CN117132844A - 一种基于图像处理的光伏板裂纹与划痕的分类方法 - Google Patents
一种基于图像处理的光伏板裂纹与划痕的分类方法 Download PDFInfo
- Publication number
- CN117132844A CN117132844A CN202311402862.2A CN202311402862A CN117132844A CN 117132844 A CN117132844 A CN 117132844A CN 202311402862 A CN202311402862 A CN 202311402862A CN 117132844 A CN117132844 A CN 117132844A
- Authority
- CN
- China
- Prior art keywords
- value
- connected domain
- abnormal
- gray
- probability
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 192
- 230000007547 defect Effects 0.000 claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000005401 electroluminescence Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
-
- 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
-
- 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
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像分析技术领域,具体涉及一种基于图像处理的光伏板裂纹与划痕的分类方法。该方法包括:获取电致发光灰度图像,计算每个像素点所处行的行偏差值和所处列的列偏差值;进而确定异常连通域,根据异常连通域中所有像素点的行偏差值和列偏差值、异常连通域中所有像素点的灰度值和数量,确定异常连通域的裂纹概率;根据异常连通域中每一像素点的灰度值、周围预设领域大小范围内其他像素点灰度值的最大值和最小值,确定异常连通域的划痕概率;根据异常连通域的裂纹概率、划痕概率,确定异常连通域的缺陷类型。本发明能够有效提升光伏板裂纹与划痕的分类准确性。
Description
技术领域
本发明涉及图像分析技术领域,具体涉及一种基于图像处理的光伏板裂纹与划痕的分类方法。
背景技术
光伏板质检是太阳能光伏产业的一个重要环节,质检环节的把控可以确保光伏组件的性能和质量符合标准,以提高能源产出和维护可靠性。现如今,光伏板质检逐渐趋向于自动化,结合计算机视觉和机器学习技术来实现高效的质检过程,例如对于光伏板的表面缺陷,该部分缺陷是光伏板在生产过程中由于参数设置不当、工业失误等因素所产生的隐裂,隐裂在光伏板运行过程中进一步扩大,产生裂纹缺陷,而光伏板通常露天放置于阳光强烈的地区,对应的收到风吹沙尘等所导致的划痕缺陷,均能够影响光伏板本身的能效。
相关技术中,直接使用连通域检测对光伏板进行缺陷区域的识别,并基于连通域的形态实现裂纹与划痕的分类,这种方式下,由于裂纹与划痕的形态均是不可控的,从而导致根据形态进行分析的准确性较低,也即缺陷类型识别的准确性与可靠性不足,进而导致光伏板裂纹与划痕的分类效果较差。
发明内容
为了解决相关技术中缺陷类型识别的准确性与可靠性不足,进而导致光伏板裂纹与划痕的分类效果较差的技术问题,本发明提供一种基于图像处理的光伏板裂纹与划痕的分类方法,所采用的技术方案具体如下:
本发明提出了一种基于图像处理的光伏板裂纹与划痕的分类方法,方法包括:
获取光伏板的电致发光灰度图像,根据所述电致发光灰度图像中所有像素点的灰度值,计算每个像素点所处行的行偏差值和所处列的列偏差值;
根据每一像素点的所述行偏差值和所述列偏差值,对所述电致发光灰度图像进行连通域分析,确定异常连通域,根据所述异常连通域中所有像素点的行偏差值和列偏差值、所述异常连通域中所有像素点的灰度值和数量,确定所述异常连通域的裂纹概率;
根据所述异常连通域中每一像素点的灰度值、周围预设领域大小范围内其他像素点灰度值的最大值和最小值,确定所述异常连通域的划痕概率;
根据所述异常连通域的所述裂纹概率、划痕概率,确定所述异常连通域的缺陷类型。
进一步地,所述根据所述电致发光灰度图像中所有像素点的灰度值,计算每个像素点所处行的行偏差值和所处列的列偏差值,包括:
将任一像素点作为待测像素点,计算待测像素点所处行的所有像素点的灰度值均值作为行均值;计算待测像素点的灰度值与所述行均值的差值绝对值作为行偏差值;
计算待测像素点所处列的所有像素点的灰度值均值作为列均值;计算待测像素点的灰度值与所述列均值的差值绝对值作为列偏差值。
进一步地,所述根据每一像素点的所述行偏差值和所述列偏差值,对所述电致发光灰度图像进行连通域分析,确定异常连通域,包括:
将所述行偏差值大于预设第一阈值的像素点所处行作为异常行;
将所述列偏差值大于预设第二阈值的像素点所处行作为异常列;
所述异常行和异常列所组成的区域作为异常区域;
对所述异常区域进行连通域分析,得到异常连通域。
进一步地,所述根据所述异常连通域中所有像素点的行偏差值和列偏差值、所述异常连通域中所有像素点的灰度值和数量,确定所述异常连通域的裂纹概率,包括:
根据所述异常连通域中所有像素点的灰度值、行偏差值和列偏差值,确定所述异常连通域为裂纹连通域的第一裂纹影响系数;
将所述异常连通域中像素点的数量进行归一化处理得到第二裂纹影响系数;
根据所述第一裂纹影响系数、所述第二裂纹影响系数,确定所述异常连通域的裂纹概率。
进一步地,所述根据所述异常连通域中所有像素点的灰度值、行偏差值和列偏差值,确定所述异常连通域为裂纹连通域的第一裂纹影响系数,包括:
计算所述行偏差值与所述列偏差值的和值绝对值作为偏差系数;
将所述异常连通域中所有像素点的灰度值的均值进行反比例的归一化处理得到裂纹灰度相似系数;
计算所述偏差系数和所述裂纹灰度相似系数的乘积的归一化值作为第一裂纹影响系数。
进一步地,所述第一裂纹影响系数与所述异常连通域的裂纹概率呈正相关关系,所述第二裂纹影响系数与所述异常连通域的裂纹概率呈正相关关系,所述异常连通域的裂纹概率的取值为归一化的数值。
进一步地,所述根据所述异常连通域中每一像素点的灰度值、周围预设领域大小范围内其他像素点灰度值的最大值和最小值,确定所述异常连通域的划痕概率,包括:
在所述异常连通域中任选一个像素点作为待分析像素点;
以待分析像素点为中心,将所述预设领域大小内其他像素点灰度值的最大值作为邻域灰度极大值;计算待分析像素点的灰度值与邻域灰度极大值的差值绝对值作为极大值差异;
以待分析像素点为中心,将所述预设领域大小内其他像素点灰度值的最小值作为邻域灰度极小值;计算待分析像素点的灰度值与邻域灰度极小值的差值绝对值作为极小值差异;
将所述极小值差异和所述极大值差异的乘积的归一化值作为第一划痕影响系数;
将所述异常连通域的边缘像素点向外侧进行区域生长预设数量个像素点,得到生长区域;
计算所述异常连通域中所有像素点的灰度均值和所述生长区域中所有像素点的灰度均值的差值绝对值作为生长差异,对所述生长差异进行归一化处理得到第二划痕影响系数;
根据所述第一划痕影响系数和所述第二划痕影响系数,确定所述异常连通域的划痕概率。
进一步地,所述第一划痕影响系数与所述异常连通域的划痕概率呈正相关关系,所述第二划痕影响系数与所述异常连通域的划痕概率呈正相关关系,所述划痕概率的取值为归一化的数值。
进一步地,所述根据所述异常连通域的所述裂纹概率、划痕概率,确定所述异常连通域的缺陷类型,包括:
计算所述异常连通域的所述裂纹概率与划痕概率的差值作为概率差值;
在所述概率差值大于第一差值阈值时,确定所述异常连通域的缺陷类型为裂纹缺陷类型;
在所述概率差值小于等于第一差值阈值,且大于第二差值阈值时,确定所述异常连通域的缺陷类型为组合缺陷类型;
在所述概率差值小于等于第二差值阈值时,确定所述异常连通域的缺陷类型为划痕缺陷类型,其中,所述第一差值阈值大于0,所述第二差值阈值小于0。
进一步地,所述第一差值阈值为0.2,所述第二差值阈值为-0.2。
本发明具有如下有益效果:
本发明通过获取光伏板的电致发光灰度图像,根据电致发光灰度图像中所有像素点的灰度值,计算每个像素点所处行的行偏差值和所处列的列偏差值,通过行偏差值和列偏差值的计算,从而能够避免受光伏板本身规则纹理的影响,提升后续异常连通域分析的准确性与可靠性;根据每一像素点的行偏差值和列偏差值,对电致发光灰度图像进行连通域分析,确定异常连通域,根据异常连通域中所有像素点的行偏差值和列偏差值、异常连通域中所有像素点的灰度值和数量,确定异常连通域的裂纹概率,通过裂纹本身像素点的分布范围和灰度值的特点确定裂纹概率,该裂纹概率的分析能够结合光伏板本身的裂纹特点,进而提升裂纹概率的准确性;根据异常连通域中每一像素点的灰度值、周围预设领域大小范围内其他像素点灰度值的最大值和最小值,确定异常连通域的划痕概率,划痕概率也结合光伏板上常见划痕的形态特征,进而提升划痕概率的准确性;由此,分别对裂纹概率和划痕概率进行具体分析,使得在根据异常连通域的裂纹概率、划痕概率,确定异常连通域的缺陷类型的效果更优、缺陷类型判断的可靠性更强。综上,本发明能够有效提升异常连通域的缺陷类型识别的准确性与可靠性,进而增强光伏板裂纹与划痕的分类效果。
