CN116977329B - 一种基于机器视觉的光伏板栅线检测方法 - Google Patents
一种基于机器视觉的光伏板栅线检测方法 Download PDFInfo
- Publication number
- CN116977329B CN116977329B CN202311218231.5A CN202311218231A CN116977329B CN 116977329 B CN116977329 B CN 116977329B CN 202311218231 A CN202311218231 A CN 202311218231A CN 116977329 B CN116977329 B CN 116977329B
- Authority
- CN
- China
- Prior art keywords
- window
- sliding window
- gray
- sliding
- pixel point
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 50
- 238000012937 correction Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing 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
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
-
- 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
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于机器视觉的光伏板栅线检测方法,包括:采集光伏板图像的灰度图像;根据灰度图像得到栅线特征点、背景特征点以及滑动窗口,从而得到参考像素点;根据参考像素点得到滤波核权重系数;获取像素点的第一梯度;根据第一梯度与滤波核权重系数得到滤波权重系数;根据滤波权重系数得到第二滑动窗口;根据第二滑动窗口得到方向组合;根据方向组合得到参考度;根据参考度得到最终校正值;根据最终校正值得到去噪后的灰度图像,进行霍夫变换检测。本发明在保证去噪的基础上,尽可能的保留了光伏板图像中的栅线部分,使霍夫变换的检测结果更加准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于机器视觉的光伏板栅线检测方法。
背景技术
通过光伏板吸收太阳能进行发电的供电方式,因其设备的制造成本以及对环境无污染等优势,而被广泛使用;其中光伏板的栅线是影响光伏板质量和规格的重要因素之一,并且由于光伏板的产量越来越多,所以针对光伏板栅线的智能化检测技术尤为重要。现有技术通过霍夫变换检测栅线,但是霍夫变换容易受到噪声的影响,因此首先需要利用高斯滤波进行去噪。
传统的高斯滤波对采集的光伏板图像进行无差别的滤波操作,容易使光伏板的栅线特征被平滑掉,从而使霍夫变换的检测结果不准确。
发明内容
本发明提供一种基于机器视觉的光伏板栅线检测方法,以解决现有的问题:由于高斯滤波对采集的光伏板图像进行无差别的滤波操作,从而忽略了光伏板的栅线特征,导致光伏板的栅线特征被过度平滑掉,从而使霍夫变换的检测结果不准确。
本发明的一种基于机器视觉的光伏板栅线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基于机器视觉的光伏板栅线检测方法,该方法包括以下步骤:
采集光伏板图像的若干灰度图像;
对每张灰度图像进行聚类得到每张灰度图像的若干栅线特征点与若干背景特征点,根据栅线特征点与背景特征点获取每张灰度图像的特征灰度阈值;对每张灰度图像进行窗口滑动得到若干滑动窗口;对每个滑动窗口内栅线特征点与背景特征点数量进行判断,得到每个滑动窗口的参考像素点;根据参考像素点以及特征灰度阈值得到每个滑动窗口的滤波核权重系数;获取每个滑动窗口内每个像素点的第一梯度;根据第一梯度与滤波核权重系数得到每个滑动窗口内每个像素点的每个滤波权重系数;根据滤波权重系数进行滤波得到若干第二滑动窗口;
对每个第二滑动窗口进行方向划分得到每个第二滑动窗口的若干方向组合;根据方向组合得到每个第二滑动窗口的每个方向组合的参考近邻窗口、第一近邻窗口以及第二近邻窗口;根据参考近邻窗口、第一近邻窗口以及第二近邻窗口得到每个第二滑动窗口的参考度;
根据参考度对每个第二滑动窗口进行筛选得到若干参考窗口以及若干普通窗口;将每个普通窗口分别作为一个目标中心窗口,获取每个目标中心窗口的局部区域;根据局部区域中存在参考窗口的数量得到每个目标中心窗口的最终校正值;根据最终校正值得到去噪后的灰度图像,进行霍夫变换检测得到若干光伏板栅线。
优选的,所述对每张灰度图像进行聚类得到每张灰度图像的若干栅线特征点与若干背景特征点,根据栅线特征点与背景特征点获取每张灰度图像的特征灰度阈值,包括的具体方法为:
对于任意一张灰度图像,根据灰度值对灰度图像中的所有像素点进行K-means聚类,得到若干聚类簇;将灰度值的均值最大的聚类簇记为栅线特征聚类簇,将栅线特征聚类簇中包含的每个像素点记为栅线特征点;将灰度值的均值最小的聚类簇记为背景特征聚类簇,将背景特征聚类簇中包含的每个像素点记为背景特征点;将所有栅线特征点的灰度值的均值记为栅线灰度均值,将所有背景特征点的灰度值的均值记为背景灰度均值,将栅线灰度均值与背景灰度均值之间的中心数值记为灰度图像的特征灰度阈值;
获取每张灰度图像的特征灰度阈值。
优选的,所述对每个滑动窗口内栅线特征点与背景特征点数量进行判断,得到每个滑动窗口的参考像素点,包括的具体方法为:
将任意一个滑动窗口记为标记滑动窗口,在标记滑动窗口内,若栅线特征点的数量大于等于背景特征点的数量,将栅线特征点记为标记滑动窗口的参考像素点;若栅线特征点的数量小于背景特征点的数量,将背景特征点记为标记滑动窗口的参考像素点;
获取每个滑动窗口的参考像素点。
优选的,所述根据参考像素点以及特征灰度阈值得到每个滑动窗口的滤波核权重系数,包括的具体方法为:
对于任意一个滑动窗口,式中,表示滑动窗口的滤波核权重系数;/>表示滑动窗口内窗口中心的像素点的灰度值;/>表示滑动窗口所属灰度图像的特征灰度阈值;表示取最小值作为输出结果;/>表示取最大值作为输出结果;
获取每个滑动窗口的滤波核权重系数。
优选的,所述获取每个滑动窗口内每个像素点的第一梯度;根据第一梯度与滤波核权重系数得到每个滑动窗口内每个像素点的每个滤波权重系数,包括的具体方法为:
对于任意一个滑动窗口,计算滑动窗口内每个像素点与滑动窗口的中心像素点的灰度值的差值的绝对值,将所得结果作为滑动窗口内每个像素点的第一梯度;
将任意一个滑动窗口内任意一个像素点记为标准像素点,预设标准像素点的初始滤波核,将标准像素点的初始滤波核中的每个元素记为标准像素点的滤波权重系数;
对于标准像素点的任意一个滤波权重系数,式中,表示滤波权重系数;/>表示第一滤波权重系数因子;/>表示第二滤波权重系数因子;/>表示滑动窗口的滤波核权重系数;表示滑动窗口内窗口中心的像素点的灰度值;/>表示滑动窗口内所有像素点的灰度值的均值;/>表示超参数;/>表示滑动窗口内所有像素点的灰度值的标准差;/>表示标准像素点的第一梯度;/>表示超参数;/>表示超参数;/>表示滑动窗口内所有参考像素点的灰度值的均值;/>表示滤波权重系数在初始滤波核中的横坐标;/>表示滤波权重系数在初始滤波核中的纵坐标;/>表示以自然常数为底的指数函数;
获取每个滑动窗口内每个像素点的每个滤波权重系数。
优选的,所述对每个第二滑动窗口进行方向划分得到每个第二滑动窗口的若干方向组合,包括的具体方法为:
对于任意一个第二滑动窗口,预设一个度数范围,一个方向数量T4;在度数范围内,将第二滑动窗口均等划分T4个方向,将互相垂直的方向记为一个方向组合;
获取每个第二滑动窗口内的若干方向组合。
优选的,所述根据方向组合得到每个第二滑动窗口的每个方向组合的参考近邻窗口、第一近邻窗口以及第二近邻窗口,包括的具体方法为:
将任意一个第二滑动窗口记为标准窗口,对于标准窗口内的任意一个方向组合,将方向组合中度数最小的方向记为方向组合的第一方向;在标准窗口的方向组合的第一方向上,与标准窗口距离最近的像素点对应的第二滑动窗口记为标准窗口的方向组合的第一近邻窗口;
将方向组合中度数最大的方向记为方向组合的第二方向,在标准窗口的方向组合的第二方向上,与标准窗口距离最近的像素点对应的第二滑动窗口记为标准窗口的方向组合的第二近邻窗口;
在第一近邻窗口与第二近邻窗口中,将与标准窗口距离最近的第二滑动窗口记为标准窗口的方向组合的参考近邻窗口;
获取每个第二滑动窗口的每个方向组合的参考近邻窗口、第一近邻窗口以及第二近邻窗口。
优选的,所述根据参考近邻窗口、第一近邻窗口以及第二近邻窗口得到每个第二滑动窗口的参考度,包括的具体方法为:
对于任意一个第二滑动窗口,式中,表示第二滑动窗口的参考度;/>表示第二滑动窗口的方向组合数量;/>表示第二滑动窗口的滤波核权重系数;/>表示第二滑动窗口的第/>个方向组合的第一近邻窗口的滤波核权重系数;/>表示第二滑动窗口的第/>个方向组合的第二近邻窗口的滤波核权重系数;/>表示在第二滑动窗口的第/>个方向组合的参考近邻窗口中,参考像素点的数量与所有像素点的数量的比值;/>表示在第二滑动窗口的第/>个方向组合的参考近邻窗口中,所有参考像素点的灰度值的均值;/>表示在第二滑动窗口的第/>个方向组合的参考近邻窗口中,所有像素点的灰度值的均值;/>表示以自然常数为底的指数函数。
优选的,所述根据参考度对每个第二滑动窗口进行筛选得到若干参考窗口以及若干普通窗口;将每个普通窗口分别作为一个目标中心窗口,获取每个目标中心窗口的局部区域,包括的具体方法为:
预设一个参考度阈值T5,将任意一个第二滑动窗口记为结果第二滑动窗口,若结果第二滑动窗口的参考度大于等于T5,将结果第二滑动窗口记为参考窗口;若结果第二滑动窗口的参考度小于T5,将结果第二滑动窗口记为普通窗口;遍历所有第二滑动窗口,获取若干参考窗口以及若干普通窗口;
预设一个局部范围大小T6,将任意一个普通窗口记为目标中心窗口,以目标中心窗口为局部范围的中心窗口,将局部范围大小T6内所有构成的区域记为目标中心窗口的局部区域。
优选的,所述根据局部区域中存在参考窗口的数量得到每个目标中心窗口的最终校正值;根据最终校正值得到去噪后的灰度图像,进行霍夫变换检测得到若干光伏板栅线,包括的具体方法为:
对于任意一个目标中心窗口,在目标中心窗口的局部区域中,获取所有参考窗口;
对于任意一个参考窗口,将参考窗口的窗口中心的像素点与目标中心窗口的窗口中心的像素点进行连线,得到参考线段;以水平线为初始线段,将参考线段与初始线段的夹角度数记为参考线段的方向度数;在参考窗口中,将与参考线段的方向度数距离最近的方向记为标记方向,在标记方向上的所有像素点中,获取所有相邻像素点的灰度值的差值的绝对值的均值,记为目标中心窗口中的校正值;若参考窗口的所有像素点的灰度值的均值大于目标中心窗口的所有像素点的灰度值的均值,将校正值与-1相乘的结果作为目标中心窗口的一个第二校正值;若参考窗口的所有像素点的灰度值的均值小于等于目标中心窗口的所有像素点的灰度值的均值,将校正值作为目标中心窗口的一个第二校正值;获取目标中心窗口的所有第二校正值,将目标中心窗口的所有第二校正值的均值记为目标中心窗口的最终校正值;
根据每个目标中心窗口的最终校正值与每个目标中心窗口的窗口中心的像素点的灰度值进行相加,将相加结果记为每个像素点的最终灰度值;根据所有像素点的最终灰度值得到去噪后的灰度图像,对灰度图像进行霍夫变换进行直线检测得到若干光伏板栅线。
本发明的技术方案的有益效果是:通过对灰度图像进行窗口滑动得到若干滑动窗口,判断滑动窗口中的栅线特征点和背景特征点的数量,得到每个滑动窗口内每个像素点的每个滤波权重系数;根据滤波权重系数进行高斯滤波得到第二滑动窗口;对第二滑动窗口进行方向划分得到每个第二滑动窗口的参考度;根据参考度得到每个目标中心窗口的最终校正值;根据最终校正值进行校正,从而进行霍夫变换检测;相较于现有技术对采集的光伏板图像进行无差别的滤波操作;在保证去噪的基础上,尽可能的保留了光伏板图像中的栅线部分,使霍夫变换的检测结果更加准确。
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为本发明一种基于机器视觉的光伏板栅线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基于机器视觉的光伏板栅线检测方法,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基于机器视觉的光伏板栅线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基于机器视觉的光伏板栅线检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集光伏板图像的灰度图像。
需要说明的是,传统的高斯滤波对采集的光伏板图像进行无差别的滤波操作,容易使光伏板的栅线特征被平滑掉,从而使检测结果不准确;为此,本实施例提出了一种基于机器视觉的光伏板栅线检测方法,通过光伏板的特征进行自适应的高斯滤波操作,既确保栅线的特征不被平滑消失,同时对背景图像进行平滑去噪,提高霍夫变换检测栅线的准确性。
具体的,为了实现本实施例提出的一种基于机器视觉的光伏板栅线检测方法,首先需要采集光伏板图像的灰度图像,具体过程为:使用工业照相机俯视拍摄若干光伏板,得到若干光伏板的光伏板图像;对若干光伏板图像进行灰度化处理,得到若干光伏板的灰度图像。其中灰度化处理是公知技术,本实施例不进行叙述。
至此,通过上述方法得到所有光伏板的灰度图像。
步骤S002:对灰度图像进行聚类得到栅线特征点与背景特征点;对灰度图像进行窗口滑动得到若干滑动窗口;对滑动窗口内栅线特征点与背景特征点数量进行判断得到参考像素点;根据参考像素点得到滤波核权重系数;获取像素点的第一梯度;根据第一梯度与滤波权重系数得到滤波权重系数;根据滤波权重系数进行高斯滤波得到若干第二滑动窗口。
需要说明的是,传统的高斯滤波去噪方法是根据灰度图像的每个窗口内像素点的灰度分布特征进行去噪,而在光伏板的灰度图像中,大致存在两种不同种类的像素点:一种是具有栅线特征的像素点,这种像素点在灰度图像中数量较少,且灰度值较大;另一种是具有背景特征的像素点,这种像素点在灰度图像中数量较多,且灰度值较小。而在这两种不同种类的像素点中,噪声都有存在的可能性,并且因每个窗口内像素点的灰度分布特征不同,导致相邻窗口之间会产生类似“块效应”的问题,使相邻窗口之间的平滑效果差异较大,从而降低去噪效果,因此本实施例结合每个窗口内不同种类的像素点的灰度分布特征,量化每个窗口的初始滤波核,然后依据相邻窗口的分布关系,对窗口中高斯滤波核进行自适应获取。
具体的,以任意一张灰度图像为例,根据灰度值对该灰度图像中的所有像素点进行K-means聚类,得到若干聚类簇;将灰度值的均值最大的聚类簇记为栅线特征聚类簇,将栅线特征聚类簇中包含的每个像素点记为栅线特征点;将灰度值的均值最小的聚类簇记为背景特征聚类簇,将背景特征聚类簇中包含的每个像素点记为背景特征点;将所有栅线特征点的灰度值的均值记为栅线灰度均值,将所有背景特征点的灰度值的均值记为背景灰度均值,将栅线灰度均值与背景灰度均值之间的中心数值记为该灰度图像的特征灰度阈值;其中K-means聚类是公知技术,需要预设分组数量K,本实施例预设K=2,本实施例不进行叙述。进一步需要说明的是,栅线特征点并不是栅线上的像素点,而是具有栅线特征的像素点,栅线特征点有可能是栅线上的像素点,也有可能是背景部分的像素点;而背景特征点并不是背景部分上的像素点,是具有背景特征的像素点,背景特征点有可能是背景部分上的像素点,也有可能是栅线部分的像素点。
进一步的,预设一个窗口大小T1,其中本实施例以T1=33为例进行叙述,本实施例不进行具体限定,其中T1可根据具体实施情况而定;将预设窗口大小为T1的窗口作为初始窗口,将初始窗口以步长为1在灰度图像中进行滑动遍历,得到若干滑动窗口。
进一步的,以任意一个滑动窗口为例,对该滑动窗口内栅线特征点的数量与该滑动窗口内背景特征点的数量进行判断:在该滑动窗口内,若栅线特征点的数量大于等于背景特征点的数量,则将栅线特征点记为该滑动窗口的参考像素点;若栅线特征点的数量小于背景特征点的数量,则将背景特征点记为该滑动窗口的参考像素点;获取该滑动窗口的参考像素点;获取所有滑动窗口的参考像素点。
进一步的,以任意一个滑动窗口为例,对该滑动窗口内参考像素点进行判断得到该滑动窗口的滤波核权重系数;其中该滑动窗口的滤波核权重系数的计算方法为:
式中,表示该滑动窗口的滤波核权重系数;/>表示该滑动窗口内窗口中心的像素点的灰度值;/>表示灰度的值域范围中的最大值;/>表示该滑动窗口所属灰度图像的特征灰度阈值;/>表示取/>与/>中的最小值作为输出结果;表示取/>与/>中的最大值作为输出结果;获取所有滑动窗口的滤波核权重系数。其中该滑动窗口内的滤波核权重系数越大,说明该滑动窗口的窗口中心的像素点更偏向于栅线特征,则更需要注重保存栅线的特征;该滑动窗口内的滤波核权重系数越小,说明该滑动窗口的窗口中心的像素点更不偏向于栅线特征,则更不需要注重保存栅线的特征。
进一步的,以任意一个滑动窗口内除位于窗口中心的像素点以外的任意一个像素点为例,获取该像素点与该滑动窗口内窗口中心的像素点之间的灰度值的差值的绝对值,记为该像素点的第一梯度;获取该滑动窗口内所有像素点的第一梯度。
进一步的,以任意一个滑动窗口的任意一个像素点为例,本实施例预设一个初始滤波核大小T2,其中本实施例以T2=33为例进行叙述,本实施例不进行具体限定,其中T2可根据具体实施情况而定;将该像素点的初始滤波核中的每个元素记为该像素点的滤波权重系数;根据该滑动窗口内的参考像素点、滤波核权重系数以及若干第一梯度,得到该滑动窗口内该像素点的初始滤波核中每个滤波权重系数。其中每个像素点对应一个初始滤波核,每个初始滤波核包含若干滤波权重系数,每个滤波权重系数对应一个像素点的灰度值。
进一步的,以该像素点的任意一个滤波权重系数为例,该滤波权重系数的计算方法为:
式中,表示该滤波权重系数;/>表示第一滤波权重系数因子;/>表示第二滤波权重系数因子;/>表示该滑动窗口的滤波核权重系数;/>表示该滑动窗口内窗口中心的像素点的灰度值;/>表示该滑动窗口内所有像素点的灰度值的均值;/>表示超参数,本实施例预设/>;/>表示该滑动窗口内所有像素点的灰度值的标准差;/>表示该滤波权重系数对应像素点的第一梯度;/>表示超参数,本实施例预设/>;/>表示超参数,本实施例预设/>;/>表示该滑动窗口内所有参考像素点的灰度值的均值;/>表示该滤波权重系数在初始滤波核中的横坐标;/>表示该滤波权重系数在初始滤波核中的纵坐标;/>表示以自然常数为底的指数函数;实施例采用/>函数来呈现反比例关系及归一化处理,实施者可根据实际情况选择反比例函数及归一化函数;/>表示该滑动窗口内除窗口中心的像素点以外的像素点数量。获取该滑动窗口内该像素点的所有滤波权重系数;获取该滑动窗口内每个像素点的所有滤波权重系数;获取每个滑动窗口内每个像素点的所有滤波权重系数。
进一步需要说明的是,表示该滑动窗口内窗口中心的像素点的灰度值与该滑动窗口内所有像素点灰度值的均值的差值;若该滑动窗口内窗口中心的像素点是栅线特征点,那么该滑动窗口内可能存在栅线特征点,也可能存在背景特征点:若栅线特征点越多,说明高斯滤波时能够保留更多的栅线特征,/>越小,从而使窗口中心的像素点的权值越小;若栅线特征点越少,说明高斯滤波时能够保留更少的栅线特征,/>越大,从而使窗口中心的像素点的权值越大;/>表示该滑动窗口内所有像素点灰度值的均值与该滑动窗口内的所有参考像素点的灰度值的均值的差值;由于背景特征点中含有大量的噪声,所以两者之间的差值能够近似表征该滑动窗口内的噪声大小,若差值越大,则说明噪声越大,需要平滑的程度越大。
进一步的,以任意一个滑动窗口的任意一个像素点为例,根据该像素点的所有滤波权重系数得到该像素点的初始滤波核;获取该滑动窗口的所有初始滤波核进行高斯滤波,得到处理后的滑动窗口记为第二滑动窗口;获取所有第二滑动窗口。其中初始滤波核的获取是高斯滤波的公知内容,高斯滤波是公知技术,本实施例不进行叙述。
至此,通过上述方法得到所有第二滑动窗口。
步骤S003:对第二滑动窗口进行方向分析得到若干方向组合;根据方向组合得到参考近邻窗口、第一近邻窗口以及第二近邻窗口;根据参考近邻窗口、第一近邻窗口以及第二近邻窗口得到第二滑动窗口的参考度。
需要说明的是,由于初始滤波核仅是根据其自身所在的滑动窗口构成,并没有考虑相邻滑动窗口之间的联系,所以造成了一定范围内滑动窗口之间像素点灰度值不够平滑,从而无法进行准确的霍夫直线检测;为了提高图像的表征信息的能力,本实施例根据相邻滑动窗口之间的分布关系对初始滤波核进行校正。其中通过获取滑动窗口中变化较平稳的滑动窗口,并结合每个滑动窗口与距离较近的变化平稳的滑动窗口之间的联系性来进行校正。
进一步需要说明的是,由于栅线之间都是互相垂直的,方向性较为明显,所以本实施例可以通过预设方向组合来得到每个滑动窗口的参考度,从而筛选出参考度较大的滑动窗口。
具体的,以任意一个第二滑动窗口为例,预设一个度数范围T3,方向数量T4,其中本实施例以T3=,T4=180为例进行叙述,本实施例不进行具体限定,其中T3可根据具体实施情况而定;在度数范围T3内,将该第二滑动窗口均等划分方向数量T4个方向,将互相垂直的方向记为一个方向组合,例如:/>与/>是一个方向组合,/>与/>是一个方向组合,/>与/>是一个方向组合;获取该第二滑动窗口内的若干方向组合。
进一步的,以该第二滑动窗口内的任意一个方向组合为例,将该方向组合中度数最小的方向记为该方向组合的第一方向;在该第二滑动窗口的该方向组合的第一方向上,与该第二滑动窗口距离最近的像素点对应的第二滑动窗口记为该第二滑动窗口的该方向组合的第一近邻窗口;将该方向组合中度数最大的方向记为该方向组合的第二方向,在该第二滑动窗口的该方向组合的第二方向上,与该第二滑动窗口距离最近的像素点对应的第二滑动窗口记为该第二滑动窗口的该方向组合的第二近邻窗口;在第一近邻窗口与第二近邻窗口中,将与该第二滑动窗口距离最近的第二滑动窗口记为该第二滑动窗口的该方向组合的参考近邻窗口。
进一步的,根据该第二滑动窗口的参考近邻窗口、第一近邻窗口以及第二近邻窗口得到该第二滑动窗口的参考度;其中该第二滑动窗口的参考度的计算方法为:
式中,表示该第二滑动窗口的参考度;/>表示该第二滑动窗口的方向组合数量;/>表示该第二滑动窗口的滤波核权重系数;/>表示该第二滑动窗口的第/>个方向组合的第一近邻窗口的滤波核权重系数;/>表示该第二滑动窗口的第/>个方向组合的第二近邻窗口的滤波核权重系数;/>表示在该第二滑动窗口的第/>个方向组合的参考近邻窗口中,参考像素点的数量与所有像素点的数量的比值;/>表示在该第二滑动窗口的第/>个方向组合的参考近邻窗口中,所有参考像素点的灰度值的均值;/>表示在该第二滑动窗口的第/>个方向组合的参考近邻窗口中,所有像素点的灰度值的均值;/>表示以自然常数为底的指数函数;实施例采用/>函数来呈现反比例关系及归一化处理,实施者可根据实际情况选择反比例函数及归一化函数;获取每个第二滑动窗口的参考度。其中表示方向组合中两个窗口的滤波核权重值的相似性,作为后续计算过程中的权重值,若相似性越小,说明方向组合的两个窗口之间的差异变化明显,该第二滑动窗口的参考度越大。
至此,通过上述方法得到每个第二滑动窗口的参考度。
步骤S004:对参考度进行筛选得到若干参考窗口以及普通窗口;根据普通窗口进行区域划分得到局部区域;根据局部区域中存在参考窗口的数量得到最终校正值;根据最终校正值得到去噪后的灰度图像,进行霍夫变换检测。
具体的,预设一个参考度阈值T5,其中本实施例以T5=0.68为例进行叙述,本实施例不进行具体限定,其中T5可根据具体实施情况而定;以任意一个第二滑动窗口为例,若该第二滑动窗口的参考度大于等于参考度阈值T5,则将该第二滑动窗口记为参考窗口;若该第二滑动窗口的参考度小于参考度阈值T5,则将该第二滑动窗口记为普通窗口;遍历所有第二滑动窗口,获取所有参考窗口以及所有普通窗口。
进一步的,预设一个局部范围大小T6,其中本实施例以T6=77为例进行叙述,本实施例不进行具体限定,其中T6可根据具体实施情况而定,以任意一个普通窗口为例,将该普通窗口记为目标中心窗口,以目标中心窗口为局部范围的中心窗口,将局部范围大小T6内所有构成的区域记为该目标中心窗口的局部区域。
进一步的,在该目标中心窗口的局部区域中,获取所有参考窗口;以任意一个参考窗口为例,将该参考窗口的窗口中心的像素点与目标中心窗口的窗口中心的像素点进行连线,得到参考线段;以水平线为初始线段,将参考线段与初始线段的夹角度数记为参考线段的方向度数;在该参考窗口中,将与参考线段的方向度数距离最近的方向记为标记方向,在标记方向上的所有像素点中,获取所有相邻像素点的灰度值的差值的绝对值的均值,记为该目标中心窗口中的校正值;若该参考窗口的所有像素点的灰度值的均值大于目标中心窗口的所有像素点的灰度值的均值,则将校正值与-1相乘的结果作为该目标中心窗口的一个第二校正值;若该参考窗口的所有像素点的灰度值的均值小于等于目标中心窗口的所有像素点的灰度值的均值,则将校正值作为该目标中心窗口的一个第二校正值;获取该目标中心窗口的所有第二校正值,将该目标中心窗口的所有第二校正值的均值记为该目标中心窗口的最终校正值。其中每个目标中心窗口对应一个第二滑动窗口。特殊的,若在该目标中心窗口的局部区域中,不存在参考窗口,那么该目标中心窗口的最终校正值记为0,并对其他目标中心窗口进行最终校正值的获取。
进一步的,以任意一个目标中心窗口为例,根据该目标中心窗口的最终校正值与该目标中心窗口的窗口中心的像素点的灰度值进行相加,将相加结果记为该像素点的最终灰度值。获取所有像素点的最终灰度值,根据所有像素点的最终灰度值得到去噪后的灰度图像;对该灰度图像进行霍夫变换进行直线检测得到若干光伏板栅线。其中霍夫变换是公知技术,本实施例不进行叙述。
至此,本实施例完成。
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 (5)
1.一种基于机器视觉的光伏板栅线检测方法,其特征在于,该方法包括以下步骤:
采集光伏板图像的若干灰度图像;
对每张灰度图像进行聚类得到每张灰度图像的若干栅线特征点与若干背景特征点,根据栅线特征点与背景特征点获取每张灰度图像的特征灰度阈值;对每张灰度图像进行窗口滑动得到若干滑动窗口;对每个滑动窗口内栅线特征点与背景特征点数量进行判断,得到每个滑动窗口的参考像素点;根据参考像素点以及特征灰度阈值得到每个滑动窗口的滤波核权重系数;获取每个滑动窗口内每个像素点的第一梯度;根据第一梯度与滤波核权重系数得到每个滑动窗口内每个像素点的每个滤波权重系数;根据滤波权重系数进行滤波得到若干第二滑动窗口;
对每个第二滑动窗口进行方向划分得到每个第二滑动窗口的若干方向组合;根据方向组合得到每个第二滑动窗口的每个方向组合的参考近邻窗口、第一近邻窗口以及第二近邻窗口;根据参考近邻窗口、第一近邻窗口以及第二近邻窗口得到每个第二滑动窗口的参考度;
根据参考度对每个第二滑动窗口进行筛选得到若干参考窗口以及若干普通窗口;将每个普通窗口分别作为一个目标中心窗口,获取每个目标中心窗口的局部区域;根据局部区域中存在参考窗口的数量得到每个目标中心窗口的最终校正值;根据最终校正值得到去噪后的灰度图像,进行霍夫变换检测得到若干光伏板栅线;
所述根据参考像素点以及特征灰度阈值得到每个滑动窗口的滤波核权重系数,包括的具体方法为:
对于任意一个滑动窗口,式中,表示滑动窗口的滤波核权重系数;/>表示滑动窗口内窗口中心的像素点的灰度值;/>表示滑动窗口所属灰度图像的特征灰度阈值;/>表示取最小值作为输出结果;/>表示取最大值作为输出结果;
获取每个滑动窗口的滤波核权重系数;
所述获取每个滑动窗口内每个像素点的第一梯度;根据第一梯度与滤波核权重系数得到每个滑动窗口内每个像素点的每个滤波权重系数,包括的具体方法为:
对于任意一个滑动窗口,计算滑动窗口内每个像素点与滑动窗口的中心像素点的灰度值的差值的绝对值,将所得结果作为滑动窗口内每个像素点的第一梯度;
将任意一个滑动窗口内任意一个像素点记为标准像素点,预设标准像素点的初始滤波核,将标准像素点的初始滤波核中的每个元素记为标准像素点的滤波权重系数;
对于标准像素点的任意一个滤波权重系数,式中,表示滤波权重系数;/>表示第一滤波权重系数因子;/>表示第二滤波权重系数因子;/>表示滑动窗口的滤波核权重系数;/>表示滑动窗口内窗口中心的像素点的灰度值;/>表示滑动窗口内所有像素点的灰度值的均值;/>表示超参数;/>表示滑动窗口内所有像素点的灰度值的标准差;/>表示标准像素点的第一梯度;/>表示超参数;/>表示超参数;/>表示滑动窗口内所有参考像素点的灰度值的均值;/>表示滤波权重系数在初始滤波核中的横坐标;/>表示滤波权重系数在初始滤波核中的纵坐标;/>表示以自然常数为底的指数函数;
获取每个滑动窗口内每个像素点的每个滤波权重系数;
所述根据参考近邻窗口、第一近邻窗口以及第二近邻窗口得到每个第二滑动窗口的参考度,包括的具体方法为:
对于任意一个第二滑动窗口,式中,表示第二滑动窗口的参考度;/>表示第二滑动窗口的方向组合数量;/>表示第二滑动窗口的滤波核权重系数;/>表示第二滑动窗口的第/>个方向组合的第一近邻窗口的滤波核权重系数;/>表示第二滑动窗口的第/>个方向组合的第二近邻窗口的滤波核权重系数;/>表示在第二滑动窗口的第/>个方向组合的参考近邻窗口中,参考像素点的数量与所有像素点的数量的比值;/>表示在第二滑动窗口的第/>个方向组合的参考近邻窗口中,所有参考像素点的灰度值的均值;/>表示在第二滑动窗口的第/>个方向组合的参考近邻窗口中,所有像素点的灰度值的均值;/>表示以自然常数为底的指数函数;
所述根据局部区域中存在参考窗口的数量得到每个目标中心窗口的最终校正值;根据最终校正值得到去噪后的灰度图像,进行霍夫变换检测得到若干光伏板栅线,包括的具体方法为:
对于任意一个目标中心窗口,在目标中心窗口的局部区域中,获取所有参考窗口;
对于任意一个参考窗口,将参考窗口的窗口中心的像素点与目标中心窗口的窗口中心的像素点进行连线,得到参考线段;以水平线为初始线段,将参考线段与初始线段的夹角度数记为参考线段的方向度数;在参考窗口中,将与参考线段的方向度数距离最近的方向记为标记方向,在标记方向上的所有像素点中,获取所有相邻像素点的灰度值的差值的绝对值的均值,记为目标中心窗口中的校正值;若参考窗口的所有像素点的灰度值的均值大于目标中心窗口的所有像素点的灰度值的均值,将校正值与-1相乘的结果作为目标中心窗口的一个第二校正值;若参考窗口的所有像素点的灰度值的均值小于等于目标中心窗口的所有像素点的灰度值的均值,将校正值作为目标中心窗口的一个第二校正值;获取目标中心窗口的所有第二校正值,将目标中心窗口的所有第二校正值的均值记为目标中心窗口的最终校正值;
根据每个目标中心窗口的最终校正值与每个目标中心窗口的窗口中心的像素点的灰度值进行相加,将相加结果记为每个像素点的最终灰度值;根据所有像素点的最终灰度值得到去噪后的灰度图像,对灰度图像进行霍夫变换进行直线检测得到若干光伏板栅线;
所述根据方向组合得到每个第二滑动窗口的每个方向组合的参考近邻窗口、第一近邻窗口以及第二近邻窗口,包括的具体方法为:
将任意一个第二滑动窗口记为标准窗口,对于标准窗口内的任意一个方向组合,将方向组合中度数最小的方向记为方向组合的第一方向;在标准窗口的方向组合的第一方向上,与标准窗口距离最近的像素点对应的第二滑动窗口记为标准窗口的方向组合的第一近邻窗口;
将方向组合中度数最大的方向记为方向组合的第二方向,在标准窗口的方向组合的第二方向上,与标准窗口距离最近的像素点对应的第二滑动窗口记为标准窗口的方向组合的第二近邻窗口;
在第一近邻窗口与第二近邻窗口中,将与标准窗口距离最近的第二滑动窗口记为标准窗口的方向组合的参考近邻窗口;
获取每个第二滑动窗口的每个方向组合的参考近邻窗口、第一近邻窗口以及第二近邻窗口。
2.根据权利要求1所述一种基于机器视觉的光伏板栅线检测方法,其特征在于,所述对每张灰度图像进行聚类得到每张灰度图像的若干栅线特征点与若干背景特征点,根据栅线特征点与背景特征点获取每张灰度图像的特征灰度阈值,包括的具体方法为:
对于任意一张灰度图像,根据灰度值对灰度图像中的所有像素点进行K-means聚类,得到若干聚类簇;将灰度值的均值最大的聚类簇记为栅线特征聚类簇,将栅线特征聚类簇中包含的每个像素点记为栅线特征点;将灰度值的均值最小的聚类簇记为背景特征聚类簇,将背景特征聚类簇中包含的每个像素点记为背景特征点;将所有栅线特征点的灰度值的均值记为栅线灰度均值,将所有背景特征点的灰度值的均值记为背景灰度均值,将栅线灰度均值与背景灰度均值之间的中心数值记为灰度图像的特征灰度阈值;
获取每张灰度图像的特征灰度阈值。
3.根据权利要求1所述一种基于机器视觉的光伏板栅线检测方法,其特征在于,所述对每个滑动窗口内栅线特征点与背景特征点数量进行判断,得到每个滑动窗口的参考像素点,包括的具体方法为:
将任意一个滑动窗口记为标记滑动窗口,在标记滑动窗口内,若栅线特征点的数量大于等于背景特征点的数量,将栅线特征点记为标记滑动窗口的参考像素点;若栅线特征点的数量小于背景特征点的数量,将背景特征点记为标记滑动窗口的参考像素点;
获取每个滑动窗口的参考像素点。
4.根据权利要求1所述一种基于机器视觉的光伏板栅线检测方法,其特征在于,所述对每个第二滑动窗口进行方向划分得到每个第二滑动窗口的若干方向组合,包括的具体方法为:
对于任意一个第二滑动窗口,预设一个度数范围,一个方向数量T4;在度数范围内,将第二滑动窗口均等划分T4个方向,将互相垂直的方向记为一个方向组合;
获取每个第二滑动窗口内的若干方向组合。
5.根据权利要求1所述一种基于机器视觉的光伏板栅线检测方法,其特征在于,所述根据参考度对每个第二滑动窗口进行筛选得到若干参考窗口以及若干普通窗口;将每个普通窗口分别作为一个目标中心窗口,获取每个目标中心窗口的局部区域,包括的具体方法为:
预设一个参考度阈值T5,将任意一个第二滑动窗口记为结果第二滑动窗口,若结果第二滑动窗口的参考度大于等于T5,将结果第二滑动窗口记为参考窗口;若结果第二滑动窗口的参考度小于T5,将结果第二滑动窗口记为普通窗口;遍历所有第二滑动窗口,获取若干参考窗口以及若干普通窗口;
预设一个局部范围大小T6,将任意一个普通窗口记为目标中心窗口,以目标中心窗口为局部范围的中心窗口,将局部范围大小T6内所有构成的区域记为目标中心窗口的局部区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311218231.5A CN116977329B (zh) | 2023-09-21 | 2023-09-21 | 一种基于机器视觉的光伏板栅线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311218231.5A CN116977329B (zh) | 2023-09-21 | 2023-09-21 | 一种基于机器视觉的光伏板栅线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116977329A CN116977329A (zh) | 2023-10-31 |
CN116977329B true CN116977329B (zh) | 2023-12-08 |
Family
ID=88477017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311218231.5A Active CN116977329B (zh) | 2023-09-21 | 2023-09-21 | 一种基于机器视觉的光伏板栅线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977329B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173164B (zh) * | 2023-11-02 | 2023-12-26 | 江苏君杰新能源有限公司 | 太阳能电池板的栅线检测方法 |
CN117237244B (zh) * | 2023-11-16 | 2024-02-02 | 平利县女娲茗鼎农业科技有限公司 | 基于数据增强的畜牧兽医用动物体温智能监测系统 |
CN117474977B (zh) * | 2023-12-27 | 2024-03-22 | 山东旭美尚诺装饰材料有限公司 | 基于机器视觉的欧松板凹坑快速检测方法及系统 |
CN117593305B (zh) * | 2024-01-19 | 2024-04-05 | 天津康博轻钢制造有限公司 | 一种面向高频焊接h型钢的视觉定位系统 |
CN117853484B (zh) * | 2024-03-05 | 2024-05-28 | 湖南建工交建宏特科技有限公司 | 一种基于视觉的桥梁损伤智能监测方法及系统 |
CN118333893B (zh) * | 2024-06-12 | 2024-09-06 | 广东省人民医院 | 一种用于游离皮瓣手术的术前血管评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
CN107346429A (zh) * | 2017-05-24 | 2017-11-14 | 上海电机学院 | 一种多晶电池片图像的颜色自动识别与分类方法 |
CN116485785A (zh) * | 2023-06-15 | 2023-07-25 | 无锡斯达新能源科技股份有限公司 | 一种太阳能电池片的表面缺陷检测方法 |
-
2023
- 2023-09-21 CN CN202311218231.5A patent/CN116977329B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
CN107346429A (zh) * | 2017-05-24 | 2017-11-14 | 上海电机学院 | 一种多晶电池片图像的颜色自动识别与分类方法 |
CN116485785A (zh) * | 2023-06-15 | 2023-07-25 | 无锡斯达新能源科技股份有限公司 | 一种太阳能电池片的表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116977329A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116977329B (zh) | 一种基于机器视觉的光伏板栅线检测方法 | |
CN115937216B (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
CN117058137B (zh) | 一种夹胶玻璃生产质量视觉检测方法 | |
CN107967471A (zh) | 一种基于机器视觉的表具自动识别方法 | |
CN105373799B (zh) | 一种用于模板识别的空间目标isar图像处理方法 | |
CN116091504A (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN117994154B (zh) | 一种基于传感器的图像智能去噪方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
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 | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN117522719B (zh) | 基于机器学习的支气管镜图像辅助优化系统 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN112070717A (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
CN114842308B (zh) | 一种基于全特征融合建立目标预判优化模型的方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN117593193B (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN116862907B (zh) | 基于图像特征的电机配件质量检测方法 | |
CN117437228A (zh) | 基于图像特征的光伏钢结构组件断裂检测方法 | |
CN116823820A (zh) | 一种铝碳质整体塞棒轮廓弯曲检测方法 | |
CN114821109A (zh) | 一种基于微光视觉算法的图像识别系统 | |
CN113496159A (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 | |
CN117078567B (zh) | 基于图像处理的光伏板图像自适应增强方法 | |
CN118071689B (zh) | 一种基于机器视觉的光伏电池片丝网印刷缺陷检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |