CN117576093B - 基于el图像的太阳能电池片隐裂检测方法 - Google Patents
基于el图像的太阳能电池片隐裂检测方法 Download PDFInfo
- Publication number
- CN117576093B CN117576093B CN202410053913.3A CN202410053913A CN117576093B CN 117576093 B CN117576093 B CN 117576093B CN 202410053913 A CN202410053913 A CN 202410053913A CN 117576093 B CN117576093 B CN 117576093B
- Authority
- CN
- China
- Prior art keywords
- image
- hidden crack
- hidden
- generate
- crack
- 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 97
- 238000000034 method Methods 0.000 claims abstract description 91
- 238000004458 analytical method Methods 0.000 claims abstract description 78
- 230000007547 defect Effects 0.000 claims abstract description 78
- 238000004891 communication Methods 0.000 claims abstract description 43
- 238000012937 correction Methods 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 239000000428 dust Substances 0.000 claims description 111
- 230000008859 change Effects 0.000 claims description 71
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 238000001228 spectrum Methods 0.000 claims description 35
- 238000010521 absorption reaction Methods 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000012098 association analyses Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000009792 diffusion process Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000003706 image smoothing Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000001179 sorption measurement Methods 0.000 claims description 4
- 238000011426 transformation method Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000005401 electroluminescence Methods 0.000 description 150
- 239000000523 sample Substances 0.000 description 100
- 238000012545 processing Methods 0.000 description 30
- 238000009826 distribution Methods 0.000 description 14
- 230000001965 increasing effect Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008439 repair process Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 238000003908 quality control method Methods 0.000 description 6
- 238000010219 correlation analysis Methods 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000013519 translation 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及图像缺陷检测技术领域，尤其涉及一种基于EL图像的太阳能电池片隐裂检测方法及系统。所述方法包括以下步骤：获取原始EL图像集；对原始EL图像集进行分辨率尺度堆叠，生成多尺度图像金字塔；对多尺度图像金字塔进行图像分辨率强化，从而生成超分辨率校正图像；对超分辨率校正图像进行连通区域确认，生成图像联通区数据；对图像联通区数据进行主珊线擦除，得到EL区域标准图像；利用像素点异常分数评估公式对EL区域标准图像进行隐裂区域分析，生成隐裂区域投影图；本发明通过EL图像对太阳能电池片进行隐裂深度评估问题和隐裂趋势分析有限问题分析，提高了隐裂区域的准确性和可靠性。
Description
技术领域
本发明涉及图像缺陷检测技术领域，尤其涉及一种基于EL图像的太阳能电池片隐裂检测方法及系统。
背景技术
太阳能电池片是一种将太阳光转化为电能的装置，它由多个薄片组成，形成一个电池组。然而，在制造过程中，电池片可能会存在隐裂或裂纹，影响其性能和寿命，因此，开发一种可靠的隐裂检测方法是至关重要的，隐裂检测方法通常基于光学技术和电学特性两个方面，在光学技术方面，使用热成像和高分辨率显微镜等设备对电池片进行表面缺陷和裂纹的观察和分析。这些设备能够捕捉到电池片表面的温度变化和微小细节，帮助识别隐裂的位置和程度，在电学特性方面，通过测量电池片的电流-电压特性曲线和光电转换效率等参数，可以间接判断电池片是否存在隐裂，具体方法包括短路电流测量、光电效应测量、电流-电压扫描和电容测量等，然而目前的隐裂检测方法只能通过图像进行简单的图像识别，导致隐裂检测的全面性较低。
发明内容
基于此，有必要提供一种基于EL图像的太阳能电池片隐裂检测方法及系统，以解决至少一个上述技术问题。
为实现上述目的，一种基于EL图像的太阳能电池片隐裂检测方法，所述方法包括以下步骤：
步骤S1：获取原始EL图像集；对原始EL图像集进行分辨率尺度堆叠，生成多尺度图像金字塔；对多尺度图像金字塔进行图像分辨率强化，从而生成超分辨率校正图像；
步骤S2：对超分辨率校正图像进行连通区域确认，生成图像联通区数据；对图像联通区数据进行主珊线擦除，得到EL区域标准图像；利用像素点异常分数评估公式对EL区域标准图像进行隐裂区域分析，生成隐裂区域投影图；
步骤S3：根据预设的像素矩阵对隐裂区域投影图进行样本定位，得到电池片区域坐标；根据电池片区域坐标对太阳能电池片样本进行照射光束收集，得到可疑区域反射谱线；对可疑区域反射谱线进行波形差异分析，生成可疑区域隐裂深度数据；
步骤S4：基于可疑区域隐裂深度数据对太阳能电池片样本进行区域湿度收集，从而获取可疑环境湿度；根据预设的时间戳对可疑区域隐裂深度数据和可疑环境湿度进行湿度变化分析，生成隐裂区域湿度变化数据；通过粉尘湿度吸收计算公式对隐裂区域湿度变化数据进行隐裂区域路径标记，生成可疑隐裂路径图像；
步骤S5：根据可疑隐裂路径图像对太阳能电池片样本进行声波扫描，生成EL滤波声波信号；将EL滤波声波信号进行快速傅里叶变换，生成EL声波频谱图；将EL声波频谱图与预设的标准隐裂波形范围进行波形对比，从而生成轻微隐裂波形和严重隐裂波形；
步骤S6：对轻微隐裂波形和严重隐裂波形进行缺陷关联图谱构建，生成隐裂缺陷关联图谱和隐裂缺陷点坐标；将隐裂缺陷点坐标和隐裂缺陷关联图谱作为节点进行图神经网络模型构建，生成隐裂图预测模型；根据隐裂图预测模型对太阳能电池片样本进行隐裂检测，生成隐裂关联分析结果。
本发明通过对原始EL图像集进行分辨率尺度堆叠和对多尺度图像金字塔进行图像分辨率强化，可以获得具有更高分辨率和更多细节的超分辨率校正图像，这样做的好处是可以更清晰地观察和分析太阳能电池片的细节特征，例如隐裂、缺陷等，从而更准确地评估电池片的质量和性能，超分辨率校正图像可以提供更详细的信息，使得后续的缺陷检测、分析和预测等任务更加精确和可靠，通过增强图像分辨率，可以改善对细微特征的探测和优化，帮助提升太阳能电池片的质量控制和生产效率；对超分辨率校正图像进行连通区域确认以及对图像联通区数据进行主珊线擦除，可以对超分辨率校正图像进行隐裂区域分析，帮助识别和定位太阳能电池片中的隐裂问题，通过自动化的隐裂检测和分析，可以提高工作效率并减少人工错误，同时提供更准确的数据和详细的隐裂分布信息，有助于制定针对性的修复和改进策略，提高太阳能电池片的质量和可靠性；根据预设的像素矩阵对隐裂区域投影图进行样本定位，可以通过反射谱线分析来获取太阳能电池片中可疑区域的隐裂深度数据，这有助于检测和定量评估隐裂的严重程度以及其对电池片性能的影响，可疑区域隐裂深度数据提供了关于电池片中隐裂情况的详细信息，使研究人员和工程师能够更好地了解电池片的质量状况和潜在故障，这有助于指导制造过程的改进和优化，并为质量控制提供有针对性的指导，提高太阳能电池片的可靠性和性能；利用湿度数据对太阳能电池片的隐裂进行分析和标记，可以提供关于隐裂路径的信息，这有助于验证和定量评估隐裂路径的存在和分布情况，可疑隐裂路径图像提供了直观的可视化结果，可以帮助研究人员和工程师更好地理解和评估太阳能电池片中的隐裂情况，这有助于提前检测潜在的隐裂问题，指导制造和维护过程中的决策，以提高太阳能电池片的可靠性和性能；利用声波扫描和波形对比，可以对太阳能电池片样本中的隐裂进行检测和识别，EL滤波声波信号和EL声波频谱图提供了对隐裂相关特征的表示，有助于分析和评估隐裂的严重程度，通过与预设的标准隐裂波形范围进行比较，可以确定轻微和严重隐裂的存在，并对不同程度的隐裂进行分类，这有助于指导进一步的修复和维护措施，以确保太阳能电池片的性能和可靠性；利用缺陷关联图谱和图神经网络模型，可以进行更精确的隐裂检测和分析。通过构建图谱，可以捕捉隐裂之间的关联性和空间分布信息，有助于提高隐裂的检测准确度，图神经网络模型能够学习图的特征和隐裂的拓扑结构，进一步提升隐裂检测的性能，通过应用隐裂图预测模型于太阳能电池片样本，可以生成隐裂关联分析结果，从而指导后续的修复和维护工作，确保太阳能电池片的质量和可靠性。因此，本发明通过反射谱线和波形差异分析，能够更精确地判断隐裂的深度和程度，通过湿度变化和隐裂路径图像，从湿度角度评估隐裂存在和程度，增强了检测的全面性，通过图神经网络模型构建和训练，提高了隐裂检测的准确率和可靠性，能够更准确地定位和分析隐裂缺陷。
本发明的有益效果在于通过获取原始EL图像集，并对其进行分辨率尺度堆叠，生成多尺度图像金字塔，进行图像分辨率强化，生成超分辨率校正图像，可以提高图像的质量和分辨率，为后续的隐裂检测和分析提供更清晰的图像输入，进行连通区域确认，生成图像联通区数据，进行主珊线擦除，得到EL区域标准图像，利用像素点异常分数评估公式对EL区域标准图像进行隐裂区域分析，生成隐裂区域投影图，可以准确定位和分析太阳能电池片中的隐裂区域，为后续的隐裂检测提供输入数据，根据预设的像素矩阵对隐裂区域投影图进行样本定位，得到电池片区域坐标，根据电池片区域坐标对太阳能电池片样本进行照射光束收集，得到可疑区域反射谱线，对可疑区域反射谱线进行波形差异分析，生成可疑区域隐裂深度数据，可以提取出可疑区域的信息，提供给后续步骤进行进一步的分析和判断，以确定隐裂的位置和深度，可以提取出可疑区域的信息，提供给后续步骤进行进一步的分析和判断，以确定隐裂的位置和深度，根据预设的时间戳对可疑区域隐裂深度数据和可疑环境湿度进行湿度变化分析，生成隐裂区域湿度变化数据，通过粉尘湿度吸收计算公式对隐裂区域湿度变化数据进行隐裂区域路径标记，生成可疑隐裂路径图像，可以分析隐裂区域的湿度变化，提供可疑隐裂路径图像，进一步揭示隐裂的位置和可能的影响因素，根据可疑隐裂路径图像对太阳能电池片样本进行声波扫描，生成EL滤波声波信号，将EL滤波声波信号进行快速傅里叶变换，生成EL声波频谱图，将EL声波频谱图与预设的标准隐裂波形范围进行波形对比，从而生成轻微隐裂波形和严重隐裂波形，可以进一步确认和分析隐裂的存在，并生成与隐裂程度相关的波形数据，对轻微隐裂波形和严重隐裂波形进行缺陷关联图谱构建，生成隐裂缺陷关联图谱和隐裂缺陷点坐标，将隐裂缺陷点坐标和隐裂缺陷关联图谱作为节点进行图神经网络模型构建，生成隐裂图预测模型，根据隐裂图预测模型对太阳能电池片样本进行隐裂检测，生成隐裂关联分析结果，可以提高隐裂的检测准确度和分析效率，进一步推动太阳能电池片的质量控制和故障诊断。因此，本发明通过反射谱线和波形差异分析，能够更精确地判断隐裂的深度和程度，通过湿度变化和隐裂路径图像，从湿度角度评估隐裂存在和程度，增强了检测的全面性，通过图神经网络模型构建和训练，提高了隐裂检测的准确率和可靠性，能够更准确地定位和分析隐裂缺陷。
附图说明
图1为一种基于EL图像的太阳能电池片隐裂检测方法的步骤流程示意图；
图2为图1中步骤S3的详细实施步骤流程示意图；
图3为图1中步骤S4的详细实施步骤流程示意图；
图4为图1中步骤S5的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，一种基于EL图像的太阳能电池片隐裂检测方法，所述方法包括以下步骤：
步骤S1：获取原始EL图像集；对原始EL图像集进行分辨率尺度堆叠，生成多尺度图像金字塔；对多尺度图像金字塔进行图像分辨率强化，从而生成超分辨率校正图像；
步骤S2：对超分辨率校正图像进行连通区域确认，生成图像联通区数据；对图像联通区数据进行主珊线擦除，得到EL区域标准图像；利用像素点异常分数评估公式对EL区域标准图像进行隐裂区域分析，生成隐裂区域投影图；
步骤S3：根据预设的像素矩阵对隐裂区域投影图进行样本定位，得到电池片区域坐标；根据电池片区域坐标对太阳能电池片样本进行照射光束收集，得到可疑区域反射谱线；对可疑区域反射谱线进行波形差异分析，生成可疑区域隐裂深度数据；
步骤S4：基于可疑区域隐裂深度数据对太阳能电池片样本进行区域湿度收集，从而获取可疑环境湿度；根据预设的时间戳对可疑区域隐裂深度数据和可疑环境湿度进行湿度变化分析，生成隐裂区域湿度变化数据；通过粉尘湿度吸收计算公式对隐裂区域湿度变化数据进行隐裂区域路径标记，生成可疑隐裂路径图像；
步骤S5：根据可疑隐裂路径图像对太阳能电池片样本进行声波扫描，生成EL滤波声波信号；将EL滤波声波信号进行快速傅里叶变换，生成EL声波频谱图；将EL声波频谱图与预设的标准隐裂波形范围进行波形对比，从而生成轻微隐裂波形和严重隐裂波形；
步骤S6：对轻微隐裂波形和严重隐裂波形进行缺陷关联图谱构建，生成隐裂缺陷关联图谱和隐裂缺陷点坐标；将隐裂缺陷点坐标和隐裂缺陷关联图谱作为节点进行图神经网络模型构建，生成隐裂图预测模型；根据隐裂图预测模型对太阳能电池片样本进行隐裂检测，生成隐裂关联分析结果。
本发明通过对原始EL图像集进行分辨率尺度堆叠和对多尺度图像金字塔进行图像分辨率强化，可以获得具有更高分辨率和更多细节的超分辨率校正图像，这样做的好处是可以更清晰地观察和分析太阳能电池片的细节特征，例如隐裂、缺陷等，从而更准确地评估电池片的质量和性能，超分辨率校正图像可以提供更详细的信息，使得后续的缺陷检测、分析和预测等任务更加精确和可靠，通过增强图像分辨率，可以改善对细微特征的探测和优化，帮助提升太阳能电池片的质量控制和生产效率；对超分辨率校正图像进行连通区域确认以及对图像联通区数据进行主珊线擦除，可以对超分辨率校正图像进行隐裂区域分析，帮助识别和定位太阳能电池片中的隐裂问题，通过自动化的隐裂检测和分析，可以提高工作效率并减少人工错误，同时提供更准确的数据和详细的隐裂分布信息，有助于制定针对性的修复和改进策略，提高太阳能电池片的质量和可靠性；根据预设的像素矩阵对隐裂区域投影图进行样本定位，可以通过反射谱线分析来获取太阳能电池片中可疑区域的隐裂深度数据，这有助于检测和定量评估隐裂的严重程度以及其对电池片性能的影响，可疑区域隐裂深度数据提供了关于电池片中隐裂情况的详细信息，使研究人员和工程师能够更好地了解电池片的质量状况和潜在故障，这有助于指导制造过程的改进和优化，并为质量控制提供有针对性的指导，提高太阳能电池片的可靠性和性能；利用湿度数据对太阳能电池片的隐裂进行分析和标记，可以提供关于隐裂路径的信息，这有助于验证和定量评估隐裂路径的存在和分布情况，可疑隐裂路径图像提供了直观的可视化结果，可以帮助研究人员和工程师更好地理解和评估太阳能电池片中的隐裂情况，这有助于提前检测潜在的隐裂问题，指导制造和维护过程中的决策，以提高太阳能电池片的可靠性和性能；利用声波扫描和波形对比，可以对太阳能电池片样本中的隐裂进行检测和识别，EL滤波声波信号和EL声波频谱图提供了对隐裂相关特征的表示，有助于分析和评估隐裂的严重程度，通过与预设的标准隐裂波形范围进行比较，可以确定轻微和严重隐裂的存在，并对不同程度的隐裂进行分类，这有助于指导进一步的修复和维护措施，以确保太阳能电池片的性能和可靠性；利用缺陷关联图谱和图神经网络模型，可以进行更精确的隐裂检测和分析。通过构建图谱，可以捕捉隐裂之间的关联性和空间分布信息，有助于提高隐裂的检测准确度，图神经网络模型能够学习图的特征和隐裂的拓扑结构，进一步提升隐裂检测的性能，通过应用隐裂图预测模型于太阳能电池片样本，可以生成隐裂关联分析结果，从而指导后续的修复和维护工作，确保太阳能电池片的质量和可靠性。因此，本发明通过反射谱线和波形差异分析，能够更精确地判断隐裂的深度和程度，通过湿度变化和隐裂路径图像，从湿度角度评估隐裂存在和程度，增强了检测的全面性，通过图神经网络模型构建和训练，提高了隐裂检测的准确率和可靠性，能够更准确地定位和分析隐裂缺陷。
本发明实施例中，参考图1所述，为本发明基于EL图像的太阳能电池片隐裂检测方法的步骤流程示意图，在本实例中，所述基于EL图像的太阳能电池片隐裂检测方法包括以下步骤：
步骤S1：获取原始EL图像集；对原始EL图像集进行分辨率尺度堆叠，生成多尺度图像金字塔；对多尺度图像金字塔进行图像分辨率强化，从而生成超分辨率校正图像；
本发明实施例中，通过收集太阳能电池片的EL图像数据集，这可以通过使用EL图像检测设备或摄像机对太阳能电池片进行扫描或拍摄来完成，将原始EL图像集进行多次下采样和上采样操作，生成不同分辨率的图像层级，下采样是减小图像的尺寸，上采样是增加图像的尺寸，通过应用高斯金字塔或拉普拉斯金字塔等方法生成图像金字塔，具体而言，先使用高斯滤波器对图像进行平滑处理，然后进行下采样得到较低分辨率图像，重复该过程直至得到所需的层级和分辨率，生成多尺度图像金字塔，使用超分辨率图像重建算法对多尺度图像金字塔进行图像分辨率上采样操作，例如使用双线性插值、双三次插值等，通过对低分辨率图像的像素进行插值计算来增加图像的分辨率，插值算法是简单且直观的方法，但可能会导致图像模糊，将经过分辨率尺度堆叠和图像分辨率强化的图像金字塔进行合成，得到超分辨率校正图像，一种常用的方法是使用拉普拉斯金字塔逆向过程，通过将较低分辨率图像与上一层的增量图像相加来重建高分辨率图像，从而生成超分辨率校正图像。
步骤S2：对超分辨率校正图像进行连通区域确认，生成图像联通区数据；对图像联通区数据进行主珊线擦除，得到EL区域标准图像；利用像素点异常分数评估公式对EL区域标准图像进行隐裂区域分析，生成隐裂区域投影图；
本发明实施例中，通过对超分辨率校正图像应用图像分割算法，例如基于阈值、基于区域增长、基于图割等方法，将图像划分为不同的连通区域，对每个连通区域进行标记或分配唯一的标识符，以便后续处理和分析，生成包含图像联通区数据的数据结构，可以是像素坐标列表、区域包围框的集合或其他表示方法，针对图像联通区数据中的每个连通区域，应用主珊线擦除算法，主珊线是从太阳能电池片的正极到负极的主要电流通路，主珊线擦除算法可以使用图像处理技术，例如边缘检测、形态学运算等，将主珊线及其周围的区域从图像中擦除或标记为背景，对于每个连通区域，将主珊线擦除后的图像块保存下来，形成EL区域标准图像，定义一种像素点异常分数评估公式，用于量化像素点的异常程度，该公式可能基于像素强度、梯度、纹理等特征来评估像素点的异常性，对EL区域标准图像中的每个像素计算异常分数，并将结果映射到一个具体的值或颜色空间，根据异常分数的阈值，将具有较高异常分数的像素标记为隐裂区域，可以根据需要调整阈值以控制隐裂区域的检测灵敏度，将隐裂区域投影到EL区域标准图像上，生成隐裂区域投影图，这可以是将隐裂区域标记为特定的颜色或通过不透明度来突出显示。
步骤S3：根据预设的像素矩阵对隐裂区域投影图进行样本定位，得到电池片区域坐标；根据电池片区域坐标对太阳能电池片样本进行照射光束收集，得到可疑区域反射谱线；对可疑区域反射谱线进行波形差异分析，生成可疑区域隐裂深度数据；
本发明实施例中，通过根据预设的像素矩阵，计算或确定隐裂区域投影图中每个像素点对应的实际坐标，针对隐裂区域投影图，利用像素坐标和实际坐标之间的映射关系，将隐裂区域投影图中的像素点转换为电池片的实际区域坐标，利用电池片区域坐标，在实际太阳能电池片样本上定位对应区域，通过照射光束（例如激光、白光或其他光源）照射到电池片样本的特定区域，并使用适当的光学设备（例如光谱仪、光电探测器）收集反射光谱数据，根据电池片区域坐标的准确定位，确保收集到的反射光谱数据与隐裂区域对应，对收集到的可疑区域反射谱线进行波形差异分析，这可以涉及比较不同区域的反射谱线的形状、峰位、强度等指标，利用预先设定的算法或模型，将波形差异映射到隐裂的深度或程度，该算法或模型可以基于波形特征和已知的隐裂深度数据进行训练或校准，根据波形差异分析的结果，生成可疑区域隐裂深度数据，这些数据可以表示隐裂的程度、位置或其他相关信息。
步骤S4：基于可疑区域隐裂深度数据对太阳能电池片样本进行区域湿度收集，从而获取可疑环境湿度；根据预设的时间戳对可疑区域隐裂深度数据和可疑环境湿度进行湿度变化分析，生成隐裂区域湿度变化数据；通过粉尘湿度吸收计算公式对隐裂区域湿度变化数据进行隐裂区域路径标记，生成可疑隐裂路径图像；
本发明实施例中，通过使用合适的湿度传感器或测量设备，在可疑区域的电池片样本上进行区域湿度收集，确保将湿度传感器放置在与可疑区域隐裂深度数据相对应的电池片位置，以获取准确的湿度数据，收集一定时间间隔内的湿度数据，以获取一段时间内的可疑环境湿度，对可疑区域隐裂深度数据和可疑环境湿度进行时间戳对齐，确保二者的数据在同一时间点上对应，通过计算可疑区域隐裂深度数据和可疑环境湿度之间的变化，分析隐裂区域的湿度变化情况，可以使用统计分析、数据建模或其他相关方法来量化湿度变化的程度和趋势，根据隐裂区域的湿度变化数据，结合预设的粉尘湿度吸收计算公式，计算隐裂区域内的湿度吸收程度，根据湿度吸收的程度，将隐裂区域划分为不同的湿度变化路径，基于路径标记的结果，可以生成可疑隐裂路径图像，用于表示可能存在的隐裂路径和相关湿度变化信息。
步骤S5：根据可疑隐裂路径图像对太阳能电池片样本进行声波扫描，生成EL滤波声波信号；将EL滤波声波信号进行快速傅里叶变换，生成EL声波频谱图；将EL声波频谱图与预设的标准隐裂波形范围进行波形对比，从而生成轻微隐裂波形和严重隐裂波形；
本发明实施例中，通过使用合适的声波扫描仪或传感器对太阳能电池片样本进行声波扫描，扫描时，将声波传感器或扫描仪放置在可疑隐裂路径图像所标记的位置，以获取与隐裂有关的声波信号，通过扫描仪的接口或软件，获取声波信号的离散样本数据，对获取的声波信号进行EL滤波（Envelope Low-pass Filtering），以增强隐裂信号并减少噪音，对获取的声波信号进行EL滤波（Envelope Low-pass Filtering），以增强隐裂信号并减少噪音，快速傅里叶变换的结果是一个包含频率和振幅信息的频谱图，这个频谱图表示了电池片样本中各个频率分量的强度和分布情况，预先确定一组标准的隐裂波形范围，可以是从已知有隐裂的电池片样本中获得的波形数据，将EL声波频谱图与这些标准隐裂波形范围进行对比，检查频谱中是否存在与标准波形范围相对应的峰值或异常特征，根据对比结果，可以将隐裂波形分为轻微隐裂波形和严重隐裂波形，或者根据预设的分类标准进行定量评估，结果可能以图像、数据报告或其他形式呈现，以便进行进一步的分析和判断。
步骤S6：对轻微隐裂波形和严重隐裂波形进行缺陷关联图谱构建，生成隐裂缺陷关联图谱和隐裂缺陷点坐标；将隐裂缺陷点坐标和隐裂缺陷关联图谱作为节点进行图神经网络模型构建，生成隐裂图预测模型；根据隐裂图预测模型对太阳能电池片样本进行隐裂检测，生成隐裂关联分析结果。
本发明实施例中，通过针对轻微隐裂波形和严重隐裂波形，将它们进行分析和处理，提取出关键特征或特征向量，基于这些特征，构建一个缺陷关联图谱，其中每个节点代表一个太阳能电池片样本，边表示样本之间的关联关系，在缺陷关联图谱中，标记出隐裂缺陷点的坐标位置，以便后续的图神经网络模型构建和隐裂检测，利用图神经网络方法，将隐裂缺陷点坐标和隐裂缺陷关联图谱作为输入，构建一个图神经网络模型，在模型的训练过程中，使用已知的隐裂样本数据来进行监督学习，通过优化损失函数，使模型能够预测出隐裂图的结构和特征，图神经网络模型的训练可以采用常见的深度学习框架，如PyTorch或TensorFlow，将待检测的太阳能电池片样本输入到已经训练好的隐裂图预测模型中，模型会对样本进行分析和处理，根据输入的特征生成一个隐裂图，包含了隐裂缺陷的位置和关联关系，隐裂关联分析结果可以以可视化图像或数据报告的形式呈现，显示出样本中存在的隐裂缺陷点及其之间的关联情况。
优选地，步骤S1包括以下步骤：
步骤S11：利用摄像机对太阳能电池片样本进行图像采集，获取原始EL图像集；
步骤S12：对原始EL图像集进行特征点匹配，生成EL特征匹配图像集；对EL特征匹配图像集进行图像亮度平衡，生成EL亮度平衡图像集；
步骤S13：将EL亮度平衡图像集进行图像低分辨率对比，得到低分辨率图像；将低分辨率图像进行层级堆叠，生成低分辨率层级；通过平均池化方法对低分辨率层级进行分辨率提层，生成高分辨率层级；将低分辨率层级与高分辨率层级按照预设的金字塔层级进行分级组合，从而生成多尺度图像金字塔；
步骤S14：基于超分辨率重建算法对多尺度图像金字塔进行图像融合，生成多尺度融合图像金字塔；对多尺度融合图像金字塔进行图像拼接，生成超分辨率拼接图像；
步骤S15：对超分辨率拼接图像进行图像平滑，生成超分辨率平滑图像；根据双线性变换方法对超分辨率平滑图像进行图像几何变换，从而生成超分辨率校正图像。
本发明通过利用摄像机对太阳能电池片样本进行图像采集，可以获取原始EL图像集，这为后续的分析和处理提供了必要的数据；对原始EL图像集进行特征点匹配和图像亮度平衡操作，生成EL特征匹配图像集和EL亮度平衡图像集，特征点匹配可以提取图像中的关键信息，亮度平衡可以消除图像中的亮度差异，有利于后续步骤的处理；通过对EL亮度平衡图像集进行图像低分辨率对比，得到低分辨率图像，然后将低分辨率图像进行层级堆叠，通过平均池化方法对低分辨率层级进行分辨率提升，生成高分辨率层级，最后，将低分辨率层级与高分辨率层级按照预设的金字塔层级进行组合，生成多尺度图像金字塔，这样的处理方式可以实现图像的多尺度表示，有助于从不同尺度上进行分析和提取图像的特征；通过对EL亮度平衡图像集进行图像低分辨率对比，得到低分辨率图像。然后将低分辨率图像进行层级堆叠，通过平均池化方法对低分辨率层级进行分辨率提升，生成高分辨率层级，最后，将低分辨率层级与高分辨率层级按照预设的金字塔层级进行组合，生成多尺度图像金字塔，这样的处理方式可以实现图像的多尺度表示，有助于从不同尺度上进行分析和提取图像的特征；对超分辨率拼接图像进行图像平滑，生成超分辨率平滑图像，然后利用双线性变换方法对超分辨率平滑图像进行图像几何变换，生成超分辨率校正图像，这些步骤可以增强图像的质量和几何结构，使其更符合实际样本的特征。
本发明实施例中，通过利用摄像机对太阳能电池片样本进行图像采集，获取原始EL图像集，可以选择适合太阳能电池片的摄像机进行拍摄，确保光照条件良好并减少图像噪声，对原始EL图像集进行特征点匹配，生成EL特征匹配图像集，可以使用特征提取算法（如SIFT、SURF、ORB等）来检测图像中的特征点，然后，通过特征描述子计算每个特征点的描述向量，并使用匹配算法（如最近邻匹配、RANSAC等）进行特征点匹配，最终得到EL特征匹配图像集，对EL特征匹配图像集进行图像亮度平衡，可以采用直方图均衡化等方法来增强图像的对比度和亮度，这可以帮助提高后续步骤的图像处理效果，并使图像特征更加清晰可见，将EL亮度平衡图像集进行图像低分辨率对比，可以使用降采样方法（如图像缩放）将图像降低分辨率，得到低分辨率图像，接下来，将多个低分辨率图像进行层级堆叠，生成低分辨率层级，这可以通过将低分辨率图像以金字塔的形式逐层叠加来实现，然后，采用平均池化（均值池化）等方法对低分辨率层级进行分辨率提升，生成高分辨率层级，平均池化可以通过计算每个池化窗口内像素的平均值来提高图像分辨率，最后，将低分辨率层级与高分辨率层级按照预设的金字塔层级进行分级组合，从而生成多尺度图像金字塔，基于超分辨率重建算法对多尺度图像金字塔进行图像融合，这可以采用基于深度学习的超分辨率重建方法（如SRGAN、ESPCN、EDSR等），使用预训练模型或自定义训练模型来重建图像，这些算法通过学习低分辨率图像与对应高分辨率图像之间的映射关系，生成高质量的超分辨率图像，对多尺度图像金字塔进行图像融合时，可以将不同尺度上的图像信息进行整合，生成多尺度融合图像金字塔，然后，对多尺度融合图像金字塔进行图像拼接，将不同金字塔层级的图像拼接在一起，生成超分辨率拼接图像，对超分辨率拼接图像进行图像平滑，可以采用平滑滤波器（如高斯滤波器）来去除图像中的噪声和不必要的细节，生成超分辨率平滑图像，根据双线性变换方法对超分辨率平滑图像进行图像几何变换，可以进行缩放、旋转、平移等变换操作，从而生成超分辨率校正图像，双线性变换是一种常用的图像几何变换方法，可以通过对像素进行插值计算来实现平滑的图像变换，从而生成超分辨率校正图像。
优选地，步骤S2包括以下步骤：
步骤S21：对超分辨率矫正图像进行图像二值化，生成超分辨率二值化图像；对超分辨率二值化图像进行图像边缘识别，得到电池边缘图像和电池核心图像；
步骤S22：基于开闭形态学运算方法对电池核心图像和电池边缘图像进行联通区确认，生成图像联通区数据；根据图像联通区数据对超分辨率二值化图像进行图像等分切割，从而生成EL区域分割图像；
步骤S23：对EL区域分割图像进行灰度值转换，生成EL区域灰度图像；通过腐蚀膨胀形态学运算对EL区域灰度图像进行电池珊线突出标记，生成EL珊线突出图像；将EL珊线突出图像和EL区域灰度图像进行主珊线擦除，从而得到EL区域标准图像；
步骤S24：根据孤立森林异常检测算法对EL区域标准图像进行隐裂区域分析，生成异常检测结果图；利用像素点异常分数评估公式对异常检测结果图进行异常分数计算，生成像素点异常分数；
步骤S25：将像素点异常分数进行热度映射，生成隐裂热度映射图；基于预设的隐裂判断阈值对隐裂热度映射图进行图像投影，生成隐裂区域投影图。
本发明通过对超分辨率矫正图像进行图像二值化，可以将图像转换为只包含黑白两种颜色的二值图像，这有助于突出电池样本的轮廓和细节，并提供清晰的边缘信息；通过图像边缘识别，可以从超分辨率二值化图像中提取出电池的边缘和核心部分，这对于后续步骤的分析和处理提供了基础；基于开闭形态学运算方法对电池核心图像和电池边缘图像进行联通区确认，可以识别和提取出图像中的联通区域，这些区域可以代表电池的不同组成部分或特征，从而帮助进行进一步的分析和处理；根据图像联通区数据对超分辨率二值化图像进行等分切割，可以将图像分割为多个EL区域，这有助于将注意力集中在电池片的关键区域，通过对EL区域分割图像进行灰度值转换、电池珊线突出标记和主珊线擦除，可以得到用于隐裂区域分析的EL区域标准图像，这样处理后的图像可以更好地显示电池片的结构和细节；使用孤立森林异常检测算法对EL区域标准图像进行分析，可以生成用于检测隐裂区域的异常检测结果图，通过评估像素点的异常分数，可以定量地衡量每个像素点的异常程度，从而帮助判断隐裂程度和位置；将像素点异常分数进行热度映射，可以将异常程度以颜色的形式表示在图像上，生成隐裂热度映射图，基于预设的隐裂判断阈值，可以将热度映射图进行图像投影，标记出隐裂区域，生成隐裂区域投影图，从而提高太阳能电池样本质量评估的准确性和效率。
本发明实施例中，通过将超分辨率矫正图像进行图像二值化，将图像转换为只有两种颜色（黑色和白色）的超分辨率二值化图像，对超分辨率二值化图像进行图像边缘识别技术，例如Canny边缘检测算法，以获得电池边缘图像和电池核心图像，基于开闭形态学运算方法，对电池核心图像和电池边缘图像进行联通区确认，这可以通过填充孔洞、去除小的不连通区域等操作来确保图像中的区域是连通的，并生成图像联通区数据，根据图像联通区数据，对超分辨率二值化图像进行等分切割，从而生成EL区域分割图像，这将把电池样本分割为多个EL区域，便于进一步处理，对EL区域分割图像进行灰度值转换，将其转换为灰度图像，用于后续处理，使用腐蚀和膨胀等形态学运算技术对EL区域灰度图像进行电池珊线突出标记，产生EL珊线突出图像，这将突出显示电池样本中的珊线结构，将EL珊线突出图像与EL区域灰度图像进行主珊线擦除，从而得到EL区域的标准图像，用于后续的分析和处理，使用孤立森林异常检测算法对EL区域的标准图像进行隐裂区域分析，该算法可以检测图像中的异常模式或对象，以发现可能存在的隐裂区域。这将生成异常检测结果图，利用像素点异常分数评估公式对异常检测结果图进行异常分数计算，计算每个像素点的异常程度，并生成像素点异常分数，将像素点异常分数进行热度映射，将异常程度以颜色的形式映射到图像上，生成隐裂热度映射图，使用预设的隐裂判断阈值，对隐裂热度映射图进行图像投影，将超过阈值的热度映射区域标记为隐裂区域，生成隐裂区域投影图。
优选地，步骤S24中的像素点异常分数评估公式具体如下：
式中，表示为像素点异常分数，表示在坐标处的异常程度，表示为异常特征的数量，用于求取平均值，表示为第个特征的权重，表示其对异常分数的贡献程度，表示为第个特征的标准差，用于标准化特征值，表示为第个特征在坐标处的观测值，表示为第个特征在坐标处的预期值，用于建立基准，表示为评估时间的上限，表示为第个特征在坐标处和时间的观测值，表示为第个特征在坐标处和时间的预期值，用于建立时间上的基准，表示为特征值变化的时间，表示为像素点分数评估异常处理值。
本发明构建了一种像素点异常分数评估公式，公式中的第一项是对每个异常特征进行加权平方误差的计算，通过将特征观测值和预期值之间的差异平方化，并乘以相应的权重，可以更加准确地衡量每个特征对异常分数的贡献程度，使用加权误差可以使得不同特征的重要性得到合理的考虑，公式中的标准差参数用于对特征值进行标准化，通过将特征值除以其标准差，可以将特征值转化为标准分数，消除了不同特征之间尺度差异的影响，标准化可以使得不同特征在计算异常分数时具有相同的权重，从而更加公平地比较它们的异常程度，公式中的第二项是对时间的积分项，这一项允许捕捉到异常特征随时间的动态变化情况，通过对一段时间内的特征观测值和预期值之间的差异进行积分，可以综合考虑特征的时间变化趋势，从而更好地捕捉到像素点的异常情况，时间积分项可以在异常检测中提供更全面和准确的信息。该公式充分考虑了异常特征的数量，第个特征的权重，第个特征的标准差、第个特征在坐标处的观测值、第个特征在坐标处的预期值、评估时间的上限、第个特征在坐标处和时间的观测值、第个特征在坐标处和时间的预期值，特征值变化的时间，像素点分数评估异常处理值，根据异常特征的数量与以上各参数之间的相互关系构成了一种函数关系：
公式中的权重参数、标准差参数和时间积分上限都可以根据实际需求进行调整，通过灵活设置这些参数，可以根据具体的应用场景和数据特点来优化异常检测的效果，不同的参数设置可能会产生不同的异常分数结果，从而帮助用户根据具体需求进行异常点的定位和判断，通过像素点分数评估异常处理值，表示像素点异常分数评估计算的异常调整，它可以用于校正模型中未考虑的其他因素对像素点异常分数评估的影响，更加准确的生成像素点异常分数，同时公式中的第个特征的标准差、第个特征在坐标处的预期值等参数可以根据实际情况进行调整，从而适应不同的像素点异常分数评估场景，提高了算法的适用性和灵活性。上述公式通过加权平方误差、标准化和时间积分等手段，综合考虑多个异常特征的贡献以及时间变化趋势，以生成像素点的异常分数，这种方法可以提供更全面、准确的异常检测结果，并且具有灵活性，可根据应用需求进行参数调整，从而适应不同的异常检测场景。
优选地，步骤S3包括以下步骤：
步骤S31：根据预设的像素矩阵对隐裂区域投影图进行可疑区域确认，生成隐裂可疑区域投影图；基于隐裂可疑区域投影图对太阳能电池片样本进行定位，得到电池片区域坐标；
步骤S32：通过电池片区域坐标对太阳能电池片样本进行区域光束照射，利用光谱仪收集反射光束，从而获得可疑区域反射谱线；
步骤S33：将可疑区域反射谱线进行反射波段分析，生成原始多光谱图像；对原始多光谱图像进行波段像素值提取，生成波段像素值；将波段像素值与隐裂区域投影图进行图像结合，从而生成像素投影波形图；
步骤S34：对像素投影波形图进行相邻峰值对比，从而确定最高峰像素波形；对最高峰像素波形进行相邻差异点特征提取，生成波形差异点；利用波段融合算法对波形差异点和原始多光谱图像进行图像重合，得到超光谱差异点图像；
步骤S35：对超光谱差异点图像进行图像差异点离散整合，从而得到可疑区域隐裂深度数据。
本发明通过根据预设的像素矩阵，对隐裂区域投影图进行分析和处理，以确认其中的可疑区域，这可以通过阈值处理或者其他分割算法来实现，生成隐裂可疑区域投影图，基于隐裂可疑区域投影图对太阳能电池片样本进行定位，确定电池片在图像中的位置，并获得电池片区域的坐标；使用光谱仪对位于电池片区域的太阳能电池片样本进行区域光束照射，并收集反射光束的光谱数据，这可以得到可疑区域的反射谱线信息；对可疑区域的反射谱线进行分析，进行反射波段的提取和分析，生成原始多光谱图像，从原始多光谱图像中提取出感兴趣的波段像素值，这些像素值将用于后续的处理步骤，将波段像素值与隐裂区域投影图进行图像结合，得到像素投影波形图，这将在后续的步骤中用于进一步的分析；对像素投影波形图进行相邻峰值对比，通过比较相邻峰值的差异，确定最高峰像素波形，这可以帮助识别出潜在的隐裂特征，对最高峰像素波形进行相邻差异点特征提取，提取出波形中的差异点，这些差异点可能对应于隐裂区域或其他异常特征，利用波段融合算法将波形差异点和原始多光谱图像进行图像重合，生成超光谱差异点图像，这将突出显示出差异点所代表的异常特征，对超光谱差异点图像进行图像差异点的离散整合处理，提取有关隐裂深度的数据，这可以通过像素值的统计分析或者其他算法来实现，从而得到可疑区域的隐裂深度数据，有助于评估电池片的质量和性能，并为后续的修复或替换措施提供指导。
作为本发明的一个实例，参考图2所示，在本实例中所述步骤S3包括：
步骤S31：根据预设的像素矩阵对隐裂区域投影图进行可疑区域确认，生成隐裂可疑区域投影图；基于隐裂可疑区域投影图对太阳能电池片样本进行定位，得到电池片区域坐标；
本发明实施例中，通过需要提前设定一个像素矩阵，该矩阵用于对隐裂区域进行投影，像素矩阵可以是一个二维数组，其尺寸与待处理图像的尺寸相匹配，根据预设的像素矩阵，将其与待处理图像进行比较，比较的方式可以是逐像素比较或通过特定的匹配算法，当像素值匹配条件满足时，将对应位置标记为可疑区域，这些可疑区域可能表示存在隐裂的潜在区域，根据可疑区域的标记结果，将其绘制在隐裂投影图上，这可以是一个二值图像，其中可疑区域的像素值为1，其他区域的像素值为0，利用隐裂可疑区域投影图，在图像中进行电池片的定位，可以使用图像处理技术如边缘检测、形状匹配等方法来定位电池片，定位结果会给出电池片的位置信息，例如矩形框的坐标或中心点坐标。
步骤S32：通过电池片区域坐标对太阳能电池片样本进行区域光束照射，利用光谱仪收集反射光束，从而获得可疑区域反射谱线；
本发明实施例中，通过根据步骤S31中获取的电池片区域坐标，确定需要进行光束照射的区域，通常，这个区域是根据电池片的位置信息来确定的，通过适当的光源，将光束照射到电池片的可疑区域上，光源可以是激光器、白光灯等，具体选择要根据实际需求和实验条件来确定，利用光谱仪或光谱辐射计等设备，收集经过照射后的电池片反射的光束，光谱仪能够测量不同波长范围内的光强度，从而获取光谱数据，将光谱仪与电脑或数据采集设备连接，将反射的光束通过光纤或其他传输介质传送到光谱仪，通过光谱仪软件或编程，采集和记录从电池片上可疑区域反射的光谱数据，这些数据可以包括不同波长的光强度或反射率，对从电池片可疑区域收集到的光谱数据进行分析，这可能包括查找特定波长范围内的光强度峰值、比较不同样本之间的光谱差异等。通过比较正常区域与可疑区域的光谱特征，可以判断可疑区域是否存在异常或缺陷。
步骤S33：将可疑区域反射谱线进行反射波段分析，生成原始多光谱图像；对原始多光谱图像进行波段像素值提取，生成波段像素值；将波段像素值与隐裂区域投影图进行图像结合，从而生成像素投影波形图；
本发明实施例中，通过使用光谱仪获得的反射谱线数据，通过波段分析的方法将其转换为原始多光谱图像，这可以通过将不同波长的光谱数据分配给相应的图像像素来实现，每个像素的数值代表了对应波段的反射强度或反射率，针对生成的原始多光谱图像，对于特定的波段或一组波段（如感兴趣的光谱范围），提取相应的像素值，这可以通过像素的坐标位置和色彩分量值来实现，根据之前对样本进行的检测或分析，生成包含隐裂区域的投影图像，这可以是二值化图像，其中隐裂区域以特定的标记或颜色表示，将提取的波段像素值与隐裂区域投影图进行图像结合，这可以通过将提取的波段像素值与对应的隐裂区域的像素进行合并或覆盖来实现，这样可以将波段像素值与隐裂区域对应起来，生成像素投影波形图，根据图像结合的结果，生成像素投影波形图，该图形显示了隐裂区域的位置和相应波段的像素值，这可以是一个二维图像，其中横轴表示波段或像素的位置，纵轴表示像素值。
步骤S34：对像素投影波形图进行相邻峰值对比，从而确定最高峰像素波形；对最高峰像素波形进行相邻差异点特征提取，生成波形差异点；利用波段融合算法对波形差异点和原始多光谱图像进行图像重合，得到超光谱差异点图像；
本发明实施例中，通过对像素投影波形图进行分析，通过比较相邻峰值来确定最高峰像素波形，这可以通过计算相邻峰值之间的差异来实现，选择最高峰像素波形是为了找到最显著的差异特征，对最高峰像素波形进行相邻差异点特征提取，这可以通过计算相邻数据点之间的差异来实现，例如差分算法或差分变换，提取的差异点表示了波形的变化和突出的特征，根据特定的阈值或差异点的统计特征，生成波形差异点，利用波段融合算法，将波形差异点和原始多光谱图像进行图像重合，波段融合算法可以是传统的方法，如逐波段的像素级融合，或者是基于深度学习的方法，如卷积神经网络，重合后，产生一个超光谱差异点图像，其中显示了波形差异点的位置和对应的像素值。
步骤S35：对超光谱差异点图像进行图像差异点离散整合，从而得到可疑区域隐裂深度数据。
本发明实施例中，通过需要生成超光谱差异点图像，这通过比较不同光谱波段之间的差异来实现，可以使用像素级别的差异比较方法，如像素间的相减或归一化差异等，通过这个过程可以标识出在不同光谱波段之间存在明显差异的像素点，即差异点，对于差异点图像，需要进行离散整合，以获取可疑区域的隐裂深度数据，这个过程可以涉及到对差异点进行连接、聚类或边缘提取等操作，以识别和提取出可疑区域中的连续或相关差异点，通过离散整合的过程，得到了可疑区域中的差异点，这些差异点可表示可能存在隐裂的位置，根据差异点的空间分布和相对强度等信息，可以估计出可疑区域的隐裂深度数据，这可以是以像素为单位的深度数据，或者根据特定算法得到的定量深度信息。
优选地，步骤S4包括以下步骤：
步骤S41：根据可疑区域隐裂深度数据对太阳能电池片样本进行区域湿度收集，从而获取可疑环境湿度；
步骤S42：基于可疑区域隐裂深度数据对太阳能电池片样本进行隐裂宽度分析，生成可疑区域隐裂宽度；
步骤S43：通过湿度检测装置对可疑区域隐裂宽度和可疑区域隐裂深度数据进行隐裂区域环境湿度收集，生成可疑隐裂区域湿度；
步骤S44：根据预设的时间戳将可疑隐裂区域湿度和可疑环境湿度进行湿度变化特征提取，从而生成隐裂区域湿度变化数据；
步骤S45：利用粉尘湿度吸收计算公式对隐裂区域湿度变化数据进行粉尘接触面积计算，生成粉尘接触面积；
步骤S46：根据粉尘接触面积确定粉尘附着区域；利用荧光标记方法对粉尘附着区域进行荧光标记拍摄，从而得到可疑隐裂路径图像。
本发明通过根据之前获得的可疑区域隐裂深度数据，将湿度探针或其他合适的设备放置在相应的区域上，以收集太阳能电池片样本上的湿度数据，这样可以了解可疑隐裂区域的环境湿度状况；使用之前获取的可疑区域隐裂深度数据，对太阳能电池片样本上的隐裂进行宽度分析，这可以通过测量隐裂的宽度、形状等特征来实现，通过这一步骤，可以得到可疑区域中隐裂的宽度数据；使用湿度检测装置对可疑区域的隐裂宽度和深度数据进行检测和测量，以获取可疑隐裂区域的环境湿度信息，这一步骤可以提供更精确和细致的湿度数据，进一步揭示可疑隐裂区域的湿度情况；将可疑隐裂区域的湿度数据和可疑环境湿度数据进行时间上的对比和分析，通过提取湿度变化特征，可以生成隐裂区域的湿度变化数据，用于后续的分析和评估；通过使用粉尘的湿度吸收计算公式，结合隐裂区域湿度变化数据，可以计算出粉尘接触隐裂区域的面积，这样可以精确测量粉尘与隐裂区域的接触程度，帮助评估隐裂的影响程度；根据之前计算得到的粉尘接触面积，可以确定粉尘附着区域在太阳能电池片样本上的位置，随后，使用荧光标记方法对粉尘附着区域进行标记，并进行拍摄，这样可以获得可疑隐裂路径的图像，进一步了解和分析太阳能电池片样本中的隐裂情况。
作为本发明的一个实例，参考图3所示，在本实例中所述步骤S4包括：
步骤S41：根据可疑区域隐裂深度数据对太阳能电池片样本进行区域湿度收集，从而获取可疑环境湿度；
本发明实施例中，通过准备湿度探针或其他合适的湿度测量装置，湿度探针可以是专门用于测量湿度的传感器或仪器，根据可疑区域隐裂深度数据确定需要测量湿度的区域，根据之前的分析结果，确定可能存在隐裂的区域，并将注意力集中在这些区域，移动湿度探针到太阳能电池片样本上的可疑区域，将湿度探针精确地放置在感兴趣的区域上，确保接触面与样本表面充分接触，等待一段时间，以确保湿度探针达到稳定状态并记录湿度数据，时间的长短取决于特定的实验要求和样本条件，使用湿度探针或相关设备读取并记录湿度数据，根据湿度探针的类型，可能需要将数据记录在特定的记录器上或通过计算机软件进行记录，在整个太阳能电池片样本中的其他可疑区域重复以上步骤，以获得更全面的湿度数据。
步骤S42：基于可疑区域隐裂深度数据对太阳能电池片样本进行隐裂宽度分析，生成可疑区域隐裂宽度；
本发明实施例中，通过准备图像处理软件或相关分析工具，可以使用专门的图像处理软件，如OpenCV、ImageJ等，来处理太阳能电池片样本的图像数据，获取太阳能电池片样本的图像，可以使用显微镜、扫描仪或其他合适的设备获取太阳能电池片样本的高分辨率图像，确保能够清晰地观察到可疑区域的隐裂，导入图像到图像处理软件中，将获取到的太阳能电池片样本图像导入所选择的图像处理软件中，以便进行后续的分析，在图像处理软件中，使用合适的工具标记和选择可疑区域，这些区域是根据之前的隐裂深度数据确定的，利用图像处理软件中的测量工具，对所选的可疑区域进行隐裂宽度分析，根据具体的软件和工具，可以测量隐裂的长度或宽度，并记录相关数据，生成可疑区域隐裂宽度。
步骤S43：通过湿度检测装置对可疑区域隐裂宽度和可疑区域隐裂深度数据进行隐裂区域环境湿度收集，生成可疑隐裂区域湿度；
本发明实施例中，通过选择适合的湿度检测装置，可以是商业化的湿度传感器、湿度计或其他湿度测量工具，确保该装置的准确性和精度，将湿度检测装置安装在可疑隐裂区域附近，具体的安装位置可能需要根据样本的特点和测试需求来决定，确保湿度检测装置能够正确感知隐裂区域的环境湿度，按照装置的说明进行操作，启动湿度检测装置，使其能够开始测量环境湿度，等待一段时间，让检测装置稳定并记录湿度数据，在湿度检测装置运行的同时，记录可疑隐裂区域的宽度和深度数据，根据实验设计，可以将湿度检测装置的数据与隐裂数据进行时间同步，根据湿度检测装置的测量结果，收集隐裂区域的环境湿度数据，可以通过装置提供的数据输出接口或相关软件进行数据记录，根据收集到的湿度数据以及隐裂区域的宽度和深度数据，计算并生成可疑隐裂区域的湿度数据，可以使用统计分析方法或其他合适的算法来处理数据，以获得最终的湿度结果。
步骤S44：根据预设的时间戳将可疑隐裂区域湿度和可疑环境湿度进行湿度变化特征提取，从而生成隐裂区域湿度变化数据；
本发明实施例中，通过使用相应的检测装置，将可疑区域的隐裂宽度和隐裂深度进行测量和记录，这些数据可用于分析隐裂区域的特征，在可疑隐裂区域周围设置湿度检测装置，以收集周围环境的湿度信息，确保装置能够准确测量并记录湿度数据，将可疑隐裂区域湿度和可疑环境湿度，根据检测装置的测量结果对可疑隐裂区域的湿度进行计算或推断，生成可疑隐裂区域的湿度数据，根据预设的时间间隔，为生成的可疑隐裂区域湿度数据和环境湿度数据设定时间戳，这些时间戳可以用来标记每个数据点的时间信息，方便后续的湿度变化分析，通过对时间序列数据进行分析，提取湿度变化的特征，常见的特征包括趋势、波动性、均值、方差等。可以使用统计方法、机器学习算法或信号处理技术来提取这些特征，通过对时间序列数据进行分析，提取湿度变化的特征，常见的特征包括趋势、波动性、均值、方差等。可以使用统计方法、机器学习算法或信号处理技术来提取这些特征。
步骤S45：利用粉尘湿度吸收计算公式对隐裂区域湿度变化数据进行粉尘接触面积计算，生成粉尘接触面积；
本发明实施例中，通过根据研究领域和具体要求，选择适当的粉尘湿度吸收计算公式，这些公式可以从相关文献、研究论文或专业指南中获取，根据之前的步骤，获取隐裂区域的湿度变化数据，其中每个数据点包含时间戳和相应的湿度值，根据选择的粉尘湿度吸收计算公式，使用隐裂区域湿度变化数据进行计算，根据公式中的参数和变量，将湿度数据代入公式，计算粉尘接触面积，将步骤3中计算得到的粉尘接触面积与对应的时间戳进行关联，生成粉尘接触面积数据，这些数据可以用于评估粉尘对隐裂区域的影响程度。
步骤S46：根据粉尘接触面积确定粉尘附着区域；利用荧光标记方法对粉尘附着区域进行荧光标记拍摄，从而得到可疑隐裂路径图像。
本发明实施例中，通过根据之前计算得到的粉尘接触面积数据，确定具体的粉尘附着区域，这些区域表示太阳能电池片上可能存在粉尘附着的地方，选择适当的荧光标记方法和荧光标记材料，常用的方法包括使用荧光染料或标记剂来标记粉尘附着区域，确保所选的方法和材料在太阳能电池片样本上具有良好的适用性，根据所选的荧光标记方法和材料，将其应用于粉尘附着区域，确保标记过程准确、均匀，并根据需要进行必要的控制，如控制标记时间和浓度，使用相应的荧光显微镜或成像设备，对标记后的粉尘附着区域进行荧光标记拍摄，调整显微镜的设置和参数，确保能够清晰地捕捉到荧光标记的图像，通过荧光标记拍摄获得的图像，可以观察到粉尘在太阳能电池片样本上的分布情况，从而得到可疑隐裂路径的图像，这些图像可以用于分析和评估太阳能电池片样本中的可疑隐裂情况。
优选地，步骤S45中的粉尘湿度吸收计算公式具体如下：
式中，表示为粉尘接触面积，表示为粉尘密度，表示为粉尘湿度吸收系数，表示为粉尘区域体积，表示为湿度变化数据，表示为粉尘粘度，表示为粉尘接触标准差，表示为粉尘扩散系数，表示为粉尘吸附时间，表示为粉尘空间变量，表示为粉尘初始位置，表示为粉尘数量，表示为粉尘湿度吸收计算异常调整值。
本发明构建了一种粉尘湿度吸收计算公式，公式中的粉尘密度表示单位体积内的粉尘含量，它影响了粉尘接触面积的大小，较高的粉尘密度意味着更多的粉尘颗粒可以与湿度发生接触，从而增加接触面积，粉尘湿度吸收系数表示粉尘湿度吸收的效率，即单位湿度变化时粉尘的吸收能力，较高的吸收系数意味着更高的湿度变化可以导致更多的粉尘吸收，从而增加接触面积，区域体积表示隐裂区域的大小，它决定了粉尘接触面积的上限，较大的区域体积可以提供更多的接触表面，从而增加接触面积，湿度变化数据表示隐裂区域中的湿度变化情况，湿度变化越大，粉尘吸收的可能性越高，从而增加接触面积，粘度表示流体的黏稠程度，影响了粉尘的扩散速度和能力，较低的粘度可以促进粉尘的扩散和吸收，从而增加接触面积，标准差表示高斯函数的宽度，影响了粉尘在空间中的分布，较小的标准差意味着更局部化的分布，使得粉尘在更小的区域内吸收，从而增加接触面积，扩散系数表示粉尘在介质中扩散的速度，它与介质的性质相关，较大的扩散系数意味着粉尘可以更快地扩散到更远的区域，增加接触面积。该公式充分考虑了粉尘密度，粉尘湿度吸收系数，粉尘区域体积、湿度变化数据、粉尘粘度、粉尘接触标准差、粉尘扩散系数、粉尘吸附时间，粉尘空间变量，粉尘初始位置，粉尘数量，粉尘湿度吸收计算异常调整值，根据粉尘密度与以上各参数之间的相互关系构成了一种函数关系：
公式中的时间表示粉尘吸附时间，较长的时间可以提供更多的机会供粉尘吸收湿度，增加接触面积，空间变量表示在隐裂区域中的位置，公式中的积分对整个区域进行了累积，考虑了不同位置的粉尘接触面积，从而得到总的接触面积，初始位置表示粉尘开始吸收湿度的位置，该参数可以影响粉尘在隐裂区域中的分布和接触面积，通过粉尘湿度吸收计算异常调整值，表示对粉尘湿度吸收计算的异常调整，它可以用于校正模型中未考虑的其他因素对粉尘湿度吸收计算的影响，更加准确的生成粉尘接触面积，同时公式中的粉尘接触标准差、粉尘扩散系数等参数可以根据实际情况进行调整，从而适应不同的粉尘湿度吸收计算场景，提高了算法的适用性和灵活性。
优选地，步骤S5包括以下步骤：
步骤S51：根据可疑隐裂路径图像对太阳能电池片样本进行声波扫描，得到EL声波信号；
步骤S52：对EL声波信号进行波形去噪，生成EL去噪声波信号；对EL去噪声波信号进行中值滤波，生成EL滤波声波信号；
步骤S53：利用傅里叶变换对EL滤波声波信号进行频谱转换，生成EL声波频谱图；对EL声波频谱图进行波形反射强度提取，生成EL反射强度数据；
步骤S54：根据EL反射强度数据和可疑隐裂路径图像进行空间对齐，从而生成隐裂路径反射波形图；将隐裂路径反射波形图与预设的标准隐裂波形范围进行波形对比，当隐裂路径反射波形图处于预设的标准隐裂波形范围时，则将隐裂路径反射波形图所对应的波形标记为轻微隐裂波形；当隐裂路径反射波形图不处于预设的标准隐裂波形范围时，则将隐裂路径反射波形图所对应的波形标记为严重隐裂波形。
本发明通过对太阳能电池片样本进行声波扫描，可以获取EL声波信号，这种声波扫描技术可以探测潜在的隐裂路径，并提供关于隐裂位置和形状的信息；EL声波信号可能受到噪音的影响，因此对其进行波形去噪和中值滤波处理，可以减少干扰，提高信号质量；通过傅里叶变换将EL滤波声波信号转换为频谱图，并从频谱图中提取反射强度数据，这些数据提供了关于隐裂的物理特性和反射能力的信息；根据EL反射强度数据和可疑隐裂路径图像进行空间对齐，生成隐裂路径反射波形图，将隐裂路径反射波形图与预设的标准隐裂波形范围进行对比，可以判断隐裂的程度，这种分析方法可以将隐裂波形标记为轻微或严重，以评估太阳能电池片样本的质量和可靠性。
作为本发明的一个实例，参考图4所示，在本实例中所述步骤S5包括：
步骤S51：根据可疑隐裂路径图像对太阳能电池片样本进行声波扫描，得到EL声波信号；
本发明实施例中，通过获取待检测的太阳能电池片样本，并准备声波扫描设备，声波扫描设备通常包括一个发射器和一个接收器，根据实际需求和样本特性，设置声波扫描的参数，这些参数可能包括发射频率、接收增益、扫描模式等，将太阳能电池片样本放置在声波扫描设备的扫描区域，并确保样本与扫描器之间有足够的接触，启动扫描设备，使发射器发送声波信号，这些声波信号会经过样本并被隐裂路径反射、传播和记录，接收器接收从样本反射回来的声波信号，并将其转换为电信号，这些电信号被称为EL声波信号，并包含关于隐裂路径的信息。
步骤S52：对EL声波信号进行波形去噪，生成EL去噪声波信号；对EL去噪声波信号进行中值滤波，生成EL滤波声波信号；
本发明实施例中，通过从声波扫描设备中获取的EL声波信号作为输入，对EL声波信号进行波形去噪处理，以减少可能存在的噪音干扰，常用的波形去噪方法包括小波去噪、均值滤波、低通滤波等，具体选择何种方法取决于信号特性和去噪的需求，将经过去噪处理的EL声波信号作为EL去噪声波信号的输出，对EL去噪声波信号进行中值滤波处理，以平滑信号并进一步降低噪音干扰的影响，中值滤波的原理是将信号中每个采样点的值替换为该采样点邻域内的中值，这种滤波方法通常能够有效去除突发噪音，经过中值滤波处理后，得到的信号被称为EL滤波声波信号。
步骤S53：利用傅里叶变换对EL滤波声波信号进行频谱转换，生成EL声波频谱图；对EL声波频谱图进行波形反射强度提取，生成EL反射强度数据；
本发明实施例中，通过将EL滤波声波信号作为输入，可以是步骤S52中生成的EL滤波声波信号，对EL滤波声波信号应用傅里叶变换，将其从时域转换为频域，傅里叶变换可以将信号分解为不同频率的成分，并显示其在频率域上的强度，通过傅里叶变换得到的频域信息，生成EL声波频谱图，频谱图通常以频率为横坐标，反映不同频率成分在信号中的贡献或能量分布，从EL声波频谱图中提取波形反射强度数据，根据频谱图上的幅度或能量信息，可以得到不同频率的反射强度数据。
步骤S54：根据EL反射强度数据和可疑隐裂路径图像进行空间对齐，从而生成隐裂路径反射波形图；将隐裂路径反射波形图与预设的标准隐裂波形范围进行波形对比，当隐裂路径反射波形图处于预设的标准隐裂波形范围时，则将隐裂路径反射波形图所对应的波形标记为轻微隐裂波形；当隐裂路径反射波形图不处于预设的标准隐裂波形范围时，则将隐裂路径反射波形图所对应的波形标记为严重隐裂波形。
本发明实施例中，通过将EL反射强度数据和可疑隐裂路径图像进行空间对齐，这可以通过根据标定信息或者图像处理技术来实现，使得EL反射强度数据和隐裂路径图像在相同的空间坐标系下进行匹配，根据空间对齐后的EL反射强度数据和隐裂路径图像，提取隐裂路径上的反射波形数据，这可以通过在隐裂路径周围的区域中提取反射波形数据，或者通过图像分割等技术来实现，将隐裂路径反射波形图与预设的标准隐裂波形范围进行波形对比，预设的标准隐裂波形范围可以根据经验或者专业知识确定，通常包括轻微隐裂和严重隐裂的波形特征，根据波形对比的结果，判断隐裂路径反射波形图所对应的波形的隐裂程度并进行标记，如果波形处于预设的标准隐裂波形范围内，则将其标记为轻微隐裂波形；如果波形不在标准范围内，则将其标记为严重隐裂波形。
优选地，步骤S6包括以下步骤：
步骤S61：对轻微隐裂波形和严重隐裂波形进行数据特征提取，从而得到隐裂频域特征数据、隐裂时域特征数据和波形形状特征数据；基于隐裂频域特征数据、隐裂时域特征数据和波形形状特征数据进行缺陷关联图谱构建，生成隐裂缺陷关联图谱；
步骤S62：根据可疑隐裂路径图像和电池片区域坐标对太阳能电池片样本进行隐裂中心点定位，得到隐裂缺陷点坐标；
步骤S63：将隐裂缺陷点坐标和隐裂缺陷关联图谱作为节点进行图神经网络模型构建，生成隐裂图预测模型；将轻微隐裂波形和严重隐裂波形导入至隐裂图结构模型中作为节点属性进行模型训练，生成隐裂关联分析结果。
本发明通过对轻微隐裂波形和严重隐裂波形进行数据特征提取，可以从频域、时域和波形形状等方面获取有关隐裂的特征信息，这些特征数据有助于量化和描述隐裂的特征，为后续的分析和预测提供基础；基于隐裂的频域特征数据、时域特征数据和波形形状特征数据，可以构建缺陷关联图谱，缺陷关联图谱反映了不同隐裂之间的联系和关联程度，提供了隐裂之间的关系视角；通过对可疑隐裂路径图像和电池片区域坐标进行分析，可以定位出隐裂的中心点坐标，这对于进一步理解隐裂的位置和分布情况非常重要，有助于确定隐裂的具体位置信息；利用隐裂缺陷点坐标和缺陷关联图谱，可以构建图神经网络模型，即隐裂图预测模型，该模型能够从隐裂的拓扑结构和关联信息中学习隐藏在数据中的模式，进而对隐裂进行预测和分析；将轻微隐裂波形和严重隐裂波形导入隐裂图结构模型进行训练，可以获得隐裂关联分析结果，这些分析结果有助于理解隐裂之间的相互关系和影响程度，进一步揭示隐裂的特性和可能的原因。
本发明实施例中，通过对轻微隐裂波形和严重隐裂波形进行数据特征提取，可以使用信号处理和特征提取算法，例如傅里叶变换、小波变换、时域统计特征提取等方法，提取隐裂的频域特征数据、时域特征数据和波形形状特征数据，基于得到的特征数据，构建缺陷关联图谱，可以利用相关性分析、相似性度量或其他关联度量技术，将不同隐裂之间的特征数据进行关联，形成缺陷关联图谱，这可以通过建立节点和边的关系表示，其中节点代表隐裂缺陷，边代表隐裂之间的关联程度，根据可疑隐裂路径图像和电池片区域坐标，可以使用图像处理和计算机视觉技术，例如边缘检测、区域定位算法等，对太阳能电池片样本进行隐裂中心点定位，定位过程中，可以识别和标记出隐裂的中心点坐标，得到隐裂缺陷点坐标，将隐裂缺陷点坐标和缺陷关联图谱作为节点，构建隐裂图结构，可以使用图神经网络等图分析工具和算法，将隐裂缺陷点坐标和缺陷关联图谱作为输入，生成隐裂图预测模型，将轻微隐裂波形和严重隐裂波形导入至隐裂图结构模型中作为节点属性进行模型训练，可以利用深度学习技术，例如卷积神经网络、图卷积网络等，对隐裂图进行训练，以学习节点之间的关联信息和隐裂的特征属性，通过训练生成的隐裂图预测模型，进行隐裂关联分析，可以对新的太阳能电池样本进行隐裂预测，并通过分析隐裂图中的节点和边关系，获得隐裂之间的关联性，从而揭示隐裂的特性和可能的影响因素。
在本说明书中，提供了一种基于EL图像的太阳能电池片隐裂检测系统，用于执行上述所述的基于EL图像的太阳能电池片隐裂检测方法，该基于EL图像的太阳能电池片隐裂检测系统包括：
分辨率强化模块，用于获取原始EL图像集；对原始EL图像集进行分辨率尺度堆叠，生成多尺度图像金字塔；对多尺度图像金字塔进行图像分辨率强化，从而生成超分辨率校正图像；
隐裂区域投影模块，用于对超分辨率校正图像进行连通区域确认，生成图像联通区数据；对图像联通区数据进行主珊线擦除，得到EL区域标准图像；利用像素点异常分数评估公式对EL区域标准图像进行隐裂区域分析，生成隐裂区域投影图；
隐裂光谱反射模块，用于根据预设的像素矩阵对隐裂区域投影图进行样本定位，得到电池片区域坐标；根据电池片区域坐标对太阳能电池片样本进行照射光束收集，得到可疑区域反射谱线；对可疑区域反射谱线进行波形差异分析，生成可疑区域隐裂深度数据；
隐裂路径标记模块，用于基于可疑区域隐裂深度数据对太阳能电池片样本进行区域湿度收集，从而获取可疑环境湿度；根据预设的时间戳对可疑区域隐裂深度数据和可疑环境湿度进行湿度变化分析，生成隐裂区域湿度变化数据；通过粉尘湿度吸收计算公式对隐裂区域湿度变化数据进行隐裂区域路径标记，生成可疑隐裂路径图像；
隐裂区域波形反馈模块，用于根据可疑隐裂路径图像对太阳能电池片样本进行声波扫描，生成EL滤波声波信号；将EL滤波声波信号进行快速傅里叶变换，生成EL声波频谱图；将EL声波频谱图与预设的标准隐裂波形范围进行波形对比，从而生成轻微隐裂波形和严重隐裂波形；
隐裂图预测模块，用于对轻微隐裂波形和严重隐裂波形进行缺陷关联图谱构建，生成隐裂缺陷关联图谱和隐裂缺陷点坐标；将隐裂缺陷点坐标和隐裂缺陷关联图谱作为节点进行图神经网络模型构建，生成隐裂图预测模型；根据隐裂图预测模型对太阳能电池片样本进行隐裂检测，生成隐裂关联分析结果。
本发明的有益效果在于通过获取原始EL图像集，并对其进行分辨率尺度堆叠，生成多尺度图像金字塔，进行图像分辨率强化，生成超分辨率校正图像，可以提高图像的质量和分辨率，为后续的隐裂检测和分析提供更清晰的图像输入，进行连通区域确认，生成图像联通区数据，进行主珊线擦除，得到EL区域标准图像，利用像素点异常分数评估公式对EL区域标准图像进行隐裂区域分析，生成隐裂区域投影图，可以准确定位和分析太阳能电池片中的隐裂区域，为后续的隐裂检测提供输入数据，根据预设的像素矩阵对隐裂区域投影图进行样本定位，得到电池片区域坐标，根据电池片区域坐标对太阳能电池片样本进行照射光束收集，得到可疑区域反射谱线，对可疑区域反射谱线进行波形差异分析，生成可疑区域隐裂深度数据，可以提取出可疑区域的信息，提供给后续步骤进行进一步的分析和判断，以确定隐裂的位置和深度，可以提取出可疑区域的信息，提供给后续步骤进行进一步的分析和判断，以确定隐裂的位置和深度，根据预设的时间戳对可疑区域隐裂深度数据和可疑环境湿度进行湿度变化分析，生成隐裂区域湿度变化数据，通过粉尘湿度吸收计算公式对隐裂区域湿度变化数据进行隐裂区域路径标记，生成可疑隐裂路径图像，可以分析隐裂区域的湿度变化，提供可疑隐裂路径图像，进一步揭示隐裂的位置和可能的影响因素，根据可疑隐裂路径图像对太阳能电池片样本进行声波扫描，生成EL滤波声波信号，将EL滤波声波信号进行快速傅里叶变换，生成EL声波频谱图，将EL声波频谱图与预设的标准隐裂波形范围进行波形对比，从而生成轻微隐裂波形和严重隐裂波形，可以进一步确认和分析隐裂的存在，并生成与隐裂程度相关的波形数据，对轻微隐裂波形和严重隐裂波形进行缺陷关联图谱构建，生成隐裂缺陷关联图谱和隐裂缺陷点坐标，将隐裂缺陷点坐标和隐裂缺陷关联图谱作为节点进行图神经网络模型构建，生成隐裂图预测模型，根据隐裂图预测模型对太阳能电池片样本进行隐裂检测，生成隐裂关联分析结果，可以提高隐裂的检测准确度和分析效率，进一步推动太阳能电池片的质量控制和故障诊断。因此，本发明通过反射谱线和波形差异分析，能够更精确地判断隐裂的深度和程度，通过湿度变化和隐裂路径图像，从湿度角度评估隐裂存在和程度，增强了检测的全面性，通过图神经网络模型构建和训练，提高了隐裂检测的准确率和可靠性，能够更准确地定位和分析隐裂缺陷。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于EL图像的太阳能电池片隐裂检测方法，其特征在于，作用于太阳能电池片样本，包括以下步骤：
步骤S1：获取原始EL图像集；对原始EL图像集进行分辨率尺度堆叠，生成多尺度图像金字塔；对多尺度图像金字塔进行图像分辨率强化，从而生成超分辨率校正图像；
步骤S2：对超分辨率校正图像进行连通区域确认，生成图像联通区数据；对图像联通区数据进行主珊线擦除，得到EL区域标准图像；利用像素点异常分数评估公式对EL区域标准图像进行隐裂区域分析，生成隐裂区域投影图；
步骤S3：根据预设的像素矩阵对隐裂区域投影图进行样本定位，得到电池片区域坐标；根据电池片区域坐标对太阳能电池片样本进行照射光束收集，得到可疑区域反射谱线；对可疑区域反射谱线进行波形差异分析，生成可疑区域隐裂深度数据；
步骤S4：基于可疑区域隐裂深度数据对太阳能电池片样本进行区域湿度收集，从而获取可疑环境湿度；根据预设的时间戳对可疑区域隐裂深度数据和可疑环境湿度进行湿度变化分析，生成隐裂区域湿度变化数据；通过粉尘湿度吸收计算公式对隐裂区域湿度变化数据进行隐裂区域路径标记，生成可疑隐裂路径图像；
步骤S5：根据可疑隐裂路径图像对太阳能电池片样本进行声波扫描，生成EL滤波声波信号；将EL滤波声波信号进行快速傅里叶变换，生成EL声波频谱图；将EL声波频谱图与预设的标准隐裂波形范围进行波形对比，从而生成轻微隐裂波形和严重隐裂波形；
步骤S6：对轻微隐裂波形和严重隐裂波形进行缺陷关联图谱构建，生成隐裂缺陷关联图谱和隐裂缺陷点坐标；将隐裂缺陷点坐标和隐裂缺陷关联图谱作为节点进行图神经网络模型构建，生成隐裂图预测模型；根据隐裂图预测模型对太阳能电池片样本进行隐裂检测，生成隐裂关联分析结果。
2.根据权利要求1所述的基于EL图像的太阳能电池片隐裂检测方法，其特征在于，步骤S1包括以下步骤：
步骤S11：利用摄像机对太阳能电池片样本进行图像采集，获取原始EL图像集；
步骤S12：对原始EL图像集进行特征点匹配，生成EL特征匹配图像集；对EL特征匹配图像集进行图像亮度平衡，生成EL亮度平衡图像集；
步骤S13：将EL亮度平衡图像集进行图像低分辨率对比，得到低分辨率图像；将低分辨率图像进行层级堆叠，生成低分辨率层级；通过平均池化方法对低分辨率层级进行分辨率提层，生成高分辨率层级；将低分辨率层级与高分辨率层级按照预设的金字塔层级进行分级组合，从而生成多尺度图像金字塔；
步骤S14：基于超分辨率重建算法对多尺度图像金字塔进行图像融合，生成多尺度融合图像金字塔；对多尺度融合图像金字塔进行图像拼接，生成超分辨率拼接图像；
步骤S15：对超分辨率拼接图像进行图像平滑，生成超分辨率平滑图像；根据双线性变换方法对超分辨率平滑图像进行图像几何变换，从而生成超分辨率校正图像。
3.根据权利要求2所述的基于EL图像的太阳能电池片隐裂检测方法，其特征在于，步骤S2包括以下步骤：
步骤S21：对超分辨率矫正图像进行图像二值化，生成超分辨率二值化图像；对超分辨率二值化图像进行图像边缘识别，得到电池边缘图像和电池核心图像；
步骤S22：基于开闭形态学运算方法对电池核心图像和电池边缘图像进行联通区确认，生成图像联通区数据；根据图像联通区数据对超分辨率二值化图像进行图像等分切割，从而生成EL区域分割图像；
步骤S23：对EL区域分割图像进行灰度值转换，生成EL区域灰度图像；通过腐蚀膨胀形态学运算对EL区域灰度图像进行电池珊线突出标记，生成EL珊线突出图像；将EL珊线突出图像和EL区域灰度图像进行主珊线擦除，从而得到EL区域标准图像；
步骤S24：根据孤立森林异常检测算法对EL区域标准图像进行隐裂区域分析，生成异常检测结果图；利用像素点异常分数评估公式对异常检测结果图进行异常分数计算，生成像素点异常分数；
步骤S25：将像素点异常分数进行热度映射，生成隐裂热度映射图；基于预设的隐裂判断阈值对隐裂热度映射图进行图像投影，生成隐裂区域投影图。
4.根据权利要求3所述的基于EL图像的太阳能电池片隐裂检测方法，其特征在于，步骤S24中的像素点异常分数评估公式如下所示：
式中，表示为像素点异常分数，表示在坐标处的异常程度，表示为异常特征的数量，用于求取平均值，表示为第个特征的权重，表示其对异常分数的贡献程度，表示为第个特征的标准差，用于标准化特征值，表示为第个特征在坐标处的观测值，表示为第个特征在坐标处的预期值，用于建立基准，表示为评估时间的上限，表示为第个特征在坐标处和时间的观测值，表示为第个特征在坐标处和时间的预期值，用于建立时间上的基准，表示为特征值变化的时间，表示为像素点分数评估异常处理值。
5.根据权利要求4所述的基于EL图像的太阳能电池片隐裂检测方法，其特征在于，步骤S3包括以下步骤：
步骤S31：根据预设的像素矩阵对隐裂区域投影图进行可疑区域确认，生成隐裂可疑区域投影图；基于隐裂可疑区域投影图对太阳能电池片样本进行定位，得到电池片区域坐标；
步骤S32：通过电池片区域坐标对太阳能电池片样本进行区域光束照射，利用光谱仪收集反射光束，从而获得可疑区域反射谱线；
步骤S33：将可疑区域反射谱线进行反射波段分析，生成原始多光谱图像；对原始多光谱图像进行波段像素值提取，生成波段像素值；将波段像素值与隐裂区域投影图进行图像结合，从而生成像素投影波形图；
步骤S34：对像素投影波形图进行相邻峰值对比，从而确定最高峰像素波形；对最高峰像素波形进行相邻差异点特征提取，生成波形差异点；利用波段融合算法对波形差异点和原始多光谱图像进行图像重合，得到超光谱差异点图像；
步骤S35：对超光谱差异点图像进行图像差异点离散整合，从而得到可疑区域隐裂深度数据。
6.根据权利要求4所述的基于EL图像的太阳能电池片隐裂检测方法，其特征在于，步骤S4包括以下步骤：
步骤S41：根据可疑区域隐裂深度数据对太阳能电池片样本进行区域湿度收集，从而获取可疑环境湿度；
步骤S42：基于可疑区域隐裂深度数据对太阳能电池片样本进行隐裂宽度分析，生成可疑区域隐裂宽度；
步骤S43：通过湿度检测装置对可疑区域隐裂宽度和可疑区域隐裂深度数据进行隐裂区域环境湿度收集，生成可疑隐裂区域湿度；
步骤S44：根据预设的时间戳将可疑隐裂区域湿度和可疑环境湿度进行湿度变化特征提取，从而生成隐裂区域湿度变化数据；
步骤S45：利用粉尘湿度吸收计算公式对隐裂区域湿度变化数据进行粉尘接触面积计算，生成粉尘接触面积；
步骤S46：根据粉尘接触面积确定粉尘附着区域；利用荧光标记方法对粉尘附着区域进行荧光标记拍摄，从而得到可疑隐裂路径图像。
7.根据权利要求6所述的基于EL图像的太阳能电池片隐裂检测方法，其特征在于，步骤S45中的粉尘湿度吸收计算公式如下所示：
式中，表示为粉尘接触面积，表示为粉尘密度，表示为粉尘湿度吸收系数，表示为粉尘区域体积，表示为湿度变化数据，表示为粉尘粘度，表示为粉尘接触标准差，表示为粉尘扩散系数，表示为粉尘吸附时间，表示为粉尘空间变量，表示为粉尘初始位置，表示为粉尘数量，表示为粉尘湿度吸收计算异常调整值。
8.根据权利要求6所述的基于EL图像的太阳能电池片隐裂检测方法，其特征在于，步骤S5包括以下步骤：
步骤S51：根据可疑隐裂路径图像对太阳能电池片样本进行声波扫描，得到EL声波信号；
步骤S52：对EL声波信号进行波形去噪，生成EL去噪声波信号；对EL去噪声波信号进行中值滤波，生成EL滤波声波信号；
步骤S53：利用傅里叶变换对EL滤波声波信号进行频谱转换，生成EL声波频谱图；对EL声波频谱图进行波形反射强度提取，生成EL反射强度数据；
步骤S54：根据EL反射强度数据和可疑隐裂路径图像进行空间对齐，从而生成隐裂路径反射波形图；将隐裂路径反射波形图与预设的标准隐裂波形范围进行波形对比，当隐裂路径反射波形图处于预设的标准隐裂波形范围时，则将隐裂路径反射波形图所对应的波形标记为轻微隐裂波形；当隐裂路径反射波形图不处于预设的标准隐裂波形范围时，则将隐裂路径反射波形图所对应的波形标记为严重隐裂波形。
9.根据权利要求8所述的基于EL图像的太阳能电池片隐裂检测方法，其特征在于，步骤S6包括以下步骤：
步骤S61：对轻微隐裂波形和严重隐裂波形进行数据特征提取，从而得到隐裂频域特征数据、隐裂时域特征数据和波形形状特征数据；基于隐裂频域特征数据、隐裂时域特征数据和波形形状特征数据进行缺陷关联图谱构建，生成隐裂缺陷关联图谱；
步骤S62：根据可疑隐裂路径图像和电池片区域坐标对太阳能电池片样本进行隐裂中心点定位，得到隐裂缺陷点坐标；
步骤S63：将隐裂缺陷点坐标和隐裂缺陷关联图谱作为节点进行图神经网络模型构建，生成隐裂图预测模型；将轻微隐裂波形和严重隐裂波形导入至隐裂图结构模型中作为节点属性进行模型训练，生成隐裂关联分析结果。
10.一种基于EL图像的太阳能电池片隐裂检测系统，其特征在于，用于执行如权利要求1所述的基于EL图像的太阳能电池片隐裂检测方法，该基于EL图像的太阳能电池片隐裂检测系统包括：
分辨率强化模块，用于获取原始EL图像集；对原始EL图像集进行分辨率尺度堆叠，生成多尺度图像金字塔；对多尺度图像金字塔进行图像分辨率强化，从而生成超分辨率校正图像；
隐裂区域投影模块，用于对超分辨率校正图像进行连通区域确认，生成图像联通区数据；对图像联通区数据进行主珊线擦除，得到EL区域标准图像；利用像素点异常分数评估公式对EL区域标准图像进行隐裂区域分析，生成隐裂区域投影图；
隐裂光谱反射模块，用于根据预设的像素矩阵对隐裂区域投影图进行样本定位，得到电池片区域坐标；根据电池片区域坐标对太阳能电池片样本进行照射光束收集，得到可疑区域反射谱线；对可疑区域反射谱线进行波形差异分析，生成可疑区域隐裂深度数据；
隐裂路径标记模块，用于基于可疑区域隐裂深度数据对太阳能电池片样本进行区域湿度收集，从而获取可疑环境湿度；根据预设的时间戳对可疑区域隐裂深度数据和可疑环境湿度进行湿度变化分析，生成隐裂区域湿度变化数据；通过粉尘湿度吸收计算公式对隐裂区域湿度变化数据进行隐裂区域路径标记，生成可疑隐裂路径图像；
隐裂区域波形反馈模块，用于根据可疑隐裂路径图像对太阳能电池片样本进行声波扫描，生成EL滤波声波信号；将EL滤波声波信号进行快速傅里叶变换，生成EL声波频谱图；将EL声波频谱图与预设的标准隐裂波形范围进行波形对比，从而生成轻微隐裂波形和严重隐裂波形；
隐裂图预测模块，用于对轻微隐裂波形和严重隐裂波形进行缺陷关联图谱构建，生成隐裂缺陷关联图谱和隐裂缺陷点坐标；将隐裂缺陷点坐标和隐裂缺陷关联图谱作为节点进行图神经网络模型构建，生成隐裂图预测模型；根据隐裂图预测模型对太阳能电池片样本进行隐裂检测，生成隐裂关联分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410053913.3A CN117576093B (zh) | 2024-01-15 | 2024-01-15 | 基于el图像的太阳能电池片隐裂检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410053913.3A CN117576093B (zh) | 2024-01-15 | 2024-01-15 | 基于el图像的太阳能电池片隐裂检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117576093A CN117576093A (zh) | 2024-02-20 |
| CN117576093B true CN117576093B (zh) | 2024-03-26 |
Family
ID=89888521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410053913.3A Active CN117576093B (zh) | 2024-01-15 | 2024-01-15 | 基于el图像的太阳能电池片隐裂检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117576093B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118155047B (zh) * | 2024-05-10 | 2024-07-23 | 中央民族大学 | 一种适用于高寒地区的小型电池管理方法 |
| CN118519482B (zh) * | 2024-07-23 | 2024-09-13 | 贵州健易测科技有限公司 | 一种茶叶陈化间温湿度控制系统、控制方法、终端及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113487563A (zh) * | 2021-07-02 | 2021-10-08 | 河海大学常州校区 | 一种基于el图像的光伏组件隐裂自适应检测方法 |
| CN115358922A (zh) * | 2022-05-23 | 2022-11-18 | 电子科技大学 | 一种基于生成对抗网络的太赫兹图像超分辨率重建方法 |
| CN116664565A (zh) * | 2023-07-28 | 2023-08-29 | 江苏森标科技有限公司 | 一种光伏太阳能电池片的隐裂检测方法及系统 |
-
2024
- 2024-01-15 CN CN202410053913.3A patent/CN117576093B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113487563A (zh) * | 2021-07-02 | 2021-10-08 | 河海大学常州校区 | 一种基于el图像的光伏组件隐裂自适应检测方法 |
| CN115358922A (zh) * | 2022-05-23 | 2022-11-18 | 电子科技大学 | 一种基于生成对抗网络的太赫兹图像超分辨率重建方法 |
| CN116664565A (zh) * | 2023-07-28 | 2023-08-29 | 江苏森标科技有限公司 | 一种光伏太阳能电池片的隐裂检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117576093A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117576093B (zh) | 基于el图像的太阳能电池片隐裂检测方法 | |
| CN110231276B (zh) | 无透镜成像系统的细胞尺寸测量装置及其测量方法 | |
| CN117541483B (zh) | 一种扩散板的结构性能评估方法及系统 | |
| CN114674759B (zh) | 一种柑橘黄龙病快速检测装置及检测方法 | |
| CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
| Kurukuru et al. | Machine learning framework for photovoltaic module defect detection with infrared images | |
| CN117455843A (zh) | 一种电缆头缺陷智能化检测系统 | |
| CN117456195A (zh) | 基于深度融合的异常图像识别方法及系统 | |
| CN116862914A (zh) | 基于深度学习的金属轴表面缺陷识别方法及系统 | |
| CN117994236B (zh) | 基于图像分析的涡流纺断纱智能检测方法及系统 | |
| CN117218041B (zh) | 一种基于线扫描的金属轴表面图像采集方法 | |
| CN117233116B (zh) | 一种基于机器视觉的水质分析方法及系统 | |
| CN117668518B (zh) | 一种离散型智能制造方法及系统 | |
| CN117011759A (zh) | 钻爆法隧道掌子面围岩多元地质信息解析方法及系统 | |
| CN109658405B (zh) | 一种农作物实景观测中图像数据质量控制方法及系统 | |
| CN109117818A (zh) | 材料组织特性智能识别分析系统及分析方法 | |
| CN112767365A (zh) | 一种探伤方法 | |
| CN117523013B (zh) | 一种高导湿面料的色变特征分析方法及系统 | |
| CN118115821B (zh) | 基于图像特征提取的光伏板故障识别方法 | |
| CN118334526B (zh) | 一种基于改进Yolov8模型的堤防损坏识别方法 | |
| CN117934453B (zh) | 一种手机屏背光异物缺陷诊断方法及系统 | |
| CN117854014B (zh) | 一种综合异常现象自动捕捉与分析方法 | |
| CN118397617B (zh) | 基于图像处理的食品变质检测方法及系统 | |
| CN117911409B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
| CN118570208A (zh) | 基于机器视觉的镜片组件缺陷识别方法及系统 |
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 |