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基于图像处理的光伏板裂纹与划痕的分类方法流程图。
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基于图像处理的光伏板裂纹与划痕的分类方法,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图像处理的光伏板裂纹与划痕的分类方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的光伏板裂纹与划痕的分类方法流程图,该方法包括:
S101:获取光伏板的电致发光灰度图像,根据电致发光灰度图像中所有像素点的灰度值,计算每个像素点所处行的行偏差值和所处列的列偏差值。
本发明的具体使用场景例如为,基于使用电致发光检测(ElectroLuminescences,EL)仪对光伏板表面进行EL成像检测,得到电致发光原始图像,而后,对电致发光原始图像进行图像预处理,得到电致发光灰度图像,其中,图像预处理包括图像去噪处理和图像灰度化处理,图像去噪处理可以具体例如为均值去噪,图像灰度化处理可以具体例如为均值灰度化处理,图像预处理的过程为本领域所熟知的图像处理过程,对此不作进一步的限定与赘述。
在获得电致发光灰度图像之后,可以对电致发光灰度图像中像素点的灰度值进行图像分析处理,以实现后续的裂纹与划痕缺陷类型的分类。
进一步地,在本发明的一些实施例中,根据电致发光灰度图像中所有像素点的灰度值,计算每个像素点所处行的行偏差值和所处列的列偏差值,包括:将任一像素点作为待测像素点,计算待测像素点所处行的所有像素点的灰度值均值作为行均值;计算待测像素点的灰度值与行均值的差值绝对值作为行偏差值;计算待测像素点所处列的所有像素点的灰度值均值作为列均值;计算待测像素点的灰度值与列均值的差值绝对值作为列偏差值。
可以理解的是,在光伏板中,裂纹缺陷与划痕缺陷等缺陷,其所占用光伏板面积通常较小,也即光伏板表面正常区域面积占比较大,则本发明实施例中正常情况下的光伏板灰度值分布较多。但是在光伏板中有着方格形状的板件纹理,该板件纹理能够影响异常缺陷的识别,因此需要对该板件纹理进行分析,在电致发光检测仪正对光伏板进行检测时,板件纹理通常为水平方向和垂直方向上正方向的规则纹理,也即至少有一个方向处于灰度值一致的情况,因此,本发明实施例通过对行和列的分别分析,从而消除板件纹理对异常检测的影响,避免正常的板件纹理被检测为正常纹理。
本发明实施例中,计算待测像素点所处行的所有像素点的灰度值均值作为行均值;计算待测像素点的灰度值与行均值的差值绝对值作为行偏差值;计算待测像素点所处列的所有像素点的灰度值均值作为列均值;计算待测像素点的灰度值与列均值的差值绝对值作为列偏差值。
可以理解的是,不论划痕区域或裂纹区域,两种表面缺陷类型相较于整块光伏板来说仅占很小的一部分,并且分布的位置与自身的延展方向性也是随机的,也即非缺陷的背景部分占据大多数。而光伏板图片本身为矩形,因此通过行像素点的变化与列像素点的变化可以确定对缺陷区域进行细化,通过计算行偏差值和列偏差值对包含缺陷的区域进行准确定位,从而避免对整个光伏板进行像素点灰度分布分析,减少分析的计算量,保证分析的数据效率,其对缺陷区域的具体识别与分析过程参见后续实施例。
S102:根据每一像素点的行偏差值和列偏差值,对电致发光灰度图像进行连通域分析,确定异常连通域,根据异常连通域中所有像素点的行偏差值和列偏差值、异常连通域中所有像素点的灰度值和数量,确定异常连通域的裂纹概率。
本发明实施例中,在得到行偏差值和列偏差值之后,能够对待进行分析检测的区域进行细化。
进一步地,在本发明的一些实施例中,根据每一像素点的行偏差值和列偏差值,对电致发光灰度图像进行连通域分析,确定异常连通域,包括:将行偏差值大于预设第一阈值的像素点所处行作为异常行;将列偏差值大于预设第二阈值的像素点所处行作为异常列;异常行和异常列所组成的区域作为异常区域;对异常区域进行连通域分析,得到异常连通域。
其中,预设第一阈值为行偏差值的门限值,预设第二阈值为列偏差值的门限值,可选地,预设第一阈值和预设第二阈值均为0.75,当然,本发明实施例中也可以根据实际情况进行调整,对此不做限制。
