CN117522873B - 一种太阳能光伏组件生产质量检测系统 - Google Patents
一种太阳能光伏组件生产质量检测系统 Download PDFInfo
- Publication number
- CN117522873B CN117522873B CN202410015491.0A CN202410015491A CN117522873B CN 117522873 B CN117522873 B CN 117522873B CN 202410015491 A CN202410015491 A CN 202410015491A CN 117522873 B CN117522873 B CN 117522873B
- Authority
- CN
- China
- Prior art keywords
- corrosion
- suspected
- connected domain
- gray
- parameters
- 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 34
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 28
- 230000007797 corrosion Effects 0.000 claims abstract description 266
- 238000005260 corrosion Methods 0.000 claims abstract description 265
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 41
- 239000010959 steel Substances 0.000 claims abstract description 41
- 230000007547 defect Effects 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000011248 coating agent Substances 0.000 claims description 34
- 238000000576 coating method Methods 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 24
- 230000000739 chaotic effect Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000011002 quantification Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003647 oxidation Effects 0.000 description 13
- 238000007254 oxidation reaction Methods 0.000 description 13
- 238000007747 plating Methods 0.000 description 10
- 230000035772 mutation Effects 0.000 description 8
- 101100117236 Drosophila melanogaster speck gene Proteins 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- FJMNNXLGOUYVHO-UHFFFAOYSA-N aluminum zinc Chemical compound [Al].[Zn] FJMNNXLGOUYVHO-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
-
- 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
-
- 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
- H02S30/00—Structural details of PV modules other than those related to light conversion
- H02S30/10—Frame structures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明涉及图像数据处理技术领域，具体涉及一种太阳能光伏组件生产质量检测系统，包括：对连通域的边缘进行链码编码，根据边缘链码序列中元素数值的分布情况获得疑似腐蚀连通域，根据疑似腐蚀连通域内不同灰度值的数量、邻域范围内相邻像素点之间的灰度值差异以及不同方向上相邻像素点之间的灰度值差异，获得疑似腐蚀连通域的腐蚀缺陷参数，利用太阳能光伏组件中钢制边框的所有方向上疑似腐蚀连通域的腐蚀缺陷参数进行腐蚀缺陷检测。本发明提高了对连通域进行腐蚀程度的定量描述的准确性，提高了对太阳能光伏组件中钢制边框被腐蚀的严重程度的评估准确性。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种太阳能光伏组件生产质量检测系统。
背景技术
太阳能光伏组件中的钢制边框用于提供机械支持和保护组件，但在生产过程中，钢制边框的防腐涂层均匀性问题会导致钢制边框更容易受到腐蚀，因此在生产后对太阳能组件的镀镁铝锌板钢制边框进行生产质量检测中的腐蚀性检测具有重要的意义和必要性。
工业上通常采用机器视觉技术对组件进行表面检测，由于镁元素较活泼的特性，在潮湿环境下，钢制边框的镀镁铝锌板涂层会受湿空气的氧化产生氧化斑状膜，该氧化膜具有延缓镀层腐蚀的作用，因此不影响产品本身的耐蚀性，但是会干扰对图像中腐蚀缺陷的识别，影响对光伏组件生产质量的检测，降低太阳能光伏组件生产质量检测的准确性。
发明内容
本发明提供一种太阳能光伏组件生产质量检测系统，以解决现有的问题。
本发明的一种太阳能光伏组件生产质量检测系统采用如下技术方案：
本发明一个实施例提供了一种太阳能光伏组件生产质量检测系统，该系统包括以下模块：
图像采集模块，用于采集太阳能光伏组件中钢制边框在所有方向上的镀层图像，对镀层图像进行分割和形态学处理获得目标图像以及目标图像中的连通域；
疑似检测模块，用于对目标图像中任意连通域的边缘像素点进行链码编码获得边缘链码序列，根据边缘链码序列中元素数值的分布情况获得连通域的疑似腐蚀参数，根据疑似腐蚀参数的大小获得疑似腐蚀连通域；
腐蚀量化模块，用于根据疑似腐蚀连通域内不同灰度值的数量、邻域范围内相邻像素点之间的灰度值差异以及不同方向上相邻像素点之间的灰度值差异，分别获得疑似腐蚀连通域的灰度混乱参数以及灰度变化参数，将疑似腐蚀连通域的灰度混乱参数以及灰度变化参数融合获得疑似腐蚀连通域的腐蚀缺陷参数；
缺陷检测模块，用于利用太阳能光伏组件中钢制边框的所有方向上疑似腐蚀连通域的腐蚀缺陷参数进行腐蚀缺陷检测。
进一步地，所述采集太阳能光伏组件中钢制边框在所有方向上的镀层图像，对镀层图像进行分割和形态学处理获得目标图像以及目标图像中的连通域，包括的具体方法为：
将镀层图像进行灰度化处理获得灰度镀层图像；
利用大津法对灰度镀层图像进行阈值分割获得镀层二值图像，先后利用开运算和闭运算对镀层二值图像进行形态学处理，获得目标图像，对目标图像进行连通域监测获得若干个连通域。
进一步地，所述对目标图像中任意连通域的边缘像素点进行链码编码获得边缘链码序列，包括的具体方法为：
获取目标图像中任意连通域的边缘像素点，以任意连通域的最左处对应的边缘像素点为起始，沿顺时针方向，利用8方向链码对任意连通域的所有边缘像素点进行链码编码，获得连通域对应的链码序列记为边缘链码序列。
进一步地，所述根据边缘链码序列中元素数值的分布情况获得连通域的疑似腐蚀参数，根据疑似腐蚀参数的大小获得疑似腐蚀连通域，包括的具体方法为：
获取任意连通域的边缘链码序列中元素的数量，将边缘链码序列中数值相同的元素作为一个类别，并记为元素类别，获得若干个元素类别，将任意一个元素类别所包括元素在边缘链码序列中连续出现时对应元素的数量记为对应元素类别的连续因子，将元素类别的所有连续因子中的最大值记为元素类别的连续参数；将边缘链码序列中元素数量最多的元素类别记为第一类别，将边缘链码序列中第一类别以外的元素类别记为第二类别；
根据第一类别和第二类别中元素的数量以及在边缘链码序列中所有元素类别的连续参数获得疑似腐蚀参数；
将疑似腐蚀参数大于预设的第一阈值的连通域记为疑似腐蚀连通域。
进一步地，所述根据第一类别和第二类别中元素的数量以及在边缘链码序列中所有元素类别的连续参数获得疑似腐蚀参数，包括的具体方法为：
任意连通域的疑似腐蚀参数的具体计算方法为：
其中，表示连通域的疑似腐蚀参数；/>表示连通域的边缘链码序列中元素类别的数量；/>表示连通域的边缘链码序列内第一类别包括元素的数量；/>表示连通域的边缘链码序列内所有第二类别包括元素的总数量；/>表示连通域的边缘链码序列中第/>个元素类别包括元素的数量；/>表示连通域的边缘链码序列中第/>个元素类别的连续参数；表示以自然常数为底数的指数函数。
进一步地，所述根据疑似腐蚀连通域内不同灰度值的数量、邻域范围内相邻像素点之间的灰度值差异以及不同方向上相邻像素点之间的灰度值差异，分别获得疑似腐蚀连通域的灰度混乱参数以及灰度变化参数，包括的具体方法为：
根据任意疑似腐蚀连通域内所有像素点与邻域范围内相邻像素点之间的灰度值差异以及不同灰度值的数量，获得疑似腐蚀连通域的灰度混乱参数；
根据任意疑似腐蚀连通域内不同方向上相邻像素点之间的灰度值差异获得疑似腐蚀连通域的灰度变化参数。
进一步地，所述根据任意疑似腐蚀连通域内所有像素点与邻域范围内相邻像素点之间的灰度值差异以及不同灰度值的数量，获得疑似腐蚀连通域的灰度混乱参数，包括的具体方法为：
将任意像素点的8邻域像素点记为所述像素点的邻域像素点，将任意像素点与对应的任意一个邻域像素点之间灰度值的差值绝对值记为所述像素点的灰度差异参数；将疑似腐蚀连通域内灰度值相同的像素点作为一类，并记为灰度种类，获得若干个灰度种类；
任意疑似腐蚀连通域的灰度混乱参数的具体计算方法为：
