过内部灰度图像进行缺陷检测对应的在保证适应性的同时,对应的检测准确度更高。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种晶硅电池内部缺陷检测方法。
背景技术
晶硅电池即晶体硅太阳能电池,尤其是单晶硅太阳能电池,其太阳能转换效率较高且技术较为成熟,因此在太阳能光电利用领域应用较为广泛。但是单晶硅太阳能电池在生产制造过程中可能会由于不可抗力等外界因素影响,导致出现一些内部缺陷,例如晶界缺陷、结构缺陷和化学缺陷等,大多数的缺陷比较明显,对应的缺陷检测难度较小。但是可能会存在一些潜在缺陷,例如单晶硅太阳能的内部隐裂,即电池片内部存在无法直接观测到的裂纹和微小缺陷。所以通常采用电致发光检测技术对电池片内部隐裂缺陷进行检测,但是单晶硅内部通常存在微尘等漂浮缺陷,对应的微尘等漂浮缺陷会产生动态噪声,可能对电池片内部隐裂缺陷的检测精度产生影响。
现有技术通常根据微尘等漂浮缺陷的灰度特征和集中分布特征,通过DBSCAN聚类算法筛选出微尘等漂浮缺陷对应的噪声点,但是DBSCAN聚类算法需要设置先验参数,不同的先验参数对微尘等漂浮缺陷检测的准确度不同,因此不具有适应性。且选取固定的先验参数可能会使得一些实施场景下微尘等漂浮缺陷的检测准确度较低,造成对微尘等漂浮缺陷的去噪效果较差,进一步降低对晶硅电池内部缺陷检测的准确度。所以在对不同场景下的晶硅电池进行内部缺陷检测时,现有技术不具有适应性,且检测准确度较低。
发明内容
为了解决在对不同场景下的晶硅电池进行内部缺陷检测时,现有的晶硅电池内部缺陷检测方法的准确度较低的技术问题,本发明的目的在于提供一种晶硅电池内部缺陷检测方法,所采用的技术方案具体如下:
本发明提出了一种晶硅电池内部缺陷检测方法,所述方法包括:
获取晶硅电池的内部灰度图像;
获取所述内部灰度图像对应的各个比特层图像;将所有比特层图像中灰度值为0的像素点作为参考像素点;根据比特层图像之间参考像素点密度变化的趋势差异筛选出特征比特层图像;根据特征比特层图像中参考像素点的位置分布特征,得到上限搜索半径;根据所述上限搜索半径,以及内部灰度图像中异常像素点的局部密度差异分布情况,得到下限搜索半径;
根据所述上限搜索半径和所述下限搜索半径得到最优搜索半径;根据特征比特层图像中每个参考像素点对应最优搜索半径内的参考像素点数量分布情况,得到最优最少点数目;根据所述最优搜索半径和所述最优最少点数目,对特征比特层图像的参考像素点进行DBSCAN聚类分析,得到特征比特层图像的参考像素点中的噪声点;
根据所述噪声点对所述内部灰度图像进行去噪,得到去噪后内部灰度图像;对所述去噪后内部灰度图像进行缺陷检测,得到晶硅电池内部的缺陷区域。
进一步地,所述特征比特层图像的获取方法包括:
通过预设边长大小的滑窗遍历每个比特层图像,得到所有比特层图像中每个位置处的滑窗;将所有位置处的滑窗以蛇形排列,得到滑窗位置序列;计算每个位置处的滑窗在每个比特层图像中的参考像素点密度;
将最高比特层图像外的其他每个比特层图像作为对比比特层图像;根据最高比特层图像与每个对比比特层图像之间相邻滑窗位置处的参考像素点密度变化的趋势差异,得到密度变化趋势差异值计算模型,通过所述密度变化趋势差异值计算模型得到每个对比比特层图像对应的密度变化趋势差异值;
将所述密度变化趋势差异值以对应对比比特层图像的比特层阶数从大到小的顺序,构建对应的密度变化趋势差异拟合曲线,将所述密度变化趋势差异拟合曲线中最大拐点处的下一个密度变化趋势差异值对应的比特层图像,作为特征比特层图像。
进一步地,所述密度变化趋势差异值计算模型包括:
其中,表示第/>个对比比特层图像对应的密度变化趋势差异值,/>表示第/>个对比比特层图像,/>表示最高比特层图像,/>为滑窗位置序列中元素的数量,表示最高比特层图像在滑窗位置序列中第/>个滑窗位置处的滑窗对应的参考像素点密度,/>表示最高比特层图像在滑窗位置序列中第/>个滑窗位置处的滑窗对应的参考像素点密度,/>表示最高比特层图像对应所有参考像素点密度的最大值,/>表示最高比特层图像对应所有参考像素点密度的最小值,/>表示第/>个对比比特层图像在滑窗位置序列中第/>个滑窗位置处的滑窗对应的参考像素点密度,/>表示第/>个对比比特层图像在滑窗位置序列中第/>个滑窗位置处的滑窗对应的参考像素点密度,/>表示第/>个对比比特层图像对应所有参考像素点密度的最大值,/>表示第/>个对比比特层图像对应所有参考像素点密度的最小值。
进一步地,所述上限搜索半径的获取方法包括:
将所述特征比特层图像中的参考像素点作为特征像素点;在以预设第一搜索半径为上限和以预设第二搜索半径为下限的搜索半径大小范围内,等预设大小的间隔获取至少两个间隔搜索半径;
在所有间隔搜索半径中任选一个间隔搜索半径作为目标间隔搜索半径;以每个特征像素点为中心,计算每个特征像素点的目标间隔搜索半径范围内的特征像素点数量;根据所有特征像素点目标间隔搜索半径范围内的特征像素点数量的方差与目标间隔搜索半径对应长度的和值,得到目标间隔搜索半径对应的局部密度差异特征值;
将各迭代搜索半径对应的局部密度差异特征值中的最小值对应的间隔搜索半径,作为上限搜索半径。
进一步地,所述下限搜索半径的获取方法包括:
将上限搜索半径外的其他间隔搜索半径作为参考搜索半径,计算所述内部灰度图像中的异常像素点密度,根据内部灰度图像中的异常像素点密度与每个参考搜索半径作为半径所形成的圆的面积的乘积,得到每个参考搜索半径对应的最少点数目;根据每个参考搜索半径和对应的最少点数目通过DBSCAN算法对内部灰度图像中的异常像素点进行聚类分析,得到每个参考搜索半径对应的聚类集合数量;
以每个参考搜索半径对应长度从小到大为序,根据每个参考搜索半径对应聚类集合数量进行曲线拟合,得到聚类集合数量曲线;在所述聚类集合数量曲线上将所有参考搜索半径对应斜率的绝对值的最小值,作为参考斜率值;当参考斜率值对应一个参考搜索半径时,将参考斜率值对应的参考搜索半径作为下限搜索半径;当参考斜率值对应多个参考搜索半径,将长度最小的参考搜索半径作为下限搜索半径。
