CN116664565A - 一种光伏太阳能电池片的隐裂检测方法及系统 - Google Patents

一种光伏太阳能电池片的隐裂检测方法及系统 Download PDF

Info

Publication number
CN116664565A
CN116664565A CN202310937946.XA CN202310937946A CN116664565A CN 116664565 A CN116664565 A CN 116664565A CN 202310937946 A CN202310937946 A CN 202310937946A CN 116664565 A CN116664565 A CN 116664565A
Authority
CN
China
Prior art keywords
representing
region
value
gray
defect area
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.)
Pending
Application number
CN202310937946.XA
Other languages
English (en)
Inventor
杨中明
杨美娟
肖凯
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.)
Jiangsu Senbiao Technology Co ltd
Original Assignee
Jiangsu Senbiao Technology 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 Jiangsu Senbiao Technology Co ltd filed Critical Jiangsu Senbiao Technology Co ltd
Priority to CN202310937946.XA priority Critical patent/CN116664565A/zh
Publication of CN116664565A publication Critical patent/CN116664565A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • 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
    • G06T2207/10048—Infrared 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种光伏太阳能电池片的隐裂检测方法及系统，属于图像数据处理技术领域，方法包括：通过线阵相机获取经红外光源照射的光伏太阳能电池片的红外图像；对红外图像进行预处理；从预处理后的红外图像中确定感兴趣区域；对感兴趣区域进行预处理；对预处理后的感兴趣区域进行初步检测，分割出潜在缺陷区域；确定潜在缺陷区域的置信度，当潜在缺陷区域的置信度大于预设置信度时，将潜在缺陷区域确定为正式缺陷区域；对各个正式缺陷区域进行栅线去除处理；提取图像特征，并组成图像特征向量；构建隐裂检测模型，确定隐裂检测模型的最优超平面；根据图像特征向量与最优超平面的位置关系，确定正式缺陷区域为隐裂缺陷区域或者显裂缺陷区域。

Description

一种光伏太阳能电池片的隐裂检测方法及系统
技术领域
本发明属于图像数据处理技术领域，具体涉及一种光伏太阳能电池片的隐裂检测方法及系统。
背景技术
随着清洁能源的快速发展，光伏发电以其灵活性与环保性得到了更多的推广应用。太阳能电池片作为光伏系统的最小单元，其质量对整个光伏系统的影响却是巨大的。电池片的内部缺陷和外观缺陷不仅影响光电转换效率，而且在严重的情况下会损坏光伏组件，因此光伏企业有必要对太阳能电池片进行质量监测。
随着技术不断革新，太阳能电池片的内部缺陷检测逐渐从人工目检方式转换为自动检测方式，基于统计学的检测算法以其透明度高并且易于实现得到了广泛的应用，其主要原理是通过统计缺陷区域像素点数量占据整体区域像素点总数的比例来判断是否存在裂纹。然而，基于统计学的检测算法尽管对于检测裂纹有所帮助，但是在区分隐裂纹与显裂纹时往往区分度不高，原因在于，在不同生产工艺的电池片中无法找到一个固定的用于区分隐裂纹与显裂纹的预设比例，导致基于统计学的检测算法在不同生产工艺的电池片中的适用性低。并且，不同生产工艺的电池片由于亮度不均匀、密集的电路纹理和随机分布的晶粒花纹的干扰，往往难以准确统计出缺陷区域像素点数量，进而导致检测准确性低。
发明内容
为了解决现有技术存在的基于统计学的检测算法在不同生产工艺的电池片中，无法准确区分出隐裂纹与显裂纹，适用性低，难以准确统计出缺陷区域像素点数量，检测准确性低的技术问题，本发明提供一种光伏太阳能电池片的隐裂检测方法及系统。
第一方面
本发明提供了一种光伏太阳能电池片的隐裂检测方法，包括：
S101：通过线阵相机获取经红外光源照射的光伏太阳能电池片的红外图像；
S102：对红外图像进行预处理，预处理包括：寻找直边、旋转以及去黑边；
S103：根据灰度值，从预处理后的红外图像中确定感兴趣区域；
S104：对感兴趣区域进行预处理，预处理包括：滤波降噪、亮度均衡以及对比度均衡；
S105：根据灰度值，对预处理后的感兴趣区域进行初步检测，分割出潜在缺陷区域；
S106：确定潜在缺陷区域的置信度，当潜在缺陷区域的置信度大于预设置信度时，将潜在缺陷区域确定为正式缺陷区域；
S107：对各个正式缺陷区域进行栅线去除处理；
S108：提取栅线去除后的正式缺陷区域的图像特征，并将图像特征组成图像特征向量，图像特征包括：相对体积、宽长比、差异比和裂缝方向；
S109：构建隐裂检测模型，确定隐裂检测模型的最优超平面；
S110：根据图像特征向量与最优超平面之间的位置关系，确定隐裂检测结果，隐裂检测结果为隐裂缺陷区域或者显裂缺陷区域。
第二方面
本发明提供了一种光伏太阳能电池片的隐裂检测系统，用于执行第一方面中的光伏太阳能电池片的隐裂检测方法。
与现有技术相比，本发明至少具有以下有益技术效果：
（1）在本发明中，可以采用寻找直边、旋转、去黑边、确定感兴趣区域、滤波降噪、亮度均衡以及对比度均衡，将不同生产工艺的电池片进行统一地标准化处理，适用性高，便于隐裂检测技术的推广普及。
（2）在本发明中，首先根据灰度值分割出潜在缺陷区域，进而再根据潜在缺陷区域的置信度确定各个潜在缺陷区域是否为真正的缺陷区域，避免误检，提升了缺陷区域检测的准确性。
（3）在本发明中，根据图像特征向量与隐裂检测模型的最优超平面之间的位置关系，进一步地确定光伏太阳能电池片的正式缺陷区域具体为隐裂缺陷区域或者显裂缺陷区域，可以准确区分出隐裂纹与显裂纹，检测准确性高。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种光伏太阳能电池片的隐裂检测方法的流程示意图。
图2是本发明提供的一种光伏太阳能电池片的隐裂检测方法的结构示意图。
具体实施方式
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，下面将对照附图说明本发明的具体实施方式。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，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中，参考说明书附图1，示出了本发明提供的光伏太阳能电池片的隐裂检测方法的流程示意图。参考说明书附图2，示出了本发明提供的光伏太阳能电池片的隐裂检测方法的结构示意图。
本发明提供的一种光伏太阳能电池片的隐裂检测方法，包括：
S101：通过线阵相机获取经红外光源照射的光伏太阳能电池片的红外图像。
其中，线阵相机（Line Scan Camera）用于通过在连续对象上扫描以获取图像，适用于需要高速、连续、精确的图像获取，如在生产线上检测、印刷质量控制、运动轨迹跟踪等应用。
其中，光伏太阳能电池片是一种将太阳光直接转换为电能的设备，是太阳能发电系统的核心组件，也称为太阳能电池板或太阳能电池。
需要说明的是，光伏太阳能电池片的内部缺陷和外观缺陷不仅影响光电转换效率，而且在严重的情况下会损坏光伏组件，因此需要对光伏太阳能电池片进行隐裂检测。
S102：对红外图像进行预处理，预处理包括：寻找直边、旋转以及去黑边。
在一种可能的实施方式中，S102具体包括子步骤S1021至S1026：
S1021：根据红外图像中电池片发光部分与黑色背景部分之间存在灰度的不连续性，进行边缘线检测，确定出光伏太阳能电池片的直边。
其中，确定出光伏太阳能电池片的直边有助于后续确定与水平线之间的偏移角，进而对红外图像进行旋转。
S1022：根据直边与水平线之间的偏移角，对红外图像进行旋转：
其中，(x 0,y 0)表示旋转前像素点坐标，(x t ,y t )表示旋转后像素点坐标，α表示偏移角。
其中，对红外图像进行旋转可以校正视觉效果、提高准确度、方便特征提取和识别，以及保持数据一致性。这些好处有助于进一步的图像处理、分析和应用。
S1023：对旋转后的红外图像进行全局阈值分割，得到第一二值化图像。
S1024：对第一二值化图像中的像素点从行和列两个方向进行求和，并分别设置行阈值和列阈值，将求和结果大于行阈值的所在行以及求和结果大于列阈值的所在列的像素点放入像素点集合。
S1025：从像素点集合中确定出各个像素点的像素值的最小值以及最大值。
S1026：通过像素值的最小值以及最大值，对旋转后的红外图像进行去黑边。
需要说明的是，通过全局阈值分割和去除图像中的黑边，可以分割目标和背景、去除噪声和细小区域、改善图像质量，从而提高后续处理和分析的准确性和效果。
S103：根据灰度值，从预处理后的红外图像中确定感兴趣区域。
在一种可能的实施方式中，S103具体包括：
根据以下公式，从预处理后的红外图像中确定感兴趣区域：
其中，ROI表示感兴趣区域，感兴趣区域为灰度值在最小灰度阈值与最大灰度阈值之间的像素点的集合，minG表示最小灰度阈值，maxG表示最大灰度阈值，g(x,y)表示像素点(x,y)处的灰度值。
需要说明的是，如果直接将预处理后的红外图像进行后续的隐裂检测，会影响缺陷检测结果的准确性。通过设定最小灰度阈值和最大灰度阈值，可以将图像中感兴趣的目标区域与背景区域分离开来。只选择灰度值在设定阈值范围内的像素点作为感兴趣区域，可以将目标区域突出显示，提高目标的可视性。减少不相关的背景信息的干扰，提高后续处理和分析的效率和准确性。通过根据灰度值确定感兴趣区域，可以突出目标区域、去除非关注区域、提高目标的可视性和检测性能，从而改善后续处理和分析的准确性和效果。
S104：对感兴趣区域进行预处理，预处理包括：滤波降噪、亮度均衡以及对比度均衡。
在一种可能的实施方式中，S104具体包括子步骤S1041至S1048：
S1041：根据以下公式，对感兴趣区域进行滤波降噪：
其中，f m (x,y)表示像素点(x,y)处的滤波降噪后的像素值，f(x,y)表示像素点(x,y)处的原像素值，m表示领域尺寸，ROI表示感兴趣区域。
需要说明的是，邻域平均滤波可以减少图像中的噪声，尤其是一些随机噪声或小尺寸噪声。通过对像素点周围邻域内像素值的平均计算，可以平滑图像中的不规则波动和突发噪声，从而减少噪声的影响。进一步地可以平滑细节、保护边缘信息，同时具有简单易实现的特点。
S1042：根据以下公式，确定亮度均衡圆形结构的半径范围：
其中，R表示亮度均衡圆形结构的半径，r min 表示亮度均衡圆形结构的半径最小值，r max 表示亮度均衡圆形结构的半径最大值，S min表示缺陷区域的最小面积，S max表示缺陷区域的最大面积。
可以理解的是，亮度均衡圆形结构的半径范围[r min ,r max ]的确定依赖于缺陷区域的面积范围。
S1043：以预设步长s确定多个亮度均衡圆形结构，则亮度均衡圆形结构的数量为：
其中，L表示亮度均衡圆形结构的数量，表示向上取整，s表示预设步长。
可以理解的是，以预设步长s确定多个亮度均衡圆形结构，可以确保得到足够数量的亮度均衡圆形结构覆盖整个感兴趣区域。
其中，本领域技术人员可以根据实际情况设置预设步长s的大小，本发明不做限定。
S1044：通过多个亮度均衡圆形结构，对滤波降噪后的感兴趣区域进行亮度均衡：
其中，ft(x,y)表示像素点(x,y)处亮度均衡后的像素值，表示灰度闭运算，c(r i )表示第i个亮度均衡圆形结构。
可以理解的是，对于每个亮度均衡圆形结构c(r i )，计算其半径r i 并将其应用于感兴趣区域中的每个像素点(x,y)，通过亮度均衡操作，得到亮度均衡后的像素值ft(x,y)。
其中，灰度闭运算是一种图像处理操作，常用于去除图像中的小型噪点、填补图像中的小型空洞或连接断裂的图像区域。灰度闭运算结合了灰度膨胀和灰度腐蚀两个操作，能够保持图像的整体形状并平滑图像的边界。
需要说明的是，通过亮度均衡圆形结构的处理步骤，可以均衡图像的亮度分布，增强细节，降低噪声影响，并保护边缘信息。这些优点可以改善图像的质量和视觉效果，有助于后续的隐裂检测和分析任务的准确性和可靠性。
S1045：构建能量变化函数：
其中，E(W)表示能量变化函数，X表示像素点(x,y)在t时间的灰度值，W表示位移向量，u表示x的位移量，v表示y的位移量，l表示t的位移量，表示三维梯度符号，表示灰度值的一致性参数，表示位移向量W的梯度，表示欧几里得范数符号，表示灰度值的平滑度参数。
其中，能量变化函数通常通过比较图像中不同位置、不同时间点的像素值来计算。能量变化函数可以用于描述运动物体、纹理变化、边缘提取、光照变化等图像特征。
S1046：根据能量变化函数构建欧拉拉格朗日方程：
其中，。
S1047：对欧拉拉格朗日方程进行求解，计算能量变化函数在空间域中的水平分量u(x,y)和垂直分量v(x,y)：
其中，表示u的平均值，表示v的平均值，F x 表示F对x的偏导数，F y 表示F对y的偏导数，F t 表示F对t的偏导数。
S1048：根据能量变化函数在空间域中的水平分量u(x,y)和垂直分量v(x,y)，进行对比度均衡：
其中，f d (x,y)表示像素点(x,y)处的对比度均衡后的像素值。
需要说明的是，通过对能量变化函数进行求解和对比度均衡操作，可以改善图像的视觉效果，增强边缘信息和细节，以及提高图像的质量和观察能力。对比度均衡对于隐裂检测等图像处理任务具有重要意义。
在本发明中，可以采用寻找直边、旋转、去黑边、确定感兴趣区域、滤波降噪、亮度均衡以及对比度均衡，将不同生产工艺的电池片进行统一地标准化处理，适用性高，便于隐裂检测技术的推广普及。
S105：根据灰度值，对预处理后的感兴趣区域进行初步检测，分割出潜在缺陷区域。
在一种可能的实施方式中，S105具体包括子步骤S1051至S1052：
S1051：根据预处理后的感兴趣区域在灰度直方图中的灰度峰值，计算动态阈值：
其中，h max表示预处理后的感兴趣区域在灰度直方图中的灰度峰值，λ表示增益系数，σ表示感兴趣区域中各个像素点的灰度的标准差。
其中，本领域技术人员可以根据实际情况设置增益系数λ的大小，本发明不做限定。
其中，动态阈值使得阈值可以根据图像自身的灰度分布进行自适应调整，从而更准确地分割出潜在缺陷区域。
S1052：分割出感兴趣区域中灰度值大于动态阈值T的像素点，作为潜在缺陷区域。
需要说明的是，通过分割出潜在缺陷区域，可以将注意力集中在可能存在问题的区域，从而提高缺陷检测的准确性。这有助于快速发现和定位潜在的缺陷，并减少对整个图像进行全面分析的工作量。确定出潜在缺陷的区域可以减少后续处理的计算成本。由于感兴趣区域被限制在可能存在缺陷的区域，可以针对这些区域进行更精细化的处理和分析，减少了对整个图像进行处理的时间和计算资源的消耗。
S106：确定潜在缺陷区域的置信度，当潜在缺陷区域的置信度大于预设置信度时，将潜在缺陷区域确定为正式缺陷区域。
其中，本领域技术人员可以根据实际情况设置预设置信度的大小，本发明不做限定。
在一种可能的实施方式中，S106具体包括子步骤S1061至S1063：
S1061：根据潜在缺陷区域中像素点到探针边缘的距离，计算常量置信度图：
其中，c(x,y)表示在像素点(x,y)处的置信度值，e表示自然对数，d(x,y)表示像素点(x,y)到探针边缘的距离，d 0表示探针的边缘方向使用灰度投影法得到的阴影宽度。
需要说明的是，通过计算常量置信度图，即将像素点的距离映射为置信度值，可以量化地描述潜在缺陷区域中各个像素点与探针的匹配程度。这样做的好处是在缺陷检测中能够考虑到像素与探针之间的距离信息，提高对潜在缺陷区域的评估准确性。
S1062：对潜在缺陷区域进行连通区域分析，并结合常量置信图计算潜在缺陷区域的置信度：
其中，R pd 表示潜在缺陷区域，C pd 表示潜在缺陷区域R pd 的置信度，f pd (x,y)表示潜在缺陷区域在像素点(x,y)处的像素值。
其中，置信度表示了潜在缺陷区域中像素点的平均置信度，反映了该区域内的缺陷程度。较高的置信度意味着该区域更有可能是真正的缺陷区域。
S1063：当潜在缺陷区域的置信度大于预设置信度时，将潜在缺陷区域确定为正式缺陷区域。
需要说明的是，通过确定潜在缺陷区域的置信度，并根据预设信度阈值确定正式缺陷区域，可以降低误检率、提高缺陷区域的可信度，实现精细化的缺陷检测，并具有灵活性和可调节性。这样的方法可以提升缺陷区域检测的准确性和可靠性，为后续的缺陷分析和处理提供更可靠的基础。
在本发明中，首先根据灰度值分割出潜在缺陷区域，进而再根据潜在缺陷区域的置信度确定各个潜在缺陷区域是否为真正的缺陷区域，避免误检，提升了缺陷区域检测的准确性。
S107：对各个正式缺陷区域进行栅线去除处理。
在一种可能的实施方式中，S107具体包括子步骤S1071至S1073：
S1071：将正式缺陷区域的图像转换为第二二值化图像。
S1072：计算第二二值化图像中每一列的像素值之和：
其中，A i 表示第i列的像素值之和，f rd (x i ,y j )表示正式缺陷区域在像素点(x i ,y j )处的二级化像素值，m表示总行数，n表示总列数。
S1073：根据第二二值化图像中每一列的像素值之和，对正式缺陷区域进行栅线去除处理：
其中，f s (x,y)表示栅线去除后正式缺陷区域在像素点(x,y)处的像素值，A 0表示预设数值。
其中，本领域技术人员可以根据实际情况设置预设数值的大小，本发明不做限定。
需要说明的是，对各个正式缺陷区域进行栅线去除处理的好处包括提高缺陷区域的清晰度、增强缺陷区域的对比度、提升缺陷检测的准确性和简化后续处理步骤。这些好处有助于提高缺陷检测算法的可靠性和效果，并为后续的分析和决策提供更可靠的基础。
S108：提取栅线去除后的正式缺陷区域的图像特征，并将图像特征组成图像特征向量，图像特征包括：相对体积、宽长比、差异比和裂缝方向。
其中，相对体积、宽长比、差异比和裂缝方向提供了对缺陷或形状的定量描述，将图像中的物理属性转化为数值特征，使得缺陷或形状的特征可以进行量化和比较。这有助于准确地描述和度量缺陷的大小、形状以及与其他物体或模型的差异。
进一步地，通过对相对体积、宽长比、差异比和裂缝方向等特征进行分析和比较，可以将缺陷区域与正常区域进行区分，并根据不同的特征值判断缺陷的类型、程度和属性。这有助于自动化缺陷检测和质量控制过程。
在一种可能的实施方式中，S108具体包括子步骤S1081至S1084：
S1081：通过以下公式，计算正式缺陷区域的相对体积RV：
其中，A D 表示缺陷面积，H B 表示背景区域的平均灰度值，H D 表示正式缺陷区域的平均灰度值。
S1082：通过以下公式，计算正式缺陷区域的宽长比WLR：
其中，w表示裂缝宽度，L表示骨架长度。
其中，骨架是指二值图像中的细线或细线段，表示了图像中物体或形状的主要结构或轮廓。
S1083：通过以下公式，计算正式缺陷区域与裂缝模型区域的差异比DR：
其中，R d 表示正式缺陷区域，R c 表示裂缝模型区域。
其中，通过以下公式，确定裂缝模型区域R c ：
其中，S表示骨架区域，s(w)以裂缝宽度w为直径的圆形区域。
S1084：确定裂缝的任意两个端点的距离，并以最大距离对应的两个端点计算裂缝方向OR：
其中，(x 1,y 1)和(x 2,y 2)分别表示最大距离对应的两个端点。
S109：构建隐裂检测模型，确定隐裂检测模型的最优超平面。
其中，最优超平面是一个能够将两个不同类别的样本点完全分开的线性决策边界。在更高维度的情况下，最优超平面是一个能够将不同类别的样本点进行分隔的超平面。在确定最优超平面之后则可以对样本点进行分类。
在一种可能的实施方式中，S109具体包括子步骤S1091至S1099：
S1091：确定隐裂检测模型在隐裂检测过程中的目标函数minL(ω,b,λ)：
其中，t表示超平面的法向量，b表示超平面的偏移量，ξ表示松弛变量，松弛变量ξ用于处理不可分的情况，N表示样本数量，μ表示输入的整体图像特征，Y表示输入的隐裂检测结果，C表示惩罚因子，惩罚因子C用于控制模型的复杂度，表示核函数，核函数用于将样本映射到高维特征空间，表示μ i 与μ j 之间的相似度，g表示核参数。
S1092：确定初始寻找速度和初始搜寻位置，对各个惩罚因子C和各个核参数g进行搜寻。
需要说明的是，在搜索过程中，需要选择适当的初始速度和位置，作为搜索的起点。这些起始值将用于后续的优化过程。
S1093：在搜寻过程中，引入自适应惯性权重因子w，以避免算法过早收敛：
其中，h表示当前算法所寻找的目标参数值，h为惩罚因子C或者核参数g，h min表示目标参数值的最小值，h avg 表示目标参数值的平均值，w max表示自适应惯性权重因子的最大值，w min表示自适应惯性权重因子的最小值。
需要说明的是，惯性权重因子w过大会导致算法过早的收敛，惯性权重因子w过小会导致算法陷入布局最优而达不到预期的寻找效果。在本发明中，通过将惯性权重因子设置为自适应惯性权重因子，使得算法在迭代前期选择较大的惯性权重因子w，而在迭代后期使用较小的惯性权重因子w进行更加细致的布局搜索，可以提升寻找最优的惩罚因子C和核参数g的稳定性。
S1094：在搜寻过程中，引入收缩因子ρ，将搜寻范围向全局最优位置不断缩小：
其中，E表示平衡因子,e 1和e 2表示学习因子，v i 表示种群寻找速度，x i 表示搜寻位置，r为介于0到1之间的随机数，P i 表示全局最优参数，G i 表示个体最优参数。
需要说明的是，通过收缩因子ρ看维持算法的种群多样性，避免搜寻范围远离最优位置，将搜寻范围向全局最优位置不断缩小，提高了搜寻的准确性。通过引入学习因子e 1和e 2，算法可以根据全局最优参数和个体最优参数的信息来调整搜索方向和步长，从而加快搜索过程。学习因子可以指导种群在参数空间中的移动，使其更有可能找到更优的解。
S1095：根据以下公式更新种群寻找速度v i 和搜寻位置x i ，对惩罚因子C和核参数g进行搜寻，直至搜寻到关于惩罚因子C的全局最优参数和个体最优参数，以及关于核参数g的全局最优参数和个体最优参数：
其中，r为介于0到1之间的随机数，x i 表示当前搜寻位置，e 1和e 2表示学习因子，P i 表示全局最优参数，G i 表示个体最优参数。
需要说明的是，由于采用了全局最优参数和个体最优参数的信息，在搜索过程中可以跳出局部最优解的局限性。个体最优参数是指在当前个体所在邻域内取得的最优参数，它能够推动搜索过程在局部区域内更好地探索，避免陷入局部最优解。
S1096：通过全局最优参数处的惩罚因子C P 和个体最优参数位置处的惩罚因子C G 计算最优的惩罚因子：
其中，λ 1表示全局最优参数处的惩罚因子C P 的权重。
其中，本领域技术人员可以根据实际情况设置全局最优参数处的惩罚因子C P 的权重λ 1的大小，本发明不做限定。
S1097：通过全局最优参数处的核参数g P 和个体最优参数位置处的核参数g G 计算最优的惩罚因子：
其中，λ 2表示全局最优参数处的核参数g P 的权重。
其中，本领域技术人员可以根据实际情况设置全局最优参数处的核参数g P 的权重λ 2的大小，本发明不做限定。
在本发明中，通过在寻找最优的惩罚因子C和核参数g过程中引入自适应惯性权重因子w，使得搜寻范围走向较好的区域。引入收缩因子ρ，将搜寻范围向全局最优位置不断缩小，以加快最优的惩罚因子和核参数的寻找速度。
S1098：通过搜寻最优的惩罚因子和最优的核参数，计算出最优超平面的法向量ω，超平面的偏移量b，松弛变量ξ。
需要说明的是，为了找到最优超平面，隐裂检测模型使用了优化算法，其中一个常用的方法是求解凸二次规划问题。在这个问题中，通过引入惩罚因子C来平衡间隔最大化和错误容忍度之间的权衡。惩罚因子C控制了对误分类样本的惩罚程度，较大的C值会导致更少的误分类样本，但可能会使模型过于复杂。此外，隐裂检测模型还使用核函数来将样本映射到高维特征空间。核函数允许在原始特征空间中使用线性不可分的样本，通过映射到高维特征空间，使得样本在新的特征空间中线性可分。通过引入核参数g，可以调整样本在特征空间中的相似度计算。因此，通过搜寻最优的惩罚因子C和核参数g，隐裂检测模型可以通过优化目标函数，寻找到最优的超平面，使得在样本空间中的分类边界最大化，并且能够最好地将不同类别的样本分开。最优超平面的法向量t、超平面的偏移量b和松弛变量ξ是通过优化算法得到的结果，代表了最佳分类超平面的参数。
S1099：确定隐裂检测模型的最优超平面：
其中，sgn()函数用于返回自变量的正负性。
S110：根据图像特征向量与最优超平面之间的位置关系，确定隐裂检测结果，隐裂检测结果为隐裂缺陷区域或者显裂缺陷区域。
具体而言，将图像特征向量投影到最优超平面上，当图像特征向量位于最优超平面的第一侧的情况下，给出正式缺陷区域为隐裂缺陷区域的隐裂诊断结果。当图像特征向量位于最优超平面的第二侧的情况下，给出正式缺陷区域为显裂缺陷区域的隐裂诊断结果，可以准确区分出隐裂纹与显裂纹，检测准确性高。
与现有技术相比，本发明至少具有以下有益技术效果：
（1）在本发明中，可以采用寻找直边、旋转、去黑边、确定感兴趣区域、滤波降噪、亮度均衡以及对比度均衡，将不同生产工艺的电池片进行统一地标准化处理，适用性高，便于隐裂检测技术的推广普及。
（2）在本发明中，首先根据灰度值分割出潜在缺陷区域，进而再根据潜在缺陷区域的置信度确定各个潜在缺陷区域是否为真正的缺陷区域，避免误检，提升了缺陷区域检测的准确性。
（3）在本发明中，根据图像特征向量与隐裂检测模型的最优超平面之间的位置关系，进一步地确定光伏太阳能电池片的正式缺陷区域具体为隐裂缺陷区域或者显裂缺陷区域，可以准确区分出隐裂纹与显裂纹，检测准确性高。
实施例2
在一个实施例中，本发明提供的一种光伏太阳能电池片的隐裂检测系统，用于执行实施例1中的光伏太阳能电池片的隐裂检测方法。
本发明提供的一种光伏太阳能电池片的隐裂检测系统可以实现上述实施例1中的光伏太阳能电池片的隐裂检测方法的步骤和效果，为避免重复，本发明不再赘述。
与现有技术相比，本发明至少具有以下有益技术效果：
（1）在本发明中，可以采用寻找直边、旋转、去黑边、确定感兴趣区域、滤波降噪、亮度均衡以及对比度均衡，将不同生产工艺的电池片进行统一地标准化处理，适用性高，便于隐裂检测技术的推广普及。
（2）在本发明中，首先根据灰度值分割出潜在缺陷区域，进而再根据潜在缺陷区域的置信度确定各个潜在缺陷区域是否为真正的缺陷区域，避免误检，提升了缺陷区域检测的准确性。
（3）在本发明中，根据图像特征向量与隐裂检测模型的最优超平面之间的位置关系，进一步地确定光伏太阳能电池片的正式缺陷区域具体为隐裂缺陷区域或者显裂缺陷区域，可以准确区分出隐裂纹与显裂纹，检测准确性高。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种光伏太阳能电池片的隐裂检测方法，其特征在于，包括：
S101：通过线阵相机获取经红外光源照射的光伏太阳能电池片的红外图像；
S102：对所述红外图像进行预处理，预处理包括：寻找直边、旋转以及去黑边；
S103：根据灰度值，从预处理后的红外图像中确定感兴趣区域；
S104：对所述感兴趣区域进行预处理，预处理包括：滤波降噪、亮度均衡以及对比度均衡；
S105：根据灰度值，对预处理后的感兴趣区域进行初步检测，分割出潜在缺陷区域；
S106：确定所述潜在缺陷区域的置信度，当所述潜在缺陷区域的置信度大于预设置信度时，将所述潜在缺陷区域确定为正式缺陷区域；
S107：对各个所述正式缺陷区域进行栅线去除处理；
S108：提取栅线去除后的正式缺陷区域的图像特征，并将所述图像特征组成图像特征向量，所述图像特征包括：相对体积、宽长比、差异比和裂缝方向；
S109：构建隐裂检测模型，确定所述隐裂检测模型的最优超平面；
S110：将所述图像特征向量投影到所述最优超平面上，当所述图像特征向量位于所述最优超平面的第一侧时，给出所述正式缺陷区域为隐裂缺陷区域的隐裂诊断结果；当所述图像特征向量位于所述最优超平面的第二侧时，给出所述正式缺陷区域为显裂缺陷区域的隐裂诊断结果。
2.根据权利要求1所述的光伏太阳能电池片的隐裂检测方法，其特征在于，所述S102具体包括：
S1021：根据所述红外图像中电池片发光部分与黑色背景部分之间存在灰度的不连续性，进行边缘线检测，确定出所述光伏太阳能电池片的直边；
S1022：根据所述直边与水平线之间的偏移角，对所述红外图像进行旋转：
其中，(x 0, y 0)表示旋转前像素点坐标，(x t , y t )表示旋转后像素点坐标，α表示偏移角；
S1023：对旋转后的红外图像进行全局阈值分割，得到第一二值化图像；
S1024：对所述第一二值化图像中的像素点从行和列两个方向进行求和，并分别设置行阈值和列阈值，将求和结果大于所述行阈值的所在行以及求和结果大于所述列阈值的所在列的像素点放入像素点集合；
S1025：从所述像素点集合中确定出各个像素点的像素值的最小值以及最大值；
S1026：通过像素值的最小值以及最大值，对旋转后的红外图像进行去黑边。
3.根据权利要求1所述的光伏太阳能电池片的隐裂检测方法，其特征在于，所述S103具体包括：
根据以下公式，从预处理后的红外图像中确定感兴趣区域：
其中，ROI表示感兴趣区域，所述感兴趣区域为灰度值在最小灰度阈值与最大灰度阈值之间的像素点的集合，minG表示所述最小灰度阈值，maxG表示所述最大灰度阈值，g(x,y)表示像素点(x,y)处的灰度值。
4.根据权利要求1所述的光伏太阳能电池片的隐裂检测方法，其特征在于，所述S104具体包括：
S1041：根据以下公式，对所述感兴趣区域进行滤波降噪：
其中，f m (x,y)表示像素点(x,y)处的滤波降噪后的像素值，f(x,y)表示像素点(x,y)处的原像素值，m表示领域尺寸，ROI表示感兴趣区域；
S1042：根据以下公式，确定亮度均衡圆形结构的半径范围：
其中，R表示亮度均衡圆形结构的半径，r min 表示亮度均衡圆形结构的半径最小值，r max 表示亮度均衡圆形结构的半径最大值，S min表示缺陷区域的最小面积，S max表示缺陷区域的最大面积；
S1043：以预设步长s确定多个亮度均衡圆形结构，则亮度均衡圆形结构的数量为：
其中，L表示亮度均衡圆形结构的数量，表示向上取整，s表示预设步长；
S1044：通过多个亮度均衡圆形结构，对滤波降噪后的感兴趣区域进行亮度均衡：
其中，ft(x, y)表示像素点(x,y)处亮度均衡后的像素值，表示灰度闭运算，c(r i )表示第i个亮度均衡圆形结构；
S1045：构建能量变化函数：
其中，E(W)表示能量变化函数，X表示像素点(x,y)在t时间的灰度值，W表示位移向量，u表示x的位移量，v表示y的位移量，l表示t的位移量，表示三维梯度符号，表示灰度值的一致性参数，表示位移向量W的梯度，表示欧几里得范数符号，表示灰度值的平滑度参数；
S1046：根据所述能量变化函数构建欧拉拉格朗日方程：
其中，；
S1047：对所述欧拉拉格朗日方程进行求解，计算所述能量变化函数在空间域中的水平分量u(x, y)和垂直分量v(x, y)：
其中，表示u的平均值，表示v的平均值，F x 表示F对x的偏导数，F y 表示F对y的偏导数，F t 表示F对t的偏导数；
S1048：根据能量变化函数在空间域中的水平分量u(x, y)和垂直分量v(x, y)，进行对比度均衡：
其中，f d (x,y)表示像素点(x,y)处的对比度均衡后的像素值。
5.根据权利要求1所述的光伏太阳能电池片的隐裂检测方法，其特征在于，所述S105具体包括：
S1051：根据预处理后的感兴趣区域在灰度直方图中的灰度峰值，计算动态阈值：
其中，h max表示预处理后的感兴趣区域在灰度直方图中的灰度峰值，λ表示增益系数，σ表示感兴趣区域中各个像素点的灰度的标准差；
S1052：分割出感兴趣区域中灰度值大于所述动态阈值T的像素点，作为潜在缺陷区域。
6.根据权利要求1所述的光伏太阳能电池片的隐裂检测方法，其特征在于，所述S106具体包括：
S1061：根据所述潜在缺陷区域中像素点到探针边缘的距离，计算常量置信度图：
其中，c(x, y)表示在像素点(x,y)处的置信度值，e表示自然对数，d(x, y)表示像素点(x, y)到探针边缘的距离，d 0表示探针的边缘方向使用灰度投影法得到的阴影宽度；
S1062：对所述潜在缺陷区域进行连通区域分析，并结合所述常量置信图计算所述潜在缺陷区域的置信度：
其中，R pd 表示潜在缺陷区域，C pd 表示潜在缺陷区域R pd 的置信度，f pd (x,y)表示潜在缺陷区域在像素点(x,y)处的像素值；
S1063：当所述潜在缺陷区域的置信度大于预设置信度时，将所述潜在缺陷区域确定为正式缺陷区域。
7.根据权利要求1所述的光伏太阳能电池片的隐裂检测方法，其特征在于，所述S107具体包括：
S1071：将所述正式缺陷区域的图像转换为第二二值化图像；
S1072：计算所述第二二值化图像中每一列的像素值之和：
其中，A i 表示第i列的像素值之和，f rd (x i ,y j )表示正式缺陷区域在像素点(x i ,y j )处的二级化像素值，m表示总行数，n表示总列数；
S1073：根据所述第二二值化图像中每一列的像素值之和，对所述正式缺陷区域进行栅线去除处理：
其中，f s (x, y)表示栅线去除后正式缺陷区域在像素点(x,y)处的像素值，A 0表示预设数值。
8.根据权利要求1所述的光伏太阳能电池片的隐裂检测方法，其特征在于，所述S108具体包括：
S1081：通过以下公式，计算所述正式缺陷区域的相对体积RV：
其中，A D 表示缺陷面积，H B 表示背景区域的平均灰度值，H D 表示所述正式缺陷区域的平均灰度值；
S1082：通过以下公式，计算所述正式缺陷区域的宽长比WLR：
其中，w表示裂缝宽度，L表示骨架长度；
S1083：通过以下公式，计算所述正式缺陷区域与裂缝模型区域的差异比DR：
其中，R d 表示正式缺陷区域，R c 表示裂缝模型区域；
其中，通过以下公式，确定所述裂缝模型区域R c ：
其中，S表示骨架区域，s(w)以裂缝宽度w为直径的圆形区域；
S1084：确定裂缝的任意两个端点的距离，并以最大距离对应的两个端点计算裂缝方向OR：
其中，(x 1, y 1)和(x 2, y 2)分别表示最大距离对应的两个端点。
9.根据权利要求1所述的光伏太阳能电池片的隐裂检测方法，其特征在于，所述S109具体包括：
S1091：确定所述隐裂检测模型在隐裂检测过程中的目标函数minL(ω,b, λ)：
其中，t表示超平面的法向量，b表示超平面的偏移量，ξ表示松弛变量，松弛变量ξ用于处理不可分的情况，N表示样本数量，μ表示输入的整体图像特征，Y表示输入的隐裂检测结果，C表示惩罚因子，惩罚因子C用于控制模型的复杂度，表示核函数，核函数用于将样本映射到高维特征空间，表示μ i 与μ j 之间的相似度，g表示核参数；
S1092：确定初始寻找速度和初始搜寻位置，对各个惩罚因子C和各个核参数g进行搜寻；
S1093：在搜寻过程中，引入自适应惯性权重因子w，以避免算法过早收敛：
其中，h表示当前算法所寻找的目标参数值，h为惩罚因子C或者核参数g，h min表示目标参数值的最小值，h avg 表示目标参数值的平均值，w max表示自适应惯性权重因子的最大值，w min表示自适应惯性权重因子的最小值；
S1094：在搜寻过程中，引入收缩因子ρ，将搜寻范围向全局最优位置不断缩小：
其中，E表示平衡因子, e 1和e 2表示学习因子，v i 表示种群寻找速度，x i 表示搜寻位置，r为介于0到1之间的随机数，P i 表示全局最优参数，G i 表示个体最优参数；
S1095：根据以下公式更新种群寻找速度v i 和搜寻位置x i ，对惩罚因子C和核参数g进行搜寻，直至搜寻到关于惩罚因子C的全局最优参数和个体最优参数，以及关于核参数g的全局最优参数和个体最优参数：
其中，r为介于0到1之间的随机数，x i 表示当前搜寻位置，e 1和e 2表示学习因子，P i 表示全局最优参数，G i 表示个体最优参数；
S1096：通过全局最优参数处的惩罚因子C P 和个体最优参数位置处的惩罚因子C G 计算最优的惩罚因子：
其中，λ 1表示全局最优参数处的惩罚因子C P 的权重；
S1097：通过全局最优参数处的核参数g P 和个体最优参数位置处的核参数g G 计算最优的惩罚因子：
其中，λ 2表示全局最优参数处的核参数g P 的权重；
S1098：通过搜寻最优的惩罚因子和最优的核参数，计算出最优超平面的法向量ω，超平面的偏移量b，松弛变量ξ；
S1099：确定所述隐裂检测模型的最优超平面：
其中，sgn()函数用于返回自变量的正负性。
10.一种光伏太阳能电池片的隐裂检测系统，其特征在于，用于执行权利要求1至9任一项所述的光伏太阳能电池片的隐裂检测方法。
CN202310937946.XA 2023-07-28 2023-07-28 一种光伏太阳能电池片的隐裂检测方法及系统 Pending CN116664565A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310937946.XA CN116664565A (zh) 2023-07-28 2023-07-28 一种光伏太阳能电池片的隐裂检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310937946.XA CN116664565A (zh) 2023-07-28 2023-07-28 一种光伏太阳能电池片的隐裂检测方法及系统

Publications (1)

Publication Number Publication Date
CN116664565A true CN116664565A (zh) 2023-08-29

Family

ID=87710031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310937946.XA Pending CN116664565A (zh) 2023-07-28 2023-07-28 一种光伏太阳能电池片的隐裂检测方法及系统

Country Status (1)

Country Link
CN (1) CN116664565A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576093A (zh) * 2024-01-15 2024-02-20 江苏森标科技有限公司 基于el图像的太阳能电池片隐裂检测方法
CN117670880A (zh) * 2024-01-31 2024-03-08 中成空间（深圳）智能技术有限公司 一种柔性光伏电池的检测校正方法及系统
CN117705754A (zh) * 2023-11-30 2024-03-15 浙江大学 一种基于高光谱成像的纺织品聚酯纤维含量在线检测方法
CN117934364A (zh) * 2023-11-01 2024-04-26 广东工业大学 一种基于多层特征的光伏板高阶纹理定位和故障检测方法
CN118037279A (zh) * 2024-04-12 2024-05-14 海宁昱天新能源科技有限公司 基于计算机视觉的光伏设备自动化运维管理系统及方法
CN118399889A (zh) * 2024-04-29 2024-07-26 苏州柯派自动化设备有限公司 一种电池片测试系统与方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110942457A (zh) * 2019-11-30 2020-03-31 天津大学 基于数字图像处理技术的太阳能电池板缺陷检测方法
CN112489002A (zh) * 2020-11-24 2021-03-12 广东省电子技术研究所 一种缺陷检测方法、装置、设备及存储介质
CN113595133A (zh) * 2021-07-07 2021-11-02 华中科技大学 基于能源路由器的配电网-多微网系统及其调度方法
CN114077934A (zh) * 2022-01-19 2022-02-22 国网湖北省电力有限公司经济技术研究院 一种综合能源微网互联系统及其调度方法
CN114399502A (zh) * 2022-03-24 2022-04-26 视睿（杭州）信息科技有限公司 一种适用于led芯片的外观缺陷检测方法、系统及存储介质
CN115908930A (zh) * 2022-12-01 2023-04-04 江苏海洋大学 一种基于改进cfwpso-svm的前视声呐图像识别分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110942457A (zh) * 2019-11-30 2020-03-31 天津大学 基于数字图像处理技术的太阳能电池板缺陷检测方法
CN112489002A (zh) * 2020-11-24 2021-03-12 广东省电子技术研究所 一种缺陷检测方法、装置、设备及存储介质
CN113595133A (zh) * 2021-07-07 2021-11-02 华中科技大学 基于能源路由器的配电网-多微网系统及其调度方法
CN114077934A (zh) * 2022-01-19 2022-02-22 国网湖北省电力有限公司经济技术研究院 一种综合能源微网互联系统及其调度方法
CN114399502A (zh) * 2022-03-24 2022-04-26 视睿（杭州）信息科技有限公司 一种适用于led芯片的外观缺陷检测方法、系统及存储介质
CN115908930A (zh) * 2022-12-01 2023-04-04 江苏海洋大学 一种基于改进cfwpso-svm的前视声呐图像识别分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孟庆昕: "海上目标被动识别方法研究", 《万方数据知识服务平台》, pages 1 - 120 *
徐嘉明: "太阳能电池片内部缺陷智能检测算法研究", 《万方数据知识服务平台》, pages 1 - 92 *
郭焕焕: "三结砷化镓太阳电池缺陷检测系统的研制", 《万方数据知识服务平台》, pages 1 - 51 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934364A (zh) * 2023-11-01 2024-04-26 广东工业大学 一种基于多层特征的光伏板高阶纹理定位和故障检测方法
CN117705754A (zh) * 2023-11-30 2024-03-15 浙江大学 一种基于高光谱成像的纺织品聚酯纤维含量在线检测方法
CN117576093A (zh) * 2024-01-15 2024-02-20 江苏森标科技有限公司 基于el图像的太阳能电池片隐裂检测方法
CN117576093B (zh) * 2024-01-15 2024-03-26 江苏森标科技有限公司 基于el图像的太阳能电池片隐裂检测方法
CN117670880A (zh) * 2024-01-31 2024-03-08 中成空间（深圳）智能技术有限公司 一种柔性光伏电池的检测校正方法及系统
CN117670880B (zh) * 2024-01-31 2024-05-07 中成空间（深圳）智能技术有限公司 一种柔性光伏电池的检测校正方法及系统
CN118037279A (zh) * 2024-04-12 2024-05-14 海宁昱天新能源科技有限公司 基于计算机视觉的光伏设备自动化运维管理系统及方法
CN118399889A (zh) * 2024-04-29 2024-07-26 苏州柯派自动化设备有限公司 一种电池片测试系统与方法

Similar Documents

Publication Publication Date Title
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN111428748B (zh) 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
CN105894036B (zh) 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法
CN111815564B (zh) 一种检测丝锭的方法、装置及丝锭分拣系统
CN110543837A (zh) 一种基于潜在目标点的可见光机场飞机检测方法
CN105678788B (zh) 一种基于hog和低秩分解的织物疵点检测方法
CN108765465A (zh) 一种无监督sar图像变化检测方法
CN109726649B (zh) 遥感影像云检测方法、系统及电子设备
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
Lim et al. Text segmentation in color images using tensor voting
CN117746077B (zh) 一种芯片缺陷的检测方法、装置、设备和存储介质
CN116758080A (zh) 一种太阳能电池片丝网印刷缺陷检测方法及系统
CN109507193A (zh) 一种基于局部对比度增强与二值模式的织物瑕疵检测方法
Jing et al. Automatic recognition of weave pattern and repeat for yarn-dyed fabric based on KFCM and IDMF
Li et al. Electronic product surface defect detection based on a MSSD network
CN110188693B (zh) 改进的复杂环境车辆特征提取和停车判别方法
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
Zhang et al. Fabric defect detection based on visual saliency map and SVM
CN116309561B (zh) 一种基于防漏电绝缘材料的表面缺陷识别方法
CN117036314A (zh) 一种高密度柔性ic基板氧化区域检测方法
Li et al. Surface Defect Detection of Seals Based on K‐Means Clustering Algorithm and Particle Swarm Optimization
CN110276260B (zh) 一种基于深度摄像头的商品检测方法
CN115063679B (zh) 一种基于深度学习的路面质量评估方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230829

RJ01 Rejection of invention patent application after publication