可以理解的是,在行偏差值和列偏差值均较大时,可以表示对应的像素点所处位置异常概率越高,因此,本发明分别对行偏差值和列偏差值进行分析,得到异常行和异常列,从而将异常行和异常列所组成的区域作为异常区域;其中由于有细小的误差影响,因此,异常区域的选取也可以设置一定的大小范围,将异常行和异常列所组成的区域的面积大于预设面积的区域作为异常区域,该预设面积可以具体例如为7×7大小对应的面积,对此不做限制,对异常区域进行连通域分析,得到异常连通域。
通过先确定异常区域后连通域分析的方式得到异常连通域,避免对整块光伏板进行总体分析时正常的板件纹理对连通域分析所产生的影响,同时,降低计算量,提升图像分析效率。
进一步地,在本发明的一些实施例中,根据异常连通域中所有像素点的行偏差值和列偏差值、异常连通域中所有像素点的灰度值和数量,确定异常连通域的裂纹概率,包括:根据异常连通域中所有像素点的灰度值、行偏差值和列偏差值,确定异常连通域为裂纹连通域的第一裂纹影响系数;将异常连通域中像素点的数量进行归一化处理得到第二裂纹影响系数;根据第一裂纹影响系数、第二裂纹影响系数,确定异常连通域的裂纹概率。
在本发明的一个实施例中,归一化处理可以具体例如为最大最小值归一化处理,并且,后续步骤中的归一化均可以采用最大最小值归一化处理,在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法,对此不再赘述。
进一步地,在本发明的一些实施例中,根据异常连通域中所有像素点的灰度值、行偏差值和列偏差值,确定异常连通域为裂纹连通域的第一裂纹影响系数,包括:计算行偏差值与列偏差值的和值绝对值作为偏差系数;将异常连通域中所有像素点的灰度值的均值进行反比例的归一化处理得到裂纹灰度相似系数;计算偏差系数和裂纹灰度相似系数的乘积的归一化值作为第一裂纹影响系数。
本发明实施例中,可以理解的是,裂纹在光伏板中的纹理深度要深于划痕,也即在划痕划透光伏板表面透明材质的板件之后,才可以被称之为裂纹,因此,裂纹所对应的灰度值要小于划痕所对应的灰度值,本发明对异常连通域中所有像素点的灰度值的均值进行反比例的归一化处理得到裂纹灰度相似系数,并且计算行偏差值与列偏差值的和值绝对值作为偏差系数,偏差系数和裂纹灰度相似系数均与裂纹缺陷的概率呈正相关关系,因此,本发明实施例中,计算偏差系数和裂纹灰度相似系数的乘积的归一化值作为第一裂纹影响系数,第一裂纹影响系数越大,可以表征异常连通域为裂纹缺陷的概率越大。
可以理解的是,由于裂纹区域通常具有一个裂纹中心,而后,由中心向外侧扩散产生裂纹,而划痕区域通常表征为一条直线区域,结合该特点,裂纹区域所对应的区域范围要远大于划痕区域所对应的区域范围,因此,本发明实施例中,通过异常连通域中像素点的数量进行归一化处理得到第二裂纹影响系数,从而实现划痕和裂纹的特征区分,第二裂纹影响系数越大,可以表征异常连通域为裂纹缺陷的概率越大。
因此,本发明实施例结合第一裂纹影响系数和第二裂纹影响系数,确定异常连通域的裂纹概率,其中,第一裂纹影响系数与异常连通域的裂纹概率呈正相关关系,第二裂纹影响系数与异常连通域的裂纹概率呈正相关关系,异常连通域的裂纹概率的取值为归一化的数值。
其中,正相关关系表示因变量会随着自变量的增大而增大,因变量会随着自变量的减小而减小,具体关系可以为相乘关系、相加关系、指数函数的幂等,由实际应用进行确定。
可以理解的是,第一裂纹影响系数越大,可以表征异常连通域为裂纹缺陷的概率越大,且第二裂纹影响系数越大,可以表征异常连通域为裂纹缺陷的概率越大,因此,第一裂纹影响系数与异常连通域的裂纹概率呈正相关关系,第二裂纹影响系数与异常连通域的裂纹概率呈正相关关系,则举例而言,本发明实施例可以计算第一裂纹影响系数和第二裂纹影响系数的乘积的归一化值作为裂纹概率,裂纹概率越大,表征对应异常连通域的缺陷为裂纹缺陷的概率越大。
S103:根据异常连通域中每一像素点的灰度值、周围预设领域大小范围内其他像素点灰度值的最大值和最小值,确定异常连通域的划痕概率。
进一步地,在本发明的一些实施例中,根据异常连通域中每一像素点的灰度值、周围预设领域大小范围内其他像素点灰度值的最大值和最小值,确定异常连通域的划痕概率,包括:在异常连通域中任选一个像素点作为待分析像素点;以待分析像素点为中心,将预设领域大小内其他像素点灰度值的最大值作为邻域灰度极大值;计算待分析像素点的灰度值与邻域灰度极大值的差值绝对值作为极大值差异;以待分析像素点为中心,将预设领域大小内其他像素点灰度值的最小值作为邻域灰度极小值;计算待分析像素点的灰度值与邻域灰度极小值的差值绝对值作为极小值差异;将极小值差异和极大值差异的乘积的归一化值作为第一划痕影响系数;将异常连通域的边缘像素点向外侧进行区域生长预设数量个像素点,得到生长区域;计算异常连通域中所有像素点的灰度均值和生长区域中所有像素点的灰度均值的差值绝对值作为生长差异,对生长差异进行归一化处理得到第二划痕影响系数;根据第一划痕影响系数和第二划痕影响系数,确定异常连通域的划痕概率。
本发明实施例中,预设领域大小可以具体例如为5×5大小,也即是说,将5×5大小的领域范围内其他像素点灰度值的最大值作为邻域灰度极大值,最小值作为领域灰度极小值,通过对预设领域范围内的像素点进行分析,进而实现划痕缺陷的分析。
可以理解的是,划痕缺陷主要为风吹动环境中的灰尘沙石所导致的划痕,对应的该划痕主要特征为划痕具有明显的棱角,对光线产生折射现象,这种情况即导致对应的电致发光灰度图像中城厢区区域灰度变化较大的特点,基于该特点进行具体分析。
由上述分析可知,在缺陷为划痕缺陷时,对应的极小值差异和极大值差异均较大,也即第一划痕影响系数较大,第一划痕影响系数与异常连通域的划痕概率呈正相关关系。
其中,由于划痕区域与周围区域产生折射的变化,进而导致像素点的灰度值变化较大,也即异常连通域和其局部范围内其他像素点的灰度差异越大,因此,本发明实施例中计算异常连通域中所有像素点的灰度均值和生长区域中所有像素点的灰度均值的差值绝对值作为生长差异,生长差异越大,第二划痕影响系数,对应的异常连通域的划痕概率越大,也即第二划痕影响系数与异常连通域的划痕概率呈正相关关系。
本发明可以计算第一划痕影响系数和第二划痕影响系数的乘积的归一化值作为异常连通域的划痕概率。
S104:根据异常连通域的裂纹概率、划痕概率,确定异常连通域的缺陷类型。
在确定异常连通域的裂纹概率和划痕概率改了之后,可以基于对应的两个概率值对异常连通域的缺陷类型进行具体分析,其具体的分析过程可以例如为:
进一步地,在本发明的一些实施例中,根据异常连通域的裂纹概率、划痕概率,确定异常连通域的缺陷类型,包括:计算异常连通域的裂纹概率与划痕概率的差值作为概率差值;在概率差值大于第一差值阈值时,确定异常连通域的缺陷类型为裂纹缺陷类型;在概率差值小于等于第一差值阈值,且大于第二差值阈值时,确定异常连通域的缺陷类型为组合缺陷类型;在概率差值小于等于第二差值阈值时,确定异常连通域的缺陷类型为划痕缺陷类型,其中,第一差值阈值大于0,第二差值阈值小于0。
本发明实施例中,可以通过计算异常连通域的裂纹概率与划痕概率的差值作为概率差值,在裂纹概率大于划痕概率时,表示异常连通域为裂纹对应的连通域的可能性越大,但在实际处理过程中,会遇到光伏板本身的其他纹理影响,例如光伏板划痕裂纹同时存在的组合缺陷,因此,本发明实施例通过设置第一差值阈值和第二差值阈值进行具体分析。
其中,第一差值阈值和第二差值阈值均为概率差值的门限值,可选地,第一差值阈值为0.2,第二差值阈值为-0.2。
本发明实施例中,在概率差值大于第一差值阈值时,表示对应的裂纹概率远大于划痕概率,则可以确定异常连通域的缺陷类型为裂纹缺陷类型。
本发明实施例中,在概率差值小于等于第一差值阈值,且大于第二差值阈值时,表示裂纹缺陷和划痕缺陷的比重相类似,因此本发明可以确定异常连通域的缺陷类型为组合缺陷类型。
本发明实施例中,在概率差值小于等于第二差值阈值时,表示对应的裂纹概率远小于划痕概率,则可以确定异常连通域的缺陷类型为划痕缺陷类型。
本发明通过获取光伏板的电致发光灰度图像,根据电致发光灰度图像中所有像素点的灰度值,计算每个像素点所处行的行偏差值和所处列的列偏差值,通过行偏差值和列偏差值的计算,从而能够避免受光伏板本身规则纹理的影响,提升后续异常连通域分析的准确性与可靠性;根据每一像素点的行偏差值和列偏差值,对电致发光灰度图像进行连通域分析,确定异常连通域,根据异常连通域中所有像素点的行偏差值和列偏差值、异常连通域中所有像素点的灰度值和数量,确定异常连通域的裂纹概率,通过裂纹本身像素点的分布范围和灰度值的特点确定裂纹概率,该裂纹概率的分析能够结合光伏板本身的裂纹特点,进而提升裂纹概率的准确性;根据异常连通域中每一像素点的灰度值、周围预设领域大小范围内其他像素点灰度值的最大值和最小值,确定异常连通域的划痕概率,划痕概率也结合光伏板上常见划痕的形态特征,进而提升划痕概率的准确性;由此,分别对裂纹概率和划痕概率进行具体分析,使得在根据异常连通域的裂纹概率、划痕概率,确定异常连通域的缺陷类型的效果更优、缺陷类型判断的可靠性更强。综上,本发明能够有效提升异常连通域的缺陷类型识别的准确性与可靠性,进而增强光伏板裂纹与划痕的分类效果。
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)
1.一种基于图像处理的光伏板裂纹与划痕的分类方法,其特征在于,所述方法包括:
获取光伏板的电致发光灰度图像,根据所述电致发光灰度图像中所有像素点的灰度值,计算每个像素点所处行的行偏差值和所处列的列偏差值;
根据每一像素点的所述行偏差值和所述列偏差值,对所述电致发光灰度图像进行连通域分析,确定异常连通域,根据所述异常连通域中所有像素点的行偏差值和列偏差值、所述异常连通域中所有像素点的灰度值和数量,确定所述异常连通域的裂纹概率;
根据所述异常连通域中每一像素点的灰度值、周围预设领域大小范围内其他像素点灰度值的最大值和最小值,确定所述异常连通域的划痕概率;
根据所述异常连通域的所述裂纹概率、划痕概率,确定所述异常连通域的缺陷类型;
所述根据每一像素点的所述行偏差值和所述列偏差值,对所述电致发光灰度图像进行连通域分析,确定异常连通域,包括:
将所述行偏差值大于预设第一阈值的像素点所处行作为异常行;
将所述列偏差值大于预设第二阈值的像素点所处行作为异常列;
所述异常行和异常列所组成的区域作为异常区域;
对所述异常区域进行连通域分析,得到异常连通域。
2.如权利要求1所述的一种基于图像处理的光伏板裂纹与划痕的分类方法,其特征在于,所述根据所述电致发光灰度图像中所有像素点的灰度值,计算每个像素点所处行的行偏差值和所处列的列偏差值,包括:
将任一像素点作为待测像素点,计算待测像素点所处行的所有像素点的灰度值均值作为行均值;计算待测像素点的灰度值与所述行均值的差值绝对值作为行偏差值;
计算待测像素点所处列的所有像素点的灰度值均值作为列均值;计算待测像素点的灰度值与所述列均值的差值绝对值作为列偏差值。
3.如权利要求1所述的一种基于图像处理的光伏板裂纹与划痕的分类方法,其特征在于,所述根据所述异常连通域中所有像素点的行偏差值和列偏差值、所述异常连通域中所有像素点的灰度值和数量,确定所述异常连通域的裂纹概率,包括:
根据所述异常连通域中所有像素点的灰度值、行偏差值和列偏差值,确定所述异常连通域为裂纹连通域的第一裂纹影响系数;
将所述异常连通域中像素点的数量进行归一化处理得到第二裂纹影响系数;
根据所述第一裂纹影响系数、所述第二裂纹影响系数,确定所述异常连通域的裂纹概率。
4.如权利要求3所述的一种基于图像处理的光伏板裂纹与划痕的分类方法,其特征在于,所述根据所述异常连通域中所有像素点的灰度值、行偏差值和列偏差值,确定所述异常连通域为裂纹连通域的第一裂纹影响系数,包括:
计算所述行偏差值与所述列偏差值的和值绝对值作为偏差系数;
将所述异常连通域中所有像素点的灰度值的均值进行反比例的归一化处理得到裂纹灰度相似系数;
计算所述偏差系数和所述裂纹灰度相似系数的乘积的归一化值作为第一裂纹影响系数。
5.如权利要求3所述的一种基于图像处理的光伏板裂纹与划痕的分类方法,其特征在于,所述第一裂纹影响系数与所述异常连通域的裂纹概率呈正相关关系,所述第二裂纹影响系数与所述异常连通域的裂纹概率呈正相关关系,所述异常连通域的裂纹概率的取值为归一化的数值。
6.如权利要求1所述的一种基于图像处理的光伏板裂纹与划痕的分类方法,其特征在于,所述根据所述异常连通域中每一像素点的灰度值、周围预设领域大小范围内其他像素点灰度值的最大值和最小值,确定所述异常连通域的划痕概率,包括:
在所述异常连通域中任选一个像素点作为待分析像素点;
以待分析像素点为中心,将所述预设领域大小内其他像素点灰度值的最大值作为邻域灰度极大值;计算待分析像素点的灰度值与邻域灰度极大值的差值绝对值作为极大值差异;
以待分析像素点为中心,将所述预设领域大小内其他像素点灰度值的最小值作为邻域灰度极小值;计算待分析像素点的灰度值与邻域灰度极小值的差值绝对值作为极小值差异;
将所述极小值差异和所述极大值差异的乘积的归一化值作为第一划痕影响系数;
将所述异常连通域的边缘像素点向外侧进行区域生长预设数量个像素点,得到生长区域;
计算所述异常连通域中所有像素点的灰度均值和所述生长区域中所有像素点的灰度均值的差值绝对值作为生长差异,对所述生长差异进行归一化处理得到第二划痕影响系数;
根据所述第一划痕影响系数和所述第二划痕影响系数,确定所述异常连通域的划痕概率。
7.如权利要求6所述的一种基于图像处理的光伏板裂纹与划痕的分类方法,其特征在于,所述第一划痕影响系数与所述异常连通域的划痕概率呈正相关关系,所述第二划痕影响系数与所述异常连通域的划痕概率呈正相关关系,所述划痕概率的取值为归一化的数值。
8.如权利要求1所述的一种基于图像处理的光伏板裂纹与划痕的分类方法,其特征在于,所述根据所述异常连通域的所述裂纹概率、划痕概率,确定所述异常连通域的缺陷类型,包括:
计算所述异常连通域的所述裂纹概率与划痕概率的差值作为概率差值;
在所述概率差值大于第一差值阈值时,确定所述异常连通域的缺陷类型为裂纹缺陷类型;
在所述概率差值小于等于第一差值阈值,且大于第二差值阈值时,确定所述异常连通域的缺陷类型为组合缺陷类型;
在所述概率差值小于等于第二差值阈值时,确定所述异常连通域的缺陷类型为划痕缺陷类型,其中,所述第一差值阈值大于0,所述第二差值阈值小于0。
9.如权利要求8所述的一种基于图像处理的光伏板裂纹与划痕的分类方法,其特征在于,所述第一差值阈值为0.2,所述第二差值阈值为-0.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311402862.2A CN117132844B (zh) | 2023-10-27 | 2023-10-27 | 一种基于图像处理的光伏板裂纹与划痕的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311402862.2A CN117132844B (zh) | 2023-10-27 | 2023-10-27 | 一种基于图像处理的光伏板裂纹与划痕的分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132844A true CN117132844A (zh) | 2023-11-28 |
CN117132844B CN117132844B (zh) | 2024-01-23 |
Family
ID=88863228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311402862.2A Active CN117132844B (zh) | 2023-10-27 | 2023-10-27 | 一种基于图像处理的光伏板裂纹与划痕的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132844B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117352094A (zh) * | 2023-12-04 | 2024-01-05 | 山东恒信科技发展有限公司 | 一种用于原料油的物性预测分析方法及系统 |
CN117522873A (zh) * | 2024-01-05 | 2024-02-06 | 惠汕绿创(江苏)科技有限公司 | 一种太阳能光伏组件生产质量检测系统 |
CN117745724A (zh) * | 2024-02-20 | 2024-03-22 | 高唐县瑞景精密机械有限公司 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
CN118411367A (zh) * | 2024-07-03 | 2024-07-30 | 浙江一鸣包装印刷有限公司 | 用于塑料包装的印刷图案缺陷检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
CN115063407A (zh) * | 2022-07-28 | 2022-09-16 | 海门市亚泰精密铜材有限公司 | 一种用于环形铜垫片的划痕及裂纹识别方法 |
CN115147414A (zh) * | 2022-09-01 | 2022-10-04 | 南通三信塑胶装备科技股份有限公司 | 一种双极型功率晶体管表面击穿缺陷检测方法 |
CN116777907A (zh) * | 2023-08-18 | 2023-09-19 | 深圳市福山自动化科技有限公司 | 一种钣金件质量检测方法 |
-
2023
- 2023-10-27 CN CN202311402862.2A patent/CN117132844B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
CN115063407A (zh) * | 2022-07-28 | 2022-09-16 | 海门市亚泰精密铜材有限公司 | 一种用于环形铜垫片的划痕及裂纹识别方法 |
CN115147414A (zh) * | 2022-09-01 | 2022-10-04 | 南通三信塑胶装备科技股份有限公司 | 一种双极型功率晶体管表面击穿缺陷检测方法 |
CN116777907A (zh) * | 2023-08-18 | 2023-09-19 | 深圳市福山自动化科技有限公司 | 一种钣金件质量检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117352094A (zh) * | 2023-12-04 | 2024-01-05 | 山东恒信科技发展有限公司 | 一种用于原料油的物性预测分析方法及系统 |
CN117352094B (zh) * | 2023-12-04 | 2024-03-08 | 山东恒信科技发展有限公司 | 一种用于原料油的物性预测分析方法及系统 |
CN117522873A (zh) * | 2024-01-05 | 2024-02-06 | 惠汕绿创(江苏)科技有限公司 | 一种太阳能光伏组件生产质量检测系统 |
CN117522873B (zh) * | 2024-01-05 | 2024-03-29 | 惠汕绿创(江苏)科技有限公司 | 一种太阳能光伏组件生产质量检测系统 |
CN117745724A (zh) * | 2024-02-20 | 2024-03-22 | 高唐县瑞景精密机械有限公司 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
CN117745724B (zh) * | 2024-02-20 | 2024-04-26 | 高唐县瑞景精密机械有限公司 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
CN118411367A (zh) * | 2024-07-03 | 2024-07-30 | 浙江一鸣包装印刷有限公司 | 用于塑料包装的印刷图案缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117132844B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117132844B (zh) | 一种基于图像处理的光伏板裂纹与划痕的分类方法 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN116596936B (zh) | 基于图像数据的太阳翼帆板质量检测方法 | |
CN110555842A (zh) | 一种基于锚点集优化的硅片图像缺陷检测方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN115290663B (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN111724335A (zh) | 检测方法及检测系统 | |
CN112508857B (zh) | 基于改进型Cascade R-CNN的铝材表面缺陷检测方法 | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN113295698B (zh) | 一种缺陷检测方法、存储介质和检测系统 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN115115643B (zh) | 一种光伏电池板生产缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116990323A (zh) | 一种高精密印刷版视觉检测系统 | |
CN112014407A (zh) | 一种集成电路晶圆表面缺陷检测的方法 | |
CN118225803B (zh) | 一种推土机刀片表面外观视觉检测方法 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN114663393A (zh) | 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法 | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
CN112381794B (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN111598851B (zh) | 一种基于形态学图像处理的太阳能电池破片检测方法 | |
CN115330768B (zh) | 一种太阳能电池板质量分级方法 | |
CN114943738A (zh) | 一种基于视觉识别的传感器封装固化胶缺陷识别方法 |
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 |