进一步地,所述最优最少点数目的获取方法包括:
在所述特征比特层图像中,将所有参考像素点的最优搜索半径范围内参考像素点数量的均值,作为最优最少点数目。
进一步地,所述去噪后内部灰度图像的获取方法包括:
将特征比特层图像中的噪声点对应的位置映射到内部灰度图像中,得到内部灰度图像中每个噪声点对应的像素点;在内部灰度图像将所有噪声点对应的像素点进行均值滤波处理,得到去噪后内部灰度图像。
进一步地,所述最优搜索半径的获取方法包括:
根据预设权重,对上限搜索半径和下限搜索半径进行加权求和,得到最优搜索半径。
进一步地,所述异常像素点的获取方法包括:
根据所述内部灰度图像中像素点的灰度值通过最大类间方差法,得到分割阈值;将内部灰度图像中灰度值小于所述分割阈值的像素点作为异常像素点。
本发明具有如下有益效果:
考虑到晶硅电池内部中微尘等漂浮缺陷分布较少时,几乎不会对晶硅电池进行内部缺陷检测产生影响,因此不具有动态噪声的特征,并且当晶硅电池内部中微尘等漂浮缺陷分布较为集中时,对应的微尘等漂浮缺陷对应的集中分布区域本身即为一种缺陷,需要采用特定的缺陷检测方法进行处理,所以也不具有动态噪声的特征;因此存在动态噪声特征以至于对晶硅电池内部检测产生影响的微尘等漂浮缺陷分布较为离散且数量较多,根据该特点,本发明实施例根据微尘等漂浮缺陷的灰度值信息,通过比特图像分层法对不同比特层图像中参考像素点的分布进行分析,得到既能包含足够的图像信息且微尘等漂浮缺陷信息完整的特征比特层图像,使得后续根据特征比特层图像对微尘等漂浮缺陷的检测准确度更高,对应的去噪效果更好。并且根据特征图像和内部灰度图像中的像素点分布情况进行分析,得到自适应的最优搜索半径和最优最少点数目,进一步根据最优搜索半径和最优最少点数目通过DBSCAN算法进行聚类分析,得到噪声点即准确的微尘等漂浮缺陷信息,进一步对噪声点进行去噪处理,使得对晶硅电池内部灰度图像中微尘等漂浮信息像素点的检测具有适应性,对应去噪效果更好,即晶硅电池内部缺陷检测的准确度更高。综上所述,本发明通过内部灰度图像进行缺陷检测对应的在保证适应性的同时,对应的检测准确度更高。
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为本发明一个实施例所提供的一种晶硅电池内部缺陷检测方法流程图。
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晶硅电池内部缺陷检测方法,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晶硅电池内部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晶硅电池内部缺陷检测方法流程图,该方法包括:
步骤S1:获取晶硅电池的内部灰度图像。
本发明旨在提供一种晶硅电池内部缺陷检测方法,用于当晶硅电池内部中出现影响内部缺陷检测的微尘等漂浮缺陷时,通过图像处理的方法根据微尘等漂浮缺陷在晶硅电池内部图像中的特征,对微尘等漂浮缺陷对应动态噪声进行去除,使得对去噪后图像进行缺陷检测的准确度更高。所以首先需要获取图像处理的对象即晶硅电池内部图像。
本发明实施例首先获取晶硅电池的内部灰度图像。具体的,本发明实施例通过电致发光(Electroluminescence,EL)检测技术在晶硅电池片两端加上外部电场来激发电池内部的辐射复合,从而使得电池片的内部缺陷如隐裂缺陷产生可见光信号,进一步通过图像采集设备将捕获光信号得到晶硅电池内部的可见光图像,考虑到本发明实施例根据可见光图像中各个像素点的灰度进行分析,因此将晶硅电池内部的可见光图像进行灰度化,得到晶硅电池的内部灰度图像。在本发明实施例中,通过太阳能电池电致发光EL缺陷检测仪采集晶硅电池内部的可见光图像。需要说明的是,实施者可根据具体实施环境采用其他方法获取晶硅电池内部的可见光图像,且灰度化为本领域技术人员所熟知的现有技术,在此不做进一步赘述。
步骤S2:获取内部灰度图像对应的各个比特层图像;将所有比特层图像中灰度值为0的像素点作为参考像素点;根据比特层图像之间参考像素点密度变化的趋势差异筛选出特征比特层图像;根据特征比特层图像中参考像素点的位置分布特征,得到上限搜索半径;根据上限搜索半径,以及内部灰度图像中异常像素点的局部密度差异分布情况,得到下限搜索半径。
由于晶硅电池内部在通过EL检测时,背景亮度较高,使得任意缺陷区域的亮度均偏低,所以可根据内部灰度图像中像素点的灰度值,筛选出所有缺陷对应的异常像素点,任意缺陷区域包括晶硅电池内部缺陷和微尘等漂浮缺陷。本发明实施例根据内部灰度图像中像素点的灰度值分布差异情况得到异常像素点。异常像素点即晶硅电池内部所有缺陷对应的像素点,其中包括了内部缺陷的像素点和微尘等漂浮缺陷对应的像素点,由于本发明实施例目的在于减少微尘等漂浮缺陷产生的动态噪声对内部缺陷检测的影响,所以需要对微尘等漂浮缺陷对应的像素点进行去噪处理。
考虑到本发明实施例的目的并不是消除所有的微尘等漂浮缺陷,当微尘等漂浮缺陷聚集分布时,会使得局部电阻增大,导致电池发热,也属于一种缺陷,需要特定的缺陷检测方法进行检测,不会对晶硅电池内部其他缺陷检测产生影响,所以需要将聚集分布的微尘等漂浮缺陷保留。而较为离散、稀疏的微尘等漂浮缺陷类似于噪声且广泛分布,会对晶硅电池内部进行缺陷检测造成影响,因此需要将较为稀疏的微尘等漂浮缺陷对应的微尘噪点进行去除。由于聚集和稀疏属于密度特征,因此本发明实施例的检测原理是基于密度的聚类算法即DBSCAN算法进行微尘噪点的去除。
而DBSCAN算法聚类效果的好坏决定了微尘噪点检测的准确性,所以为了尽可能的减小微尘噪点对晶硅电池内部缺陷检测的影响,需要提高DBSCAN算法的聚类效果。但是DBSCAN算法的聚类效果完全取决于两个先验参数的选取,即搜索半径和最少点数目,设置不同的先验参数会导致聚类效果存在较大的偏差。考虑到固定的搜索半径和最少点数目在不同的实施环境下对应的聚类效果不同,所以为了使得DBSCAN算法具有更好的适用性,本发明实施例对内部灰度图像进行分析,得到不同实施环境下对应内部灰度图像的最优搜索半径和最优最少点数目,使得DBSCAN算法的聚类效果更好,降低了微尘噪点对晶硅内部缺陷检测的影响程度。
通常情况下,通过DBSCAN聚类算法对图像中离群点进行检测时通常通过间隔搜索半径的方法,自适应获取搜索半径,即以每个数据为中心计算每个近邻点至该数据点的距离,利用k-距离图获取最大拐点,并根据最大拐点得到对应的搜索半径。但是微尘噪点只是在内部灰度图像中分布较为稀疏,但通常是广泛分布的,对应的图像信息较弱,并不具有离群点的特征,所以不会出现明显的拐点。所以需要通过其他方法自适应获取搜索半径。考虑到本发明实施例自适应获取搜索半径的目的是使得稀疏且广泛分布的微尘噪点为噪声点,因此需要保证搜索半径选取后,使得微尘噪点不属于任何聚类集合,而内部灰度图像中的内部缺陷对应的像素点是集中分布的,并且对应的区域通常较大,所以需要对内部缺陷像素点或集中分布的像素点的特征进行削弱,减小对应聚类集合的搜索半径,使得微尘噪点对应的离群点特征和图像信息更加突出。
考虑到灰度图像中每个像素点的灰度值通常由8个比特组成,通过现有的比特图像分层方法将8个比特分离后,能够得到8个比特层图像,且对应比特层图像的有效比特越高,对应的比特层图像对应的图像信息越强。而集中分布且突出的内部缺陷对应的区域的图像信息较强,而稀疏的微尘噪点对应的区域图像信息通常较弱,因此可通过比特图像分层方法对内部灰度图像进行分析,选取合适的比特层图像进行分析以更好的表征微尘噪点。本发明实施例获取内部灰度图像对应的各个比特层图像。在本发明实施例中,将内部灰度图像通过比特图像分层方法分为8个比特层图像,使得每个比特层图像中像素点的灰度值仅存在0和非0两种,方便后续分析。需要说明的是,比特图像分层方法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
考虑到通常情况下由比特图像分层方法所得到的比特层图像中仅包含0和非0两种灰度值的像素点,而组成图像信息对应的像素点的灰度值通常更小,因此可通过比特层图像中灰度值为0的像素点的分布状况表征对应的图像信息。本发明实施例将所有比特层图像中灰度值为0的像素点作为参考像素点。在本发明实施例对应的内部灰度图像中,内部缺陷区域对应像素点的灰度值通常较小,即对应的图像信息较强,因此通常分布在对应有效比特更高的比特层图像中;而微尘噪点通常较为稀疏,且灰度值相对内部缺陷像素点的灰度值更大,所以微尘噪点的图像信息较弱,因此对应比特层图像较为靠前。
虽然选取有效比特更低的比特层图像时,对应的内部缺陷区域的信息量会更少,微尘噪点对应的信息量更多,但是对于有效比特过低的比特层图像来说,其完全丧失了内部灰度图像的图像信息,使得通过DBSCAN聚类算法得到的搜索半径毫无意义,因此需要在所有比特层图像中筛选出既包含足够图像信息且微尘噪点信息量较高的比特层图像。
对于比特层图像而言,有效比特越低时,对应的比特层图像中图像信息越少,对应的灰度值分布越混乱,对应不同区域的参考像素点密度相差越小;而有效比特越高时,对应的比特层图像中图像信息越多,对应的灰度值分布越趋于原图像,考虑到内部灰度图像中灰度值的分布特征,对应不同区域的参考像素点的密度相差较大。所以为了选取既包含足够图像信息且微尘噪点信息量较高的比特层图像,本发明实施例根据比特层图像之间参考像素点密度变化的趋势差异筛选出特征比特层图像。该特征比特层图像即包含足够图像信息且微尘噪点信息量较高的比特层图像。
优选地,特征比特层图像的获取方法包括:
通过预设边长长度的滑窗遍历每个比特层图像,得到所有比特层图像中每个位置处的滑窗;将所有位置处的滑窗以蛇形排列,得到滑窗位置序列;计算每个位置处的滑窗在每个比特层图像中的参考像素点密度。由于比特层图像是根据内部灰度图像分层得到的,所以不同的比特层图像中同一位置处的滑窗所包含的像素点,均为内部灰度图像中同一位置处的滑窗所包含的像素点。并且根据比特层图像的定义,对应的比特层阶数越高,即有效比特越高,对应的图像信息就越多。在本发明实施例中,预设边长长度设置为51,即本发明实施例中的滑窗的尺寸为51×51。需要说明的是,实施者可根据具体实施环境自行调整预设边长长度的大小,且除了通过蛇形排列得到滑窗位置序列外,实施者也可通过其他方法得到滑窗位置序列,但是需要保证滑窗位置序列中相邻元素对应的滑窗相邻,在此不做进一步赘述。
将最高比特层图像外的其他每个比特层图像作为对比比特层图像;根据最高比特层图像与每个对比比特层图像之间相邻滑窗位置处的参考像素点密度变化的趋势差异,得到密度变化趋势差异值计算模型,通过密度变化趋势差异值计算模型得到每个对比比特层图像对应的密度变化趋势差异值。最高比特层图像即图像信息最接近原始内部灰度图像的比特层图像,由于对应的图像信息较强,其对应不同滑窗位置的滑窗之间参考像素点的密度差异较大。而对于各个对比比特图像而言,对应的图像信息相比于最高比特层图像更弱,对应不同滑窗位置的滑窗之间参考像素点的密度差异更小;所以若通过具有顺序的滑窗位置序列中相邻元素之间的滑窗进行对比,则每个比特层图像对应每个相邻滑窗之间的参考像素点密度存在对应的变化,且最高比特层图像和对比比特层图像对应的密度变化的趋势存在明显的差异。对应的密度变化趋势差异值越大,对应的比对比特层图像的图像信息越少,对应的微尘噪点的信息量越高。
优选地,密度变化趋势差异值计算模型包括:
根据最高比特层图像与每个对比比特层图像之间相邻滑窗位置处的参考像素点密度变化的差异,构建密度变化趋势差异值计算模型,通过密度变化趋势差异值计算模型得到每个对比比特层图像对应的密度变化趋势差异值;密度变化趋势差异值计算模型包括:
其中,表示第/>个对比比特层图像对应的密度变化趋势差异值,/>表示第/>个对比比特层图像,/>表示最高比特层图像,/>为滑窗位置序列中元素的数量,表示最高比特层图像在滑窗位置序列中第/>个滑窗位置处的滑窗对应的参考像素点密度,/>表示最高比特层图像在滑窗位置序列中第/>个滑窗位置处的滑窗对应的参考像素点密度,/>表示最高比特层图像对应所有参考像素点密度的最大值,/>表示最高比特层图像对应所有参考像素点密度的最小值,/>表示第/>个对比比特层图像在滑窗位置序列中第/>个滑窗位置处的滑窗对应的参考像素点密度,/>表示第/>个对比比特层图像在滑窗位置序列中第/>个滑窗位置处的滑窗对应的参考像素点密度,/>表示第/>个对比比特层图像对应所有参考像素点密度的最大值,/>表示第/>个对比比特层图像对应所有参考像素点密度的最小值。
由于密度变化趋势差异值中的密度变化表征的是一种变化,所以本发明实施例通过对相邻滑窗位置对应的滑窗之间的参考像素点密度差异进行曲线拟合,得到表征变化特征较为明显的密度变化曲线,不同的比特层图像对应的参考像素点分布情况不同,因此不同比特层图像对应的密度变化曲线对应的趋势各不相同。由于比特层图像对应的比特层阶数越大时,对应的图像信息越多,越趋近于原始内部灰度图像,微尘噪点的信息量越低,对应的密度变化曲线越剧烈;而比特层阶数越小时,对应的比特层图像的图像信息越少,对应参考像素点的分布越混乱,微尘噪点的信息量越高,对应的密度变化越平缓;并且对应的比特层阶数相差越小,对应的密度变化区域的变化趋势越相近,因此通过最高比特层图像与每个对比比特层图像之间相邻滑窗位置处的参考像素点密度变化的差异,来获取合理的比特层图像,以保证对应微尘噪点的信息量高的同时,存在足够的图像信息。
在密度变化趋势差异值计算模型中,通过相邻滑窗位置的滑窗之间参考像素点的密度差异的变化,来表征本发明实施例中每个比特层图像对应密度变化曲线上的变化,由于不同比特层图像对应的信息含量不同,且并非线性增加,因此通过每个比特层图像中滑窗对应的参考像素点密度的极差,对相邻滑窗位置的滑窗之间参考像素点的密度差异进行归一化,使得后续所计算出的密度变化趋势差异值更加准确。若将每个滑窗位置与其相邻的下一个滑窗位置之间对应的滑窗内的参考像素点的密度差异,作为每个滑窗位置对应的趋势特征值,即在本发明实施例中表示最高比特层图像对应的趋势特征值,表示第/>个对比比特层图像对应的趋势特征值。则本发明实施例中密度变化趋势差异值计算模型的本质即为:计算最高比特层图像和对比比特层图像之间每个滑窗位置对应的趋势特征值之间的均方误差,即/>,均方误差能够反映公式中真实值与样本值之间的误差,并且均方误差对真实值与样本值之间的误差较为敏感,所以将最高比特层图像的趋势特征值作为真实值,将对比比特层图像的趋势特征值作为样本值时,通过计算对应的均方误差,能够将最高比特层图像和对比比特层之间的变化趋势差异放大,使得后续所选取的特征比特层图像更加准确。
进一步根据第个对比比特层图像对应的密度变化趋势差异值的计算公式,计算每个对比比特层图像对应的密度变化趋势差异值。
若将密度变化趋势差异值以对应对比比特层图像的比特层阶数从大到小的顺序排列,则密度变化趋势差异值整体的变化趋势为:随着比特层阶数的减小,对应密度变化趋势差异值越大。本发明实施例将密度变化趋势差异值以对应对比比特层图像的比特层阶数从大到小的顺序,构建对应的密度变化趋势差异拟合曲线。虽然密度变化趋势差异整体随着比特层阶数的减小呈增大趋势,但是增大的速率是不断变化的,比特层阶数较大的几个比特层图像对应的密度变化较为剧烈,对应变化曲线趋势较为相近,而比特层阶数较小的几个比特层图像对应的密度变化较为平滑,对应的变化曲线趋势也较为相近,因此在对应的密度变化趋势差异拟合曲线中一定会存在拐点,并且拐点的位置由图像的整体灰度特征决定。
将密度变化趋势差异拟合曲线中最大拐点处的下一个密度变化趋势差异值对应的比特层图像,作为特征比特层图像。在最大拐点处相邻的两个比特层图像之间对应的差异较大,可以视为含有微尘噪点的信息量高的比特层阶数较低的比特层图像,与含有图像信息较多的比特层阶数较高的比特层图像之间的分界线,对应的密度变化趋势差异值的变化较大。最大拐点即所有拐点在密度变化趋势差异拟合曲线中横坐标最大的点。需要说明的是,通常情况下密度变化趋势差异拟合曲线只会存在一个拐点,选用最大拐点的目的是减小误差,防止出现特殊情况,在此不做进一步赘述。
至此,得到微尘噪点信息几乎完整且图像信息足够的特征比特层图像,所以进一步在特征比特层图像的基础上选取对应的搜索半径。考虑到特征比特层图像中的微尘噪点特征较为突出,所以对特征比特层图像进行分析得到的搜索半径一般较大,而内部灰度图像中图像信息较多,对内部灰度图像进行分析得到的搜索半径较小,所以本发明实施例结合特征比特层图像和内部灰度图像共同进行分析,使得最终得到的搜索半径对应的聚类效果更高。本发明实施例根据特征比特层图像中参考像素点的位置分布特征,得到上限搜索半径。由于根据特征比特层图像进行分析得到的搜索半径一般较大,所以将对应的搜索半径作为最终搜索半径的上限。即适用于本发明实施例的最优搜索半径不得大于或等于该下限搜索半径。
优选地,上限搜索半径的获取方法包括:
将特征比特层图像中的参考像素点作为特征像素点;在以预设第一搜索半径为上限和以预设第二搜索半径为下限的搜索半径大小范围内,等预设大小的间隔获取至少两个间隔搜索半径。在所有间隔搜索半径中任选一个间隔搜索半径作为目标间隔搜索半径;以每个特征像素点为中心,计算每个特征像素点的目标间隔搜索半径范围内的特征像素点数量;根据所有特征像素点目标间隔搜索半径范围内的特征像素点数量的方差与目标间隔搜索半径对应长度的和值,得到目标间隔搜索半径对应的局部密度差异特征值。将各迭代搜索半径对应的局部密度差异特征值中的最小值对应的间隔搜索半径,作为上限搜索半径。在本发明实施例中,预设第一搜索半径设置为100,预设第二搜索半径设置为5,预设大小设置为1,需要说明的是,实施者可根据具体实施环境自行调整预设第一搜索半径、预设第二搜索半径和预设大小,在此不做进一步赘述。
对于每个间隔搜索半径来说,其对应的搜索半径长度是一定的,因此每个特征像素点在每个间隔搜索半径内的特征像素点数量,即为每个特征像素点对应间隔搜索半径范围内的特征像素点密度。对应的每个特征像素点在目标间隔搜索半径范围内的密度差异越小,即每个特征像素点的目标间隔搜索半径范围内特征像素点的数量分布越均匀,对应的目标迭代半径在特征比特图像中作为搜索半径越稳定。但是需要考虑到当搜索半径大于特征比特层图像中相距最远的特征像素点之间的距离时,对应的每个像素点的搜索半径范围内的特征像素点均为总特征像素点数量,因此在获取局部密度特征值时,需要在特征像素点数量的基础上进行限制。本发明实施例根据对应目标间隔搜索半径的长度限制局部密度特征值,避免出现搜索半径大于特征比特层图像中相距最远的特征像素点之间的距离时对应局部密度特征值过小的情况。上限搜索半径相当于一种较为极端的搜索半径获取方法,由于采用上限搜索半径时,每个特征像素点的上限搜索半径范围内的特征像素点数量较为均匀,从而导致通过DBSCAN算法对特征比特图像进行聚类分析时,对应的噪声点数量偏少或不存在噪声点,所以需要进一步对上限搜索半径进行限制。
在本发明实施例中,目标间隔搜索半径对应的局部密度差异特征值的获取方法在公式上表现为:
其中,为目标间隔搜索半径对应的局部密度差异特征值,/>为目标间隔搜索半径对应的长度,/>为特征比特层中特征像素点的数量,/>为特征比特层中第/>个特征像素点的目标间隔搜索半径范围内特征像素点的数量,/>为特征比特层中所有特征像素点的目标间隔搜索半径范围内特征像素点数量的均值,/>为所有特征像素点目标间隔搜索半径范围内的特征像素点数量的方差。进一步根据目标间隔搜索半径对应的局部密度差异特征值的获取方法,得到每个间隔搜索半径对应的局部密度差异特征值。
需要说明的是,实施者可根据具体实施环境采用其他方法得到局部密度差异特征值,例如将所有特征像素点目标间隔搜索半径范围内的特征像素点数量的标准差与目标间隔搜索半径的对应长度进行加权求和,得到对应的局部密度差异特征值,在公式上表现为:
其中,为所有特征像素点目标间隔搜索半径范围内的特征像素点数量的标准差,/>为所有特征像素点目标间隔搜索半径范围内的特征像素点数量的标准差的权重,即标注差权重;/>为目标间隔搜索半径对应长度的权重,即长度权重,在本发明实施例中,标注差权重设置为0.5,长度权重设置为0.5。需要说明的是,实施者可根据具体实施环境自行调整标注差权重和长度权重的大小,在此不做进一步赘述。
考虑到特征比特图像中的图像信息并不完整,会损失一部分集中分布的内部缺陷区域信息,所以采用上限搜索半径作为特征比特图像的搜索半径时,对应的搜索半径通常偏大,所以需要对上限搜索半径进行限制。考虑到内部灰度图像中图像信息是完整的,而内部灰度图像中由于对应的内部缺陷像素点分布较为集中,所以通过内部灰度图像得到的搜索半径通常较小。本发明实施例根据内部灰度图像中异常像素点的局部密度差异分布情况,得到下限搜索半径。即适用于本发明实施例的最优搜索半径不得小于或等于该下限搜索半径。进一步通过下限搜索半径对上限搜索半径进行限制,以获取最优搜索半径。异常像素点即内部灰度图像中具有图像信息、灰度值较大、与背景区域存在明显差异的像素点,在本发明实施例中,异常像素点包括内部缺陷区域像素点和微尘噪点对应的像素点。
优选地,异常像素点的获取方法包括:
根据内部灰度图像中像素点的灰度值通过最大类间方差法,得到分割阈值;将内部灰度图像中灰度值小于分割阈值的像素点作为异常像素点。由于异常像素点和背景区域对应的正常像素点之间的灰度差异较大,所以可通过对内部灰度图像进行阈值分割。需要说明的是,最大类间方差法为本领域技术人员所熟知的现有技术,实施者可根据具体实施环境通过其他方法获取分割阈值,在此不做进一步限定和赘述。
优选地,下限搜索半径的获取方法包括:
将上限搜索半径外的其他间隔搜索半径作为参考搜索半径,计算内部灰度图像中的异常像素点密度,将内部灰度图像中的异常像素点密度与每个参考搜索半径作为半径所形成的圆的面积的乘积,作为每个参考搜索半径对应的最少点数目。在本发明实施例中,计算内部灰度图像中的异常像素点密度具体为:将内部灰度图像的异常像素点数量与对应图像整体面积的比值作为异常像素点密度。且本发明实施例将内部灰度图像中的异常像素点密度与每个参考搜索半径作为半径所形成的圆的面积的乘积对应向上取整的整数值,作为每个参考搜索半径对应的最少点数目。需要说明的是,实施者可根据具体实施环境选择向下取整,在此不做进一步赘述。
根据每个参考搜索半径和对应的最少点数目通过DBSCAN算法对内部灰度图像中的异常像素点进行聚类分析,得到每个参考搜索半径对应的聚类集合数量;以每个参考搜索半径对应长度从小到大为序,根据每个参考搜索半径对应聚类集合数量进行曲线拟合,得到聚类集合数量曲线;在聚类集合数量曲线上将所有参考搜索半径对应斜率的绝对值的最小值,作为参考斜率值;当参考斜率值对应一个参考搜索半径时,将参考斜率值对应的参考搜索半径作为下限搜索半径;当参考斜率值对应多个参考搜索半径,将长度最小的参考搜索半径作为下限搜索半径。
考虑到后续获取下限搜索半径的方法与K-means算法中最优K值的选取方法较为类似。K-means算法中通过迭代K值选取聚类集合数量出现平稳变化的K值作为最优K值;本发明实施例根据DBSCAN算法通过间隔搜索半径选取聚类集合数量出现平稳变化的搜索半径,作为需要的搜索半径即下限搜索半径。但是与K-means算法只需要一个先验参数K值不同,DBSCNAN算法需要设置两个先验参数即搜索半径个最少点数目,考虑到DBSCAN算法是基于密度的聚类,因此在对每个参考搜索半径进行聚类分析时,根据特征比特层图像整体的密度,计算每个参考搜索半径对应的最少点数目,所形成聚类簇的核心点对应参考搜索半径范围内的异常像素点密度,总是大于或等于内部灰度图像中异常像素点密度,符合聚类集合的集中特征。基于K-means算法中最优K值的选取方法,选取对应聚类集合数量出现平稳变化的K值,即对应斜率值为0的参考半径对应的长度值,但是由于聚类集合数量曲线是拟合曲线,所以可能存在斜率为0的值可能不会出现在某个参考半径长度时的情况,因此本发明实施例将所有参考搜索半径对应斜率的绝对值的最小值作为参考斜率值,通过参考斜率值进一步获取对应的下限搜索半径。
步骤S3:根据上限搜索半径和下限搜索半径得到最优搜索半径;根据特征比特层图像中每个参考像素点对应最优搜索半径内的参考像素点数量分布情况,得到最优最少点数目;根据最优搜索半径和最优最少点数目,对特征比特层图像的参考像素点进行DBSCAN聚类分析,得到特征比特层图像的参考像素点中的噪声点。
至此,得到用于获取代表最优聚类半径上限的上限搜索半径和代表下限的下限搜索半径。本发明实施例进一步根据上限搜索半径和下限搜索半径得到最优搜索半径。
优选地,最优搜索半径的获取方法包括:
根据预设权重,对上限搜索半径和下限搜索半径进行加权求和,得到最优搜索半径。在本发明实施例中,将上限搜索半径的权重作为上限权重,将下限搜索半径的权重作为下限权重,上限权重设置为0.5,下限权重也设置为0.5,即取上限搜索半径和下限搜索半径之间长度的均值作为最优搜索半径的长度。需要说明的是,实施者可根据具体实施环境自行调整上限权重和下限权重的大小,但是需要保证上限权重和下限权重的和为1,在此不做进一步赘述。
在本发明实施例中,最优搜索半径的长度的获取方法在公式上表现为:
其中,为最优搜索半径的长度,/>为上限搜索半径的长度,/>为上限权重,/>为下限搜索半径的长度,/>为下限权重。
至此,得到用于DBSCAN算法的其中一个先验参数:搜索半径即本发明实施例中的最优搜索半径;进一步需要获取用于DBSCAN算法的另一个先验参数:最少点数目。考虑到本发明实施例采用DBSCAN算法的目的不是检测晶硅电池内部缺陷,而是筛选出可能影响晶硅电池内部缺陷检测的微尘噪点,因此需要使得微尘噪点对应的像素点作为DBSCAN算法聚类结果中的噪声点,并且相比于内部灰度图像,特征比特层图像中微尘噪点的特征相对于内部灰度图像更加突出,所以为了能够使得微尘噪点被筛选出来,本发明实施例在自适应获取最少点数目和后续聚类分析时,均在DBSCAN算法中进行。考虑到微尘噪点较为稀疏且离散,即对应的参考像素点密度较小,本发明实施例根据特征比特层图像中每个参考像素点对应最优搜索半径内的参考像素点数量分布情况,得到最优最少点数目。
优选地,最优最少点数目的获取方法包括:
在特征比特层图像中,将所有参考像素点的最优搜索半径范围内参考像素点数量的均值,作为最优最少点数目。由于本发明实施例的目的仅是筛选出微尘噪点,且微尘噪点分布较为稀疏且离散,而最优最少点数目表征最优搜索半径内的密度阈值,并且微尘噪点的密度通常远小于密度均值,并且考虑到微尘噪点分布较为广泛,因此通过所有参考像素点的最优搜索半径范围内参考像素点数量的均值作为对应的密度阈值,即可筛选出后续用于筛选出微尘噪点的DBSCAN算法中的最优最少点数目。
至此,得到DBSCAN算法对应的所有先验参数,即最优搜索半径和最优最少点数目,进一步可根据DBSCAN算法进行聚类分析,本发明实施例根据最优搜索半径和最优最少点数目,对特征比特层图像的参考像素点进行DBSCAN聚类分析,得到特征比特层图像的参考像素点中的噪声点。具有离散分布特征的噪声点即特征比特层图像中对应分布稀疏且较为离散的微尘噪点。对应的特征比特层图像中参考像素点密度大于最优最少点数目对应的参考像素点被归类为聚类簇,通常对应内部灰度图像对应的内部缺陷区域在特征比特层图像中遗留的图像信息区域;而大部分微尘噪点被留下。需要说明的是,根据DBSCAN算法中的所有先验参数进行聚类分析的过程为本领域技术人员所熟知的技术手段,在此不做进一步限定和赘述。
步骤S4:根据噪声点对内部灰度图像进行去噪,得到去噪后内部灰度图像;对去噪后内部灰度图像进行缺陷检测,得到晶硅电池内部的缺陷区域。
在得到特征比特层图像中的微尘噪点之后,可对微尘噪点进行消除,以减少微尘噪点对内部缺陷检测的影响。但是考虑到用于缺陷检测的图像为内部灰度图像,且特征比特层图像是通过内部灰度图像分层得到的,所以在特征比特层图像中微尘噪点的位置与内部灰度图像中微尘噪点的位置相同。本发明实施例根据噪声点对内部灰度图像进行去噪,得到去噪后内部灰度图像。
优选地,去噪后内部灰度图像的获取方法包括:
将特征比特层图像中的噪声点对应的位置映射到内部灰度图像中,得到内部灰度图像中每个噪声点对应的像素点;在内部灰度图像将所有噪声点对应的像素点进行均值滤波处理,得到去噪后内部灰度图像。即对内部灰度图像中噪声点对应映射位置的像素点进行滤波,以去除内部灰度图像中的微尘噪点。需要说明的是,实施者可根据具体实施环境采用均值滤波之外的其他滤波方法对噪声点对应的像素点进行去噪,且均值滤波为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
本发明实施例对去噪后内部灰度图像进行缺陷检测,得到晶硅电池内部的缺陷区域,具体的:在去噪后内部灰度图像的基础上通过Canny算子对图像进行边缘检测,将检测出的边缘所包含的连通域对应的区域作为晶硅电池内部的缺陷区域。由于去噪后内部灰度图像中已经去除了会对缺陷检测产生干扰的微尘噪点,所以对应的缺陷检测结果更加准确。需要说明的是,实施者可根据具体实施环境采用边缘检测外的其他方法检测缺陷区域,且基于Canny算子的边缘检测方法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
综上所述,本发明首先根据晶硅电池内部灰度图像中的灰度值分布得到异常像素点,对内部灰度图像对应比特层图像中参考像素点密度进行分析,得到特征比特层图像,根据特征比特层图像中的参考像素点的位置和内部灰度图像中异常像素点的密度得到最优搜索半径,根据特征比特层图像中的参考像素点的分布得到最优最少点数目,根据最优搜索半径和最优最少点数目进行聚类分析得到噪声点,对消除噪声点的去噪后内部灰度图像进行缺陷检测,得到对应的缺陷区域。本发明通过内部灰度图像进行缺陷检测对应的在保证适应性的同时,对应的检测准确度更高。
需要说明的是:上述本发明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。
Claims (9)
1.一种晶硅电池内部缺陷检测方法,其特征在于,所述方法包括:
获取晶硅电池的内部灰度图像;
获取所述内部灰度图像对应的各个比特层图像;将所有比特层图像中灰度值为0的像素点作为参考像素点;根据比特层图像之间参考像素点密度变化的趋势差异筛选出特征比特层图像;根据特征比特层图像中参考像素点的位置分布特征,得到上限搜索半径;根据所述上限搜索半径,以及内部灰度图像中异常像素点的局部密度差异分布情况,得到下限搜索半径;
根据所述上限搜索半径和所述下限搜索半径得到最优搜索半径;根据特征比特层图像中每个参考像素点对应最优搜索半径内的参考像素点数量分布情况,得到最优最少点数目;根据所述最优搜索半径和所述最优最少点数目,对特征比特层图像的参考像素点进行DBSCAN聚类分析,得到特征比特层图像的参考像素点中的噪声点;
根据所述噪声点对所述内部灰度图像进行去噪,得到去噪后内部灰度图像;对所述去噪后内部灰度图像进行缺陷检测,得到晶硅电池内部的缺陷区域。
2.根据权利要求1所述的一种晶硅电池内部缺陷检测方法,其特征在于,所述特征比特层图像的获取方法包括:
通过预设边长大小的滑窗遍历每个比特层图像,得到所有比特层图像中每个位置处的滑窗;将所有位置处的滑窗以蛇形排列,得到滑窗位置序列;计算每个位置处的滑窗在每个比特层图像中的参考像素点密度;
将最高比特层图像外的其他每个比特层图像作为对比比特层图像;根据最高比特层图像与每个对比比特层图像之间相邻滑窗位置处的参考像素点密度变化的趋势差异,得到密度变化趋势差异值计算模型,通过所述密度变化趋势差异值计算模型得到每个对比比特层图像对应的密度变化趋势差异值;
将所述密度变化趋势差异值以对应对比比特层图像的比特层阶数从大到小的顺序,构建对应的密度变化趋势差异拟合曲线,将所述密度变化趋势差异拟合曲线中最大拐点处的下一个密度变化趋势差异值对应的比特层图像,作为特征比特层图像。
3.根据权利要求2所述的一种晶硅电池内部缺陷检测方法,其特征在于,所述密度变化趋势差异值计算模型包括:
其中,表示第/>个对比比特层图像对应的密度变化趋势差异值,/>表示第/>个对比比特层图像,/>表示最高比特层图像,/>为滑窗位置序列中元素的数量,/>表示最高比特层图像在滑窗位置序列中第/>个滑窗位置处的滑窗对应的参考像素点密度,/>表示最高比特层图像在滑窗位置序列中第/>个滑窗位置处的滑窗对应的参考像素点密度,/>表示最高比特层图像对应所有参考像素点密度的最大值,/>表示最高比特层图像对应所有参考像素点密度的最小值,/>表示第/>个对比比特层图像在滑窗位置序列中第/>个滑窗位置处的滑窗对应的参考像素点密度,/>表示第/>个对比比特层图像在滑窗位置序列中第/>个滑窗位置处的滑窗对应的参考像素点密度,/>表示第/>个对比比特层图像对应所有参考像素点密度的最大值,/>表示第/>个对比比特层图像对应所有参考像素点密度的最小值。
4.根据权利要求1所述的一种晶硅电池内部缺陷检测方法,其特征在于,所述上限搜索半径的获取方法包括:
将所述特征比特层图像中的参考像素点作为特征像素点;在以预设第一搜索半径为上限和以预设第二搜索半径为下限的搜索半径大小范围内,等预设大小的间隔获取至少两个间隔搜索半径;
在所有间隔搜索半径中任选一个间隔搜索半径作为目标间隔搜索半径;以每个特征像素点为中心,计算每个特征像素点的目标间隔搜索半径范围内的特征像素点数量;根据所有特征像素点目标间隔搜索半径范围内的特征像素点数量的方差与目标间隔搜索半径对应长度的和值,得到目标间隔搜索半径对应的局部密度差异特征值;
将各迭代搜索半径对应的局部密度差异特征值中的最小值对应的间隔搜索半径,作为上限搜索半径。
5.根据权利要求4所述的一种晶硅电池内部缺陷检测方法,其特征在于,所述下限搜索半径的获取方法包括:
将上限搜索半径外的其他间隔搜索半径作为参考搜索半径,计算所述内部灰度图像中的异常像素点密度,根据内部灰度图像中的异常像素点密度与每个参考搜索半径作为半径所形成的圆的面积的乘积,得到每个参考搜索半径对应的最少点数目;根据每个参考搜索半径和对应的最少点数目通过DBSCAN算法对内部灰度图像中的异常像素点进行聚类分析,得到每个参考搜索半径对应的聚类集合数量;
以每个参考搜索半径对应长度从小到大为序,根据每个参考搜索半径对应聚类集合数量进行曲线拟合,得到聚类集合数量曲线;在所述聚类集合数量曲线上将所有参考搜索半径对应斜率的绝对值的最小值,作为参考斜率值;当参考斜率值对应一个参考搜索半径时,将参考斜率值对应的参考搜索半径作为下限搜索半径;当参考斜率值对应多个参考搜索半径,将长度最小的参考搜索半径作为下限搜索半径。
6.根据权利要求1所述的一种晶硅电池内部缺陷检测方法,其特征在于,所述最优最少点数目的获取方法包括:
在所述特征比特层图像中,将所有参考像素点的最优搜索半径范围内参考像素点数量的均值,作为最优最少点数目。
7.根据权利要求1所述的一种晶硅电池内部缺陷检测方法,其特征在于,所述去噪后内部灰度图像的获取方法包括:
将特征比特层图像中的噪声点对应的位置映射到内部灰度图像中,得到内部灰度图像中每个噪声点对应的像素点;在内部灰度图像将所有噪声点对应的像素点进行均值滤波处理,得到去噪后内部灰度图像。
8.根据权利要求1所述的一种晶硅电池内部缺陷检测方法,其特征在于,所述最优搜索半径的获取方法包括:
根据预设权重,对上限搜索半径和下限搜索半径进行加权求和,得到最优搜索半径。
9.根据权利要求1所述的一种晶硅电池内部缺陷检测方法,其特征在于,所述异常像素点的获取方法包括:
根据所述内部灰度图像中像素点的灰度值通过最大类间方差法,得到分割阈值;将内部灰度图像中灰度值小于所述分割阈值的像素点作为异常像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310812986.1A CN116563275B (zh) | 2023-07-05 | 2023-07-05 | 一种晶硅电池内部缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310812986.1A CN116563275B (zh) | 2023-07-05 | 2023-07-05 | 一种晶硅电池内部缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563275A CN116563275A (zh) | 2023-08-08 |
CN116563275B true CN116563275B (zh) | 2023-09-01 |
Family
ID=87496806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310812986.1A Active CN116563275B (zh) | 2023-07-05 | 2023-07-05 | 一种晶硅电池内部缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563275B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10872406B2 (en) * | 2018-04-13 | 2020-12-22 | Taiwan Semiconductor Manufacturing Company, Ltd. | Hot spot defect detecting method and hot spot defect detecting system |
-
2023
- 2023-07-05 CN CN202310812986.1A patent/CN116563275B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116563275A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN115641327B (zh) | 一种基于大数据的建筑工程质量监理和预警系统 | |
CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
CN116523913B (zh) | 一种丝杆质量智能检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN115311484B (zh) | 一种焊缝数据的优化聚类分割方法 | |
CN116740073B (zh) | 基于石墨舟视觉图像的太阳能电池片缺陷检测方法及系统 | |
CN113936132A (zh) | 基于计算机视觉的化工厂水体污染检测方法与系统 | |
CN107529647B (zh) | 一种基于多层无监督稀疏学习网络的云图云量计算方法 | |
CN114937035A (zh) | 基于图像处理的电力变压器硅钢片质量检测方法及系统 | |
CN116823725A (zh) | 一种基于支持向量机的航空发动机叶片表面缺陷检测方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN114965316A (zh) | 一种基于高光谱多参数的水质监测方法、计算机程序产品 | |
CN116563275B (zh) | 一种晶硅电池内部缺陷检测方法 | |
CN111563577B (zh) | 基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法 | |
CN110766662B (zh) | 一种基于多尺度和多层特征学习的锻件表面裂纹检测方法 | |
CN117173176A (zh) | 基于图像处理的多晶层光刻工艺热点检测方法 | |
CN116740579A (zh) | 一种国土空间规划数据智能采集方法 | |
CN114677384B (zh) | 一种太阳能电池镀膜缺陷检测方法 | |
CN113034403B (zh) | 医学影像数据通过高斯滤波进行降噪的工作方法 | |
CN113160166B (zh) | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 | |
CN114743005A (zh) | 基于阈值区域生长与灰度差的红外弱小目标检测方法 | |
CN113643312A (zh) | 基于真彩色卫星云图与图像处理的云层分割方法 |
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 |