其中，表示疑似腐蚀连通域的灰度混乱参数；/>表示疑似腐蚀连通域内的像素点的数量；/>表示疑似腐蚀连通域内第/>个像素点的所有灰度差异参数的方差；/>表示疑似腐蚀连通域内所有像素点的灰度值极差；/>表示疑似腐蚀连通域内灰度种类的数量。
进一步地，所述根据任意疑似腐蚀连通域内不同方向上相邻像素点之间的灰度值差异获得疑似腐蚀连通域的灰度变化参数，包括的具体方法为：
获取疑似腐蚀连通域的质心处对应的像素点记为疑似腐蚀连通域的中心点，在疑似腐蚀连通域内，获取中心点的所有邻域像素点对应的方向记为邻域方向，以中心点为起点，获取在任意一个邻域方向上第个像素点与第/>个像素点之间的灰度值差值，当灰度值差值为负值时停止获取，将停止获取时对应邻域方向上最后一个像素点记为最终像素点，将对应邻域方向上所有灰度值差值的数量记为所述邻域方向的灰度值差值数量；
任意疑似腐蚀连通域的灰度变化参数的具体计算方法为：
其中，表示疑似腐蚀连通域的灰度特征变化程度；/>表示疑似腐蚀连通域对应中心点的第/>个邻域方向的灰度值差值数量；/>表示疑似腐蚀连通域对应中心点的第/>个邻域方向上第/>个灰度值差值；/>表示疑似腐蚀连通域对应中心点的灰度值；/>表示疑似腐蚀连通域对应中心点的第/>个邻域方向对应最终像素点的灰度值；/>表示绝对值符号。
进一步地，所述将疑似腐蚀连通域的灰度混乱参数以及灰度变化参数融合获得疑似腐蚀连通域的腐蚀缺陷参数，包括的具体方法为：
将任意疑似腐蚀连通域的灰度混乱参数和灰度变化参数的均值，记为疑似腐蚀连通域的腐蚀缺陷参数。
进一步地，所述利用太阳能光伏组件中钢制边框的所有方向上疑似腐蚀连通域的腐蚀缺陷参数进行腐蚀缺陷检测，包括的具体方法为：
获取太阳能光伏组件中钢制边框的所有方向上对应目标图像中所有疑似腐蚀连通域的腐蚀缺陷参数的均值，记为钢制边框的腐蚀系数，当腐蚀系数大于预设的第二阈值时，判定钢制边框存在腐蚀缺陷。
本发明的技术方案的有益效果是：通过获取连通域的边缘链码序列中的元素分布情况以反映连通域的形状特征，另外结合连通域中不同位置以及不同方向上相邻像素点之间的灰度差异以反映连通域的内部灰度特征，提高了对连通域的轮廓以及灰度分布特征的量化描述程度，使准确地区分镀层表面的氧化斑和腐蚀斑，提高了对腐蚀斑的检测精度，另外通过灰度混乱参数和灰度变化参数描述了疑似腐蚀连通域内部灰度值的分布情况，反映了疑似腐蚀连通域为腐蚀斑时所受到腐蚀的程度，提高了对连通域进行腐蚀程度的定量描述的准确性，提高了对太阳能光伏组件中钢制边框被腐蚀的严重程度的评估准确性。
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为本发明一种太阳能光伏组件生产质量检测系统的结构框图；
图2为本发明的镀层图像示意图；
图3为本发明的镀层二值图像示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种太阳能光伏组件生产质量检测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种太阳能光伏组件生产质量检测系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种太阳能光伏组件生产质量检测系统的结构框图，该系统包括以下模块：
图像采集模块，用于采集太阳能光伏组件中钢制边框在所有方向上的镀层图像，对镀层图像进行分割和形态学处理获得目标图像以及目标图像中的连通域。
需要说明的是，太阳能光伏组件中钢制边框在生产过程中需要进行腐蚀性测试，以对太阳能光伏组件中钢制边框进行生产质量评估，太阳能光伏组件中钢制边框在腐蚀性测试过程中，表面的镀层会受到不同原因引起的氧化和腐蚀，但是氧化和腐蚀产生的斑块即氧化斑和腐蚀斑，由于产生的原因不同，导致氧化斑和腐蚀斑在图像中存在细微的差别，因此需要结合计算机视觉技术对太阳能光伏组件中钢制边框的镀层表面进行腐蚀性检测。
为了实现本实施例提出的一种太阳能光伏组件生产质量检测系统，首先需要采集镀层图像，具体过程为：
步骤（1.1），通过工业相机采集太阳能光伏组件中钢制边框的所有方向上表面镀层的图像，均记为镀层图像，将镀层图像进行灰度化处理获得灰度镀层图像。
具体采集方法为：将钢制边框横置于相机所拍摄的区域，相机布置在边框正上方，正对钢制边框表面，沿边框一周进行多次拍摄，且拍摄区域之间不存在重叠，采集钢制边框表面镀层的图像，即镀层图像，如图2所示。
步骤（1.2），利用大津法对灰度镀层图像进行阈值分割获得镀层二值图像，如图3所示，先后利用开运算和闭运算对镀层二值图像进行形态学处理，获得目标图像，对目标图像进行连通域监测获得若干个连通域。
需要说明的是，大津法以及形态学的开运算和闭运算均为现有的图像处理方法，因此本实施例不进行赘述。
需要说明的是，在镀层二值图像中存在若干个灰度值为1的像素点形成的连通域，该连通域为钢制边框的镀层表面上的斑块，通过对连通域进行形态学处理以便于后续对连通域进行分析，其中通过开运算消除连通域之间的细小粘连，通过闭运算填充连通域内的细小空洞。
至此，通过上述方法得到目标图像。
疑似检测模块，用于对目标图像中任意连通域的边缘像素点进行链码编码获得边缘链码序列，根据边缘链码序列中元素数值的分布情况获得连通域的疑似腐蚀参数，根据疑似腐蚀参数的大小获得疑似腐蚀连通域。
需要说明的是，对于钢制边框的镀层表面受到腐蚀造成的斑块与受到氧化造成的斑块，由于形成原因不同，其在图像中对应连通域的边缘特征和灰度特征上存在差异。因此本实施例通过对连通域的边缘形状特征的分析，获取符合腐蚀斑块形状特征的连通域。但是也存在氧化斑块的连通域形状特征接近腐蚀斑块，所以进一步对疑似腐蚀连通域内部的灰度特征进行分析，区分氧化斑块与腐蚀斑块的同时得到斑块内部的腐蚀特征缺陷程度，作为镀层质量检测的关键指标。
观察图像可以发现，氧化斑的边缘形状突变波动性较强，边缘中存在较多的凹点与凸点，突变程度较高，而腐蚀斑的边缘形状相比之下较为平滑，因此可以通过连通域边缘的整体突变程度得到该连通域具有腐蚀连通域特征的程度。进一步的，在氧化斑的连通域中存在一定规模的条状聚集区域，而腐蚀斑的连通域多数为不规则椭圆状的均匀分布，所以可以通过条状型连通域的形状特征进一步获得该连通域的疑似腐蚀性特征程度。
具体的，步骤（2.1），获取目标图像中任意连通域的边缘像素点，以任意连通域的最左处对应的像素点为起始，沿顺时针方向，利用8方向链码对任意连通域的所有边缘像素点进行链码编码，获得连通域对应的链码序列记为边缘链码序列，获取任意连通域的边缘链码序列中元素的数量，将边缘链码序列中数值相同的元素作为一个类别，并记为元素类别，获得若干个元素类别，将任意一个元素类别所包括元素在边缘链码序列中连续时对应元素的数量记为对应元素类别的连续因子，将元素类别的最大连续因子记为元素类别的连续参数；将边缘链码序列中元素数量最多的元素类别记为第一类别，将边缘链码序列中第一类别以外的元素类别记为第二类别。
需要说明的是，通过链码的整体突变程度表示连通域边缘的突变程度，通过链码的同向连续性分布表示连通域的条状型连通域分布。腐蚀斑连通域边缘存在较多平滑部分，连通域在一个链码中，相邻重复的链码连续程度越大，说明该部分曲线越平滑，所以通过整体的链码最大连续程度来表示连通域边缘的突变程度。
氧化斑的连通域中存在较多的条状聚集区域，连通域边缘像素点之间的连线同向率较高，链码表现为相同码值组成占比较大，所以通过链码中相同码值在所有码值中的占比表示链码的同向特征程度，进而表示边缘的条状形状程度，该占比越大，条状特征越明显，该边缘的疑似腐蚀性特征程度越低。
步骤（2.2），获取任意连通域的疑似腐蚀参数，具体计算方法为：
其中，表示连通域的疑似腐蚀参数；/>表示连通域的边缘链码序列中元素类别的数量；/>表示连通域的边缘链码序列内第一类别包括元素的数量；/>表示连通域的边缘链码序列内所有第二类别包括元素的总数量；/>表示连通域的边缘链码序列中第/>个元素类别包括元素的数量；/>表示连通域的边缘链码序列中第/>个元素类别的连续参数；表示以自然常数为底数的指数函数。
需要说明的是，所述疑似腐蚀参数用于描述连通域为腐蚀斑的概率，疑似腐蚀参数越大，连通域为腐蚀斑的概率越大；连续占比参数反映了边缘链码序列中类别所包括元素的最大连续长度在该类别中元素数量上的占比，/>表示所有类别的连续占比参数的累加值，反映了连通域对应边缘在链码方向上的变化程度，该累加值越大，说明连通域的边缘上链码方向连续一致的边缘像素点越多，连通域对应边缘的变化程度越小，即连通域对应边缘越平滑，则该连通域为腐蚀斑的概率越大；同向特征参数/>表示连通域对应边缘链码序列中第一类别与第二类别的比例，该比例越小，表示连通域对应边缘的形状越接近腐蚀斑的形状，即同向特征参数越小，该连通域为腐蚀斑的概率越大。
步骤（2.3），将疑似腐蚀参数大于预设的第一阈值的连通域记为疑似腐蚀连通域。
需要说明的是，根据经验预设第一阈值为0.8，可根据实际情况进行调整，本实施例不进行具体限定。
需要说明的是，本实施例通过获得连通域的疑似腐蚀性程度，结合了被腐蚀与被氧化的连通域边缘的突变特征与连通域的条形分布特征差异，从形状特征上排除氧化斑的干扰，对腐蚀斑的检测更加精准。
至此，通过上述方法得到疑似腐蚀连通域。
腐蚀量化模块，用于根据疑似腐蚀连通域内灰度值的种类、邻域范围内相邻像素点之间的灰度值差异以及不同方向上相邻像素点之间的灰度值差异，分别获得疑似腐蚀连通域的灰度混乱参数以及灰度变化参数，将疑似腐蚀连通域的灰度混乱参数以及灰度变化参数融合获得疑似腐蚀连通域的腐蚀缺陷参数。
具体的，步骤（3.1），将任意像素点的8邻域像素点记为所述像素点的邻域像素点，将任意像素点与对应的任意一个邻域像素点之间灰度值的差值绝对值记为所述像素点的灰度差异参数；将疑似腐蚀连通域内灰度值相同的像素点作为一类，并记为灰度种类，获得若干个灰度种类；获取任意疑似腐蚀连通域的灰度混乱参数，具体计算方法为：
其中，表示疑似腐蚀连通域的灰度混乱参数；/>表示疑似腐蚀连通域内的像素点的数量；/>表示疑似腐蚀连通域内第/>个像素点的所有灰度差异参数的方差；/>表示疑似腐蚀连通域内所有像素点的灰度值极差；/>表示疑似腐蚀连通域内灰度种类的数量。
需要说明的是，差异均匀参数表示疑似腐蚀连通域的所有像素点的灰度差异参数对应方差的均值，反映了疑似腐蚀连通域内灰度值分布的均匀性，差异均匀参数越大，疑似腐蚀连通域内灰度值的分布混乱程度越大，表现为像素点与对应邻域像素点之间的差异越大，则在疑似腐蚀连通域为腐蚀斑时对应的腐蚀程度越强，/>反映了疑似腐蚀连通域内像素点的灰度值的范围大小，/>表示疑似腐蚀连通域内灰度值范围大小与灰度种类数量的乘积，反映了疑似腐蚀连通域内灰度值的变化程度，所述变化程度越大，疑似腐蚀连通域内像素点的灰度值分布混乱的程度越大，则疑似腐蚀连通域为腐蚀斑的概率越高。
需要说明的是，本实施例通过获取疑似腐蚀连通域的灰度混乱参数，以描述疑似腐蚀连通域中像素点的灰度值分布特征，用以描述疑似腐蚀连通域为腐蚀斑的概率以及受到腐蚀的程度，获得对腐蚀斑在图像中灰度分布特征具有针对性的检测结果，进一步排除氧化斑对检测结果的干扰，同时获得疑似腐蚀连通域为腐蚀斑时对应的腐蚀程度。
需要说明的是，由于太阳能光伏组件中的钢制边框的镀层腐蚀是一个持续的过程，会随着腐蚀逐渐加深腐蚀程度，形成腐蚀中心处腐蚀程度最强，向周围扩展腐蚀程度逐渐降低的特征，在图像中的表现为对应连通域中存在中心向四周的灰度梯度变化，且中心灰度值越低腐蚀程度越强；而氧化时氧化膜经快速形成后便会阻止钢制边框内部继续氧化，在图像中没有腐蚀斑所对应的灰度梯度变化特征。
步骤（3.2），获取疑似腐蚀连通域的质心处对应的像素点记为疑似腐蚀连通域的中心点，在疑似腐蚀连通域内，获取中心点的所有邻域像素点对应的方向记为邻域方向，以中心点为起点，获取在任意一个邻域方向上第个像素点与第/>个像素点之间的灰度值差值，当灰度值差值为负值时停止获取，将停止获取时对应邻域方向上最后一个像素点记为最终像素点，将对应邻域方向上所有灰度值差值的数量记为所述邻域方向的灰度值差值数量；获取任意疑似腐蚀连通域的灰度变化参数，具体计算方法为：
其中，表示疑似腐蚀连通域的灰度特征变化程度；/>表示疑似腐蚀连通域对应中心点的第/>个邻域方向的灰度值差值数量；/>表示疑似腐蚀连通域对应中心点的第/>个邻域方向上第/>个灰度值差值；/>表示疑似腐蚀连通域对应中心点的灰度值；/>表示疑似腐蚀连通域对应中心点的第/>个邻域方向对应最终像素点的灰度值；/>表示绝对值符号。
需要说明的是，灰度变化参数用于描述疑似腐蚀连通域对应腐蚀斑受到腐蚀的程度，灰度变化参数越大，疑似腐蚀连通域对应腐蚀斑受到腐蚀的程度越大，灰度变化参数反映了疑似腐蚀连通域在多个方向上相邻像素点之间在灰度差异上的分布特征，灰度变化参数越大，表示疑似腐蚀连通域中像素点的梯度变化呈现由中心向四周变化的规律越强，则，疑似腐蚀连通域对应腐蚀斑受到的腐蚀程度越高。表示疑似腐蚀连通域的中心点与最终像素点之间的灰度差异，差异越大，疑似腐蚀连通域的中心处相对于外侧的灰度值越低，则中心处受到腐蚀的程度越高，因此本实施例通过疑似腐蚀连通域中像素点在空间上的灰度差异，以反映疑似腐蚀连通域中的梯度变化特征，进一步表征疑似腐蚀连通域受到腐蚀的程度，提高了对目标图像中疑似腐蚀连通域的特征量化程度，进一步提高了对钢制边框上腐蚀斑的检测结果准确性。
步骤（3.3），将任意疑似腐蚀连通域的灰度混乱参数和灰度变化参数的均值，记为疑似腐蚀连通域的腐蚀缺陷参数。
需要说明的是，腐蚀缺陷程度越大，该被检测连通域对应原图像中的腐蚀斑腐蚀程度越强，通过结合腐蚀斑的灰度混乱和灰度变化的相关特征获得腐蚀缺陷检测结果更加准确。
需要说明的是，根据连通域边缘形状特征能基本排除氧化斑连通域的干扰，但是存在特殊情况下氧化斑连通域的边缘突变特征与条状的形状特征均不明显的，会被误认为疑似腐蚀连通域；同时，由边缘形状特征无法获得连通域内的腐蚀缺陷程度。因此在获得疑似腐蚀连通域后，根据疑似腐蚀连通域内部的灰度分布情况进行分析，提高对疑似腐蚀连通域的灰度特征描述程度，以提高后续进行腐蚀斑检测的准确性。
氧化斑是由氧化形成的氧化膜，氧化膜具有较强的耐腐蚀性，一经形成不易变化，因此氧化斑连通域内灰度较为均匀，而腐蚀斑是镀层腐蚀形成，腐蚀程度越强，腐蚀斑越驳杂，所以连通域内部的灰度混乱的程度不一，通过获得灰度混乱参数以反映连通域内部的灰度混乱的程度，灰度混乱的程度越高，连通域受到腐蚀的程度越强。
至此，通过上述方法得到腐蚀缺陷参数。
缺陷检测模块，用于利用太阳能光伏组件中钢制边框的所有方向上疑似腐蚀连通域的腐蚀缺陷参数进行腐蚀缺陷检测。
具体的，获取太阳能光伏组件中钢制边框的所有方向上对应目标图像中所有疑似腐蚀连通域的腐蚀缺陷参数的均值，记为钢制边框的腐蚀系数，当腐蚀系数大于预设的第二阈值时，判定钢制边框存在腐蚀缺陷。
所述腐蚀系数同时反映了判定钢制边框存在腐蚀缺陷时，所受到腐蚀的程度。
需要说明的是，根据经验预设第二阈值为0.8，可根据实际情况进行调整，本实施例不进行具体限定。
由此获得光伏组件边框生产的腐蚀性检测结果，该检测结果排除了雨季气候环境下氧化膜对检测的干扰影响，结合腐蚀斑的边缘形状特征与内部灰度变化特征获得了更准确检测结果。
至此，本实施例完成。
需要说明的是，本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于/>区间内，具体实施时，可替换成具有同样目的的其他模型，本实施例只是以/>模型为例进行叙述，不对其做具体限定，其中/>是指该模型的输入。
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 (9)
1.一种太阳能光伏组件生产质量检测系统，其特征在于，该系统包括以下模块：
图像采集模块，用于采集太阳能光伏组件中钢制边框在所有方向上的镀层图像，对镀层图像进行分割和形态学处理获得目标图像以及目标图像中的连通域；
疑似检测模块，用于对目标图像中任意连通域的边缘像素点进行链码编码获得边缘链码序列，根据边缘链码序列中元素数值的分布情况获得连通域的疑似腐蚀参数，根据疑似腐蚀参数的大小获得疑似腐蚀连通域；
腐蚀量化模块，用于根据疑似腐蚀连通域内不同灰度值的数量、邻域范围内相邻像素点之间的灰度值差异以及不同方向上相邻像素点之间的灰度值差异，分别获得疑似腐蚀连通域的灰度混乱参数以及灰度变化参数，将疑似腐蚀连通域的灰度混乱参数以及灰度变化参数融合获得疑似腐蚀连通域的腐蚀缺陷参数；
缺陷检测模块，用于利用太阳能光伏组件中钢制边框的所有方向上疑似腐蚀连通域的腐蚀缺陷参数进行腐蚀缺陷检测；
所述根据边缘链码序列中元素数值的分布情况获得连通域的疑似腐蚀参数，根据疑似腐蚀参数的大小获得疑似腐蚀连通域，包括的具体方法为：
获取任意连通域的边缘链码序列中元素的数量，将边缘链码序列中数值相同的元素作为一个类别，并记为元素类别，获得若干个元素类别，将任意一个元素类别所包括元素在边缘链码序列中连续出现时对应元素的数量记为对应元素类别的连续因子，将元素类别的所有连续因子中的最大值记为元素类别的连续参数；将边缘链码序列中元素数量最多的元素类别记为第一类别，将边缘链码序列中第一类别以外的元素类别记为第二类别；
根据第一类别和第二类别中元素的数量以及在边缘链码序列中所有元素类别的连续参数获得疑似腐蚀参数；
将疑似腐蚀参数大于预设的第一阈值的连通域记为疑似腐蚀连通域。
2.根据权利要求1所述一种太阳能光伏组件生产质量检测系统，其特征在于，所述采集太阳能光伏组件中钢制边框在所有方向上的镀层图像，对镀层图像进行分割和形态学处理获得目标图像以及目标图像中的连通域，包括的具体方法为：
将镀层图像进行灰度化处理获得灰度镀层图像；
利用大津法对灰度镀层图像进行阈值分割获得镀层二值图像，先后利用开运算和闭运算对镀层二值图像进行形态学处理，获得目标图像，对目标图像进行连通域监测获得若干个连通域。
3.根据权利要求1所述一种太阳能光伏组件生产质量检测系统，其特征在于，所述对目标图像中任意连通域的边缘像素点进行链码编码获得边缘链码序列，包括的具体方法为：
获取目标图像中任意连通域的边缘像素点，以任意连通域的最左处对应的边缘像素点为起始，沿顺时针方向，利用8方向链码对任意连通域的所有边缘像素点进行链码编码，获得连通域对应的链码序列记为边缘链码序列。
4.根据权利要求1所述一种太阳能光伏组件生产质量检测系统，其特征在于，所述根据第一类别和第二类别中元素的数量以及在边缘链码序列中所有元素类别的连续参数获得疑似腐蚀参数，包括的具体方法为：
任意连通域的疑似腐蚀参数的具体计算方法为：
其中，表示连通域的疑似腐蚀参数；/>表示连通域的边缘链码序列中元素类别的数量；/>表示连通域的边缘链码序列内第一类别包括元素的数量；/>表示连通域的边缘链码序列内所有第二类别包括元素的总数量；/>表示连通域的边缘链码序列中第/>个元素类别包括元素的数量；/>表示连通域的边缘链码序列中第/>个元素类别的连续参数；表示以自然常数为底数的指数函数。
5.根据权利要求1所述一种太阳能光伏组件生产质量检测系统，其特征在于，所述根据疑似腐蚀连通域内不同灰度值的数量、邻域范围内相邻像素点之间的灰度值差异以及不同方向上相邻像素点之间的灰度值差异，分别获得疑似腐蚀连通域的灰度混乱参数以及灰度变化参数，包括的具体方法为：
根据任意疑似腐蚀连通域内所有像素点与邻域范围内相邻像素点之间的灰度值差异以及不同灰度值的数量，获得疑似腐蚀连通域的灰度混乱参数；
根据任意疑似腐蚀连通域内不同方向上相邻像素点之间的灰度值差异获得疑似腐蚀连通域的灰度变化参数。
6.根据权利要求5所述一种太阳能光伏组件生产质量检测系统，其特征在于，所述根据任意疑似腐蚀连通域内所有像素点与邻域范围内相邻像素点之间的灰度值差异以及不同灰度值的数量，获得疑似腐蚀连通域的灰度混乱参数，包括的具体方法为：
将任意像素点的8邻域像素点记为所述像素点的邻域像素点，将任意像素点与对应的任意一个邻域像素点之间灰度值的差值绝对值记为所述像素点的灰度差异参数；将疑似腐蚀连通域内灰度值相同的像素点作为一类，并记为灰度种类，获得若干个灰度种类；
任意疑似腐蚀连通域的灰度混乱参数的具体计算方法为：
其中，表示疑似腐蚀连通域的灰度混乱参数；/>表示疑似腐蚀连通域内的像素点的数量；/>表示疑似腐蚀连通域内第/>个像素点的所有灰度差异参数的方差；/>表示疑似腐蚀连通域内所有像素点的灰度值极差；/>表示疑似腐蚀连通域内灰度种类的数量。
7.根据权利要求6所述一种太阳能光伏组件生产质量检测系统，其特征在于，所述根据任意疑似腐蚀连通域内不同方向上相邻像素点之间的灰度值差异获得疑似腐蚀连通域的灰度变化参数，包括的具体方法为：
获取疑似腐蚀连通域的质心处对应的像素点记为疑似腐蚀连通域的中心点，在疑似腐蚀连通域内，获取中心点的所有邻域像素点对应的方向记为邻域方向，以中心点为起点，获取在任意一个邻域方向上第个像素点与第/>个像素点之间的灰度值差值，当灰度值差值为负值时停止获取，将停止获取时对应邻域方向上最后一个像素点记为最终像素点，将对应邻域方向上所有灰度值差值的数量记为所述邻域方向的灰度值差值数量；
任意疑似腐蚀连通域的灰度变化参数的具体计算方法为：
其中，表示疑似腐蚀连通域的灰度特征变化程度；/>表示疑似腐蚀连通域对应中心点的第/>个邻域方向的灰度值差值数量；/>表示疑似腐蚀连通域对应中心点的第/>个邻域方向上第/>个灰度值差值；/>表示疑似腐蚀连通域对应中心点的灰度值；/>表示疑似腐蚀连通域对应中心点的第/>个邻域方向对应最终像素点的灰度值；/>表示绝对值符号。
8.根据权利要求1所述一种太阳能光伏组件生产质量检测系统，其特征在于，所述将疑似腐蚀连通域的灰度混乱参数以及灰度变化参数融合获得疑似腐蚀连通域的腐蚀缺陷参数，包括的具体方法为：
将任意疑似腐蚀连通域的灰度混乱参数和灰度变化参数的均值，记为疑似腐蚀连通域的腐蚀缺陷参数。
9.根据权利要求1所述一种太阳能光伏组件生产质量检测系统，其特征在于，所述利用太阳能光伏组件中钢制边框的所有方向上疑似腐蚀连通域的腐蚀缺陷参数进行腐蚀缺陷检测，包括的具体方法为：
获取太阳能光伏组件中钢制边框的所有方向上对应目标图像中所有疑似腐蚀连通域的腐蚀缺陷参数的均值，记为钢制边框的腐蚀系数，当腐蚀系数大于预设的第二阈值时，判定钢制边框存在腐蚀缺陷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410015491.0A CN117522873B (zh) | 2024-01-05 | 2024-01-05 | 一种太阳能光伏组件生产质量检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410015491.0A CN117522873B (zh) | 2024-01-05 | 2024-01-05 | 一种太阳能光伏组件生产质量检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117522873A CN117522873A (zh) | 2024-02-06 |
| CN117522873B true CN117522873B (zh) | 2024-03-29 |
Family
ID=89753549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410015491.0A Active CN117522873B (zh) | 2024-01-05 | 2024-01-05 | 一种太阳能光伏组件生产质量检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117522873B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117974666B (zh) * | 2024-04-01 | 2024-06-25 | 陕西合阳风动工具有限责任公司 | 一种非圆行星齿轮的质量异常检测方法 |
| CN118115499B (zh) * | 2024-04-29 | 2024-07-12 | 深圳市金利源绝缘材料有限公司 | 一种电力铜排的生产质量视觉检测方法 |
| CN118229997B (zh) * | 2024-05-22 | 2024-07-30 | 中国人民解放军空军军医大学 | 一种心电图图像特征提取方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109916910A (zh) * | 2019-03-27 | 2019-06-21 | 中建材凯盛机器人（上海）有限公司 | 光伏玻璃边部缺陷检测系统及相应的方法 |
| CN112184675A (zh) * | 2020-09-30 | 2021-01-05 | 李灵芝 | 基于人工智能的光伏电池板焊带腐蚀程度判断方法及系统 |
| CN116758057A (zh) * | 2023-08-10 | 2023-09-15 | 山东贺铭电气有限公司 | 基于人工智能的通信设备缺陷检测方法 |
| CN117132844A (zh) * | 2023-10-27 | 2023-11-28 | 江苏惠汕新能源集团有限公司 | 一种基于图像处理的光伏板裂纹与划痕的分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7709794B2 (en) * | 2008-02-05 | 2010-05-04 | Kla-Tencor Corporation | Defect detection using time delay lock-in thermography (LIT) and dark field LIT |
-
2024
- 2024-01-05 CN CN202410015491.0A patent/CN117522873B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109916910A (zh) * | 2019-03-27 | 2019-06-21 | 中建材凯盛机器人（上海）有限公司 | 光伏玻璃边部缺陷检测系统及相应的方法 |
| CN112184675A (zh) * | 2020-09-30 | 2021-01-05 | 李灵芝 | 基于人工智能的光伏电池板焊带腐蚀程度判断方法及系统 |
| CN116758057A (zh) * | 2023-08-10 | 2023-09-15 | 山东贺铭电气有限公司 | 基于人工智能的通信设备缺陷检测方法 |
| CN117132844A (zh) * | 2023-10-27 | 2023-11-28 | 江苏惠汕新能源集团有限公司 | 一种基于图像处理的光伏板裂纹与划痕的分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117522873A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117522873B (zh) | 一种太阳能光伏组件生产质量检测系统 | |
| CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
| CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
| CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
| CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
| CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
| CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
| CN115049664B (zh) | 基于视觉的船舶发动机配件缺陷检测方法 | |
| CN111738256B (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
| CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
| CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
| CN116109644A (zh) | 用于铜铝转接排的表面缺陷检测方法 | |
| CN116777907A (zh) | 一种钣金件质量检测方法 | |
| CN116091499A (zh) | 一种涂料生产异常识别系统 | |
| CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
| 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 | |
| CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
| CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
| CN115908362A (zh) | 一种滑板轮的耐磨性检测方法 | |
| CN115115603A (zh) | 基于人工智能的汽车配件飞轮表面检测方法 | |
| CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
| CN117351017A (zh) | 一种光伏钢结构组件缺陷视觉检测方法 | |
| CN115115637A (zh) | 基于图像金字塔思想的布匹缺陷检测方法 | |
| CN116777911A (zh) | 一种基于图像识别的双基板散热器表面缺陷检测系统 | |
| CN116071692A (zh) | 一种基于形态学图像处理的水尺水位识别方法及系统 |
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 | ||
| CP03 | Change of name, title or address |
Address after: No. 19, Fengyang Road, Luoshe Town, Huishan District, Wuxi City, Jiangsu Province, 214000 Patentee after: Huishan Green Creation (Jiangsu) Technology Co.,Ltd. Country or region after: China Address before: No. 19, Fengyang Road, Luoshe Town, Huishan District, Wuxi City, Jiangsu Province, 214000 Patentee before: Huishan Lvchuang (Jiangsu) Technology Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |