CN102974551A - 一种基于机器视觉的多晶硅太阳能检测分选的方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的多晶硅太阳能检测分选的方法，步骤如下：1）使多晶硅太阳能电池通过图像采集区域，并由CCD照相机采集相应的图像；2）对步骤1）所采集的图像进行图像预处理，包括图像抽取、灰度化处理、图像噪声滤除、图像增强、边缘检测、太阳能电池定位；3）随后进行图像识别，对步骤2）所采集的多晶硅太阳能电池的参数与模板对比，及进行图像相似度测量，并进行颜色分类，进而实现颜色分选。通过分析多晶硅太阳能电池片灰度直方图，分别与标准样品图像比较计算，计算得到直方图分布的标准差，并由得到的标准差进行分类决策。实验证明，该方法检测速度快，准确率高，能够满足检测的要求。

Description

一种基于机器视觉的多晶硅太阳能检测分选的方法

技术领域

本发明涉及一种按照多晶硅太阳能品质分选的方法，尤其涉及一种基于机器视觉的多晶硅太阳能检测分选的方法。

背景技术

太阳能作为21世纪绿色新能源，现正在许多领域得到广泛应用以及高速发展。当前主要的太阳能转换工具——多晶硅太阳能电池具有转化效率高，成本低，寿命长等优点；然而多晶硅太阳能电池生产工艺复杂，造成硅片具有不同颜色，以及颜色有不均匀性，从而影响电池片的视觉效果，影响客户的体验。因此在生产的最后一道工序需要将同一颜色的电池片分类。

目前，测试分选主要通过模拟太阳能光照射，把不同颜色的太阳能电池片进行分类。而对颜色的分选，主要通过人眼目视，这种方式不仅效率低下而且准确率也得不到保证。

发明内容

本发明的目的在于克服现有技术的缺点和不足，提供一种基于机器视觉的多晶硅太阳能检测分选的方法；本方法通过对太阳能电池的颜色参数进行检测，根据设定的分选模板，对太阳能电池进行分选。

本发明通过下述技术方案实现：

一种基于机器视觉的多晶硅太阳能检测分选的方法，步骤如下：

1）使多晶硅太阳能电池通过图像采集区域，并由CCD照相机采集相应的图像；

2）对步骤1）所采集的图像进行图像预处理，包括图像抽取、灰度化处理、图像噪声滤除、图像增强、边缘检测、太阳能电池定位；

3）随后进行图像识别，对步骤2）所采集的多晶硅太阳能电池的参数与模板对比，及进行图像相似度测量，并进行颜色分类，进而实现颜色分选。

上步骤2）所述图像预处理具体步骤如下：

2-1）图像抽取

根据设定的模板与CCD照相机拍摄到的被测图像进行对比后，得出的图像检测结果，因此首先应该把所拍摄到的模板与及被测片的图像抽取到程序中进行下一步处理；

2-2）灰度化处理

采取HSI模型；由于需要能够获得一幅柔和的灰度图，因此需要对步骤1）中所得到的图像，采用平均值法的灰度化处理；

加权平均值法:按照一些指标给R、G、B赋予不同的权值，并使R、G、B的值加权平均，即：

R=G=B=（W1*R+W2*G+W3*B）/3

2-3）图像噪声滤除

选一个含有奇数点的窗口W，用这个窗口在步骤2）灰度化处理后图像上扫描，把窗口中所含的像素点按灰度级的升序排列，取位于中间的灰度值来代替该点的灰度值，

表达式为：

g(m,n)=Median{f(m-k,n-l),(k,l)∈W}

2-4）图像增强

是直接针对图像中的像素，对步骤3）噪声滤除后的图像的灰度进行处理；

在灰度图像的处理中，原始图像的灰度为f(x,y)，增强后的灰度为g(x,y)，令

g(x,y)=T[f(x,y)]

通过这样的映射便能对灰度图像进行所需要的增强处理；

2-5）边缘检测

采用的边缘检测算法是Canny边缘检测算子；

2-6）太阳能电池定位

当多晶硅太阳能电池放置于工作台时，需要对其进行校正定位，在横竖方向上各40条卡尺来进行校正检测；

上步骤3）所述图像识别包括如下步骤：

3-1）建立硅片模板的数据库

硅片模板的建立由客户指定，客户根据自身需要事先建立n个硅片模板，n的取值由客户设定，这几个硅片模板分别设为X₁、X₂、...、X_n，每个硅片模板的色彩特征都不一样，在获得客户提供的这n个模板后进行预处理，并提取图像的H、S、I分量值，分别绘出这三个分量的灰度直方图，建立硅片模板的数据库，并存储于软件***中；

3-2）测量被测硅片

新的硅片到达时，则对硅片进行预处理，并提取图像的H、S、I分量值，分别绘出这三个分量的灰度直方图；

3-3）测量颜色相似度

在颜色分选***中，采用的是欧氏距离法来衡量直方图的相似度；通过计算直方图之间的欧氏距离，即是按照直方图每个灰度级的距离测量来进行相似度测量的；

3-4）颜色分类

根据步骤3）得出的距离D作为分类标准，距离D越大，就表示这两个直方图的差异越大；D越小，则表示这两个直方图越相似；

在得到各模板与被测硅片的距离D后，对各模板对应的距离D，由小到大进行排序，得出最小的D值，该D值所对应的模板就是所有模板中，与被测硅片最相似的一块，并以此把该被测硅片归类为D值最小的模板所对应的分类中。

本发明与现有的技术相比具有以下优点：

本发明采用机器视觉***对多晶硅太阳能电池进行在线分选，取代传统人工人眼检测方式，如出现设置的检测参量精度误差之外的色差出现，则通过计算机预先设定的方式进行分选，大大降低了工人的检测劳动强度，并且可以依据客户所提供的生产标准，将其设定为模板，将该模板与待检测太阳能电池片进行参数对比，并且将检测过程中的灰度值以及HIS等参量储存于计算机中，这样更适合用户对多晶硅太阳能电池提出实际的要求，并根据用户要求设置所述检测精度范围，从而避免了建立复杂的检测参量，有效提高检测速度，在环境光强改变时，本发明方法中同样也设计光强的自动补偿。

附图说明

图1多晶硅硅片的灰度图

图2多晶硅硅片去噪效果图

图3横竖各40条卡尺置于多晶硅硅片上的效果图

图4模板1预处理后得到图像

图5模板2预处理后得到图像

图6模板3预处理后得到图像

图7模板4预处理后得到图像

图8被测硅片预处理后得到图像

图9是被测硅片的HIS频率分布直方图

图10模板1与被测硅片的HIS频率直方图对比图

图11模板2与被测硅片的HIS频率直方图对比图

图12模板3与被测硅片的HIS频率直方图对比图

图13模板4与被测硅片的HIS频率直方图对比图

图14测硅片图像处理的全过程流程框图

具体实施方式

下面结合具体实施例对本发明作进一步具体详细描述。

实施例

如图14所示，本发明基于机器视觉的多晶硅太阳能检测分选的方法，步骤如下：

1）使多晶硅太阳能电池通过图像采集区域，并由CCD照相机采集相应的图像；

2）对步骤1）所采集的图像进行图像预处理；图像预处理包括：图像抽取、灰度化处理、图像噪声滤除、图像增强、边缘检测、太阳能电池定位；

3）随后进行图像识别，对步骤2）所采集的多晶硅太阳能电池的参数与模板对比，及进行图像相似度测量，并进行颜色分类，进而实现颜色分选。

上述步骤2）所述图像预处理具体包括如下步骤：

2-1）图像抽取

根据设定的模板与CCD照相机拍摄到的被测图像进行对比后，得出的图像检测结果，因此首先应该把所拍摄到的模板与及被测片的图像抽取到程序中进行下一步处理；

2-2）灰度化处理

采取HSI（色调、饱和度、亮度）模型。由于需要能够获得一幅柔和的灰度图，因此需要对步骤1）中所得到的图像，采用平均值法的灰度化处理；

加权平均值法:按照一些指标给R、G、B赋予不同的权值，并使R、G、B的值加权平均，即：

R=G=B=（W1*R+W2*G+W3*B）/3

经实验效果证明，经过平均值法获得的灰度图能够很好地帮助我们进行图像的预处理阶段，而采用最大值法或权值法则效果不佳。

平均值法处理的实验效果图如图1所示。

2-3）图像噪声滤除

采用中值滤波法来对硅片图像的脉冲噪声进行滤除，它能够有效地消除图像中因孤立点或鼓励线段引起的干扰噪声，而且在滤除噪声的同时它还能很好地保持图像变模糊的程度。这种方法的具体做法是，选一个含有奇数点的窗口W，用这个窗口在步骤2）灰度化处理后图像上扫描，把窗口中所含的像素点按灰度级的升（或降）序排列，取位于中间的灰度值来代替该点的灰度值，

表达式为：

g(m,n)=Median{f(m-k,n-l),(k,l)∈W}

实验效果图如图2所示。

2-4）图像增强

本步骤主要说明空间域的增强法，该方法是直接针对图像中的像素，对步骤3）噪声滤除后的图像的灰度进行处理；

在灰度图像的处理中，原始图像的灰度为f(x,y)，增强后的灰度为g(x,y)，令

g(x,y)=T[f(x,y)]

通过这样的映射便能对灰度图像进行所需要的增强处理；

2-5）边缘检测

图像最基本的特征是边缘，所谓边缘是指周围象素灰度强度有反差变化的那些象素集合，它通常存在于目标与背景，目标与目标，区域与区域，基元与基元之间。

本步骤采用的边缘检测算法是Canny边缘检测算子，这是一种具有优良性能的边缘检测算子，它被广泛地应用在图像处理领域；

它的基本思想是使用高斯函数对图像进行平滑处理，再由一阶微分的极大值来确定边缘点。

2-6）太阳能电池定位

当多晶硅太阳能电池放置于工作台时，需要对其进行校正定位，在横竖方向上各40条卡尺来进行校正检测，如图3所示。

图3是一幅灰度图，背景为白色，靠近边界的目标区域接近黑色。我们知道，灰度图中黑色对应的灰度值为0，白色对应的灰度值为255。因此，背景的灰度值应该比较大，一般超过150，而边界处的硅片区域的灰度值较小，一般小于50。这样子，在沿着卡尺的两端向中央伸进的方向上，如果满足条件：

（1）f(x-5),f(x-4),f(x-3),f(x-2),f(x-1)的值均大于150；

（2）f(x+1),f(x+2),f(x+3),f(x+4),f(x+5)的值均大于150；

其中，x为像素点，f(x)为该像素点的灰度值。则可以判断出x点为硅片的边界点。在横竖方向上的40条卡尺上，用此方法可确定出一条边上的40个边界点。并依此原理，可逐渐检测出硅片的上下左右边界。本步骤中的硅片是一个矩形，由此我们可以把硅片的中心点作为标准点，对硅片进行边界的校正。

上述步骤3）所述图像识别具体包括如下步骤：

3-1）建立硅片模板的数据库

硅片模板的建立一般是由客户指定，客户根据自身需要事先建立n个硅片模板，n的取值由客户设定，这几个硅片模板分别设为X₁、X₂、···、X_n，每个硅片模板的色彩特征都不一样，在HSI模型里，有的模板的H值可能比较大，其中一个分量数值的差异必定会对整幅图像的色彩特征有一定的影响。我们在获得客户提供的这n个模板后，进行预处理，并提取图像的H、S、I分量值，分别绘出这三个分量的灰度直方图，建立硅片模板的数据库，并存储于软件***中；

图4是模板1经过预处理后所得到的图像。图5是模板2经过预处理后所得到的图像。图6是模板3经过预处理后所得到的图像。图7是模板4经过预处理后所得到的图像。

3-2）测量被测硅片

新的硅片到达时，则对硅片进行处理。进行预处理，并提取图像的H、S、I分量值，分别绘出这三个分量的灰度直方图；

图8是被测硅片经过与处理后所得到的图像。图9是被测硅片的HIS频率分布直方图。

3-3）测量颜色相似度

在本步骤颜色分选***中，拟采用的是欧氏距离法来衡量直方图的相似度；通过计算直方图之间的欧氏距离，即是按照直方图每个灰度级的距离测量来进行相似度测量的。设样板的Ｈ直方图上同一Ｈ值的点分别有X与Z,Ｓ直方图上同一Ｓ值的点分别有X与Z,Ｉ直方图上同一Ｈ值的点分别有X与Z,则X与Z的欧氏距离定义为：

$H=|X-Z|=\sqrt{{(x_1-z_1)}^2+{(x_2-z_2)}^2+...+{(x_n-z_n)}^2}$

$S=|X-Z|=\sqrt{{(x_1-z_1)}^2+{(x_2-z_2)}^2+...+{(x_n-z_n)}^2}$

$I=|X-Z|=\sqrt{{(x_1-z_1)}^2+{(x_2-z_2)}^2+...+{(x_n-z_n)}^2}$

如图10中，由提供的模板1、模板2、模板3和模板4，分别跟被测片的HIS进行以上计算，分别得出D1、D2、D3和D4。

D1=

D2=

D3=

D4=

图10模板1与被测硅片的HIS频率直方图对比图。图11模板2与被测硅片的HIS频率直方图对比图。图12模板3与被测硅片的HIS频率直方图对比图。图13模板4与被测硅片的HIS频率直方图对比图。

3-4）颜色分类

根据步骤3）得出的距离D作为分类标准，距离D越大，就表示这两个直方图的差异越大；D越小，则表示这两个直方图越相似。在得到各模板与被测硅片的距离D后，对各模板对应的距离D，由小到大进行排序，得出最小的D值，该D值所对应的模板就是所有模板中，与被测硅片最相似的一块，并以此把该被测硅片归类为D值最小的模板所对应的分类中。

这种方法得到的结果能够全面地反映两个直方图的相似程度，下面就是拟采用的分类方法。对颜色相似度的测量中得出的D1，D2，D3，D4进行大小排序:

D1<D2<D3<D4

距离D1是四个模板中与被测片的HIS距离最近，因此该被测片可以被分类为1类。

如上所述便可较好的实现本发明。

本发明的实施方式并不受上述实施例的限制，其他任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (3)

1.一种基于机器视觉的多晶硅太阳能检测分选的方法，其特征在于步骤如下： 

1）使多晶硅太阳能电池通过图像采集区域，并由CCD照相机采集相应的图像； 

2）对步骤1）所采集的图像进行图像预处理，包括图像抽取、灰度化处理、图像噪声滤除、图像增强、边缘检测、太阳能电池定位； 

3）随后进行图像识别，对步骤2）所采集的多晶硅太阳能电池的参数与模板对比，及进行图像相似度测量，并进行颜色分类，进而实现颜色分选。 

2.根据权利要求1所述的基于机器视觉的多晶硅太阳能检测分选的方法，其特征在于步骤2）所述图像预处理具体步骤如下： 

2-1）图像抽取 

根据设定的模板与CCD照相机拍摄到的被测图像进行对比后，得出的图像检测结果，因此首先应该把所拍摄到的模板与及被测片的图像抽取到程序中进行下一步处理； 

2-2）灰度化处理采取HSI模型；由于需要能够获得一幅柔和的灰度图，因此需要对步骤1）中所得到的图像，采用平均值法的灰度化处理； 

加权平均值法:按照一些指标给R、G、B赋予不同的权值，并使R、G、B的值加权平均，即： 

R=G=B=（W1*R+W2*G+W3*B）/3 

2-3）图像噪声滤除 

选一个含有奇数点的窗口W，用这个窗口在步骤2）灰度化处理后图像上扫描，把窗口中所含的像素点按灰度级的升序排列，取位于中间的灰度值来代替该点的灰度值， 

表达式为： 

g(m,n)=Median{f(m-k,n-l),(k,l)∈W} 

2-4）图像增强 

是直接针对图像中的像素，对步骤3）噪声滤除后的图像的灰度进行处理； 

在灰度图像的处理中，原始图像的灰度为f(x,y)，增强后的灰度为g(x,y)，令 

g(x,y)=T[f(x,y)] 

通过这样的映射便能对灰度图像进行所需要的增强处理； 

2-5）边缘检测 

采用的边缘检测算法是Canny边缘检测算子； 

2-6）太阳能电池定位 

当多晶硅太阳能电池放置于工作台时，需要对其进行校正定位，在横竖方向上各40条卡尺来进行校正检测。 

3.根据权利要求1所述的基于机器视觉的多晶硅太阳能检测分选的方法，其特征在于步骤3）所述图像识别包括如下步骤： 

3-1）建立硅片模板的数据库 

硅片模板的建立由客户指定，客户根据自身需要事先建立n个硅片模板，n的取值由客户设定，这几个硅片模板分别设为X₁、X₂、···、X_n，每个硅片模板的色彩特征都不一样，在获得客户提供的这n个模板后进行预处理，并提取图像的H、S、I分量值，分别绘出这三个分量的灰度直方图，建立硅片模板的数据库，并存储于软件***中； 

3-2）测量被测硅片 

新的硅片到达时，则对硅片进行预处理，并提取图像的H、S、I分量值，分别绘出这三个分量的灰度直方图； 

3-3）测量颜色相似度 

在颜色分选***中，采用的是欧氏距离法来衡量直方图的相似度；通过 计算直方图之间的欧氏距离，即是按照直方图每个灰度级的距离测量来进行相似度测量的； 

3-4）颜色分类 

根据步骤3）得出的距离D作为分类标准，距离D越大，就表示这两个直方图的差异越大；D越小，则表示这两个直方图越相似； 

在得到各模板与被测硅片的距离D后，对各模板对应的距离D，由小到大进行排序，得出最小的D值，该D值所对应的模板就是所有模板中，与被测硅片最相似的一块，并以此把该被测硅片归类为D值最小的模板所对应的分类中。 

Images