CN107274393A - 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法 - Google Patents
基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法 Download PDFInfo
- Publication number
- CN107274393A CN107274393A CN201710438495.XA CN201710438495A CN107274393A CN 107274393 A CN107274393 A CN 107274393A CN 201710438495 A CN201710438495 A CN 201710438495A CN 107274393 A CN107274393 A CN 107274393A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- row
- msub
- mtd
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 37
- 239000010703 silicon Substances 0.000 title claims abstract description 37
- 230000007547 defect Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 238000013100 final test Methods 0.000 claims abstract description 4
- 238000013101 initial test Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 239000000686 essence Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法,其步骤如下:首先,采用图像缩放和中值滤波对单晶硅太阳能电池片表面图像进行预处理;其次,提出一种栅线检测方法,用于删除单晶硅太阳能电池片表面图像中的主栅线和副栅线;随后,提出一种超像素分割和自适应阈值处理相结合的方法,用于在无栅线图像中检测缺陷区域,得到初始的检测结果图;最后,通过图像缩放对初始检测结果图进行后处理,得到最终的检测结果图。本发明不仅对单晶硅太阳能电池片表面图像的采集质量要求相对较低,而且在保持较高检测准确率的同时具有较快的检测速度,对提高单晶硅太阳能电池片的质检效率和出厂合格率具有重要意义。
Description
技术领域
本发明涉及基于机器视觉的表面缺陷检测的技术领域,主要是基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法。
背景技术
单晶硅太阳能电池片表面缺陷检测的实质是判断单晶硅太阳能电池片表面是否存在缺陷并定位缺陷区域的位置。近些年,太阳能光伏发电已成为解决能源危机问题的主要方案之一,同时太阳能电池片质量的好坏又直接影响光伏发电的效率,因此,对太阳能电池片表面进行缺陷检测具有重要意义。
基于机器视觉的太阳能电池片表面缺陷检测是当前的主要发展趋势,现有技术均是根据缺陷的特征建立各种不同类型的数学模型来进行缺陷检测,例如,基于梯度特征、聚类算法、频域分析、矩阵分解和机器学习等数学模型。然而,这些方法都存在泛化能力不足的问题,即:只适用于某几类缺陷的检测,例如,基于梯度特征和聚类算法的检测方法适用于裂纹和断栅类型的缺陷检测,基于频域分析和矩阵分解的检测方法更适用于条状和分布较为分散的缺陷检测。
发明内容
针对现有基于机器视觉的太阳能电池片表面缺陷检测方法泛化能力不足的技术问题,本发明提出了基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法,根据单晶硅太阳能电池片表面纹理的特点,通过栅线检测来删除单晶硅太阳能电池片表面图像中的主栅线和副栅线,同时,利用超像素分割和自适应阈值处理相结合的方法在无栅线图像中检测缺陷区域。
为了解决上述技术问题,本发明的技术方案是:基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法,其特征在于,其步骤如下:一)采用图像缩放和中值滤波对单晶硅太阳能电池片表面图像进行预处理;二)通过栅线检测删除单晶硅太阳能电池片表面图像中的主栅线和副栅线;三)利用超像素分割和自适应阈值处理方法在无栅线图像中检测缺陷区域,得到初始检测结果图;四)通过图像缩放对初始检测结果图进行后处理,得到最终的检测结果图。
所述预处理包括灰度图像转换、图像缩放和中值滤波方法:
1)灰度图像转换:将采集到的单晶硅太阳能电池片表面图像转换为灰度图像,得到的灰度图像为I1;
2)图像缩放:将大小为m×n的灰度图像I1进行等比例缩放,得到分辨率为k×g的缩放图像I2;其中,缩放比例为r∈(0,1),k=round(m×r),g=round(n×r),round(·)代表四舍五入运算,m、n、k、g均是非负整数,m、n代表灰度图像I1的行数和列数,k、g代表缩放图像I2的行数和列数;
3)图像降噪:采用中值滤波方法对缩放图像I2进行降噪,去除对检测影响较大的脉冲噪声,降噪后的图像标记为I,分辨率为k×g。
所述中值滤波方法对缩放图像I2进行降噪的方法是:定义坐标为(x,y)的像素点的邻域为:
Nx,y(R)={(i,j)||i-x|≤R,|j-y|≤R} (1)
其中,R为正整数,代表邻域的半径,(i,j)代表邻域内像素点的坐标,Nx,y(R)代表以像素点(x,y)为中心、半径为R的邻域内所有像素点的坐标集合;
对像素点(x,y)进行中值滤波,其结果为:
I(x,y)=Median{I2(i,j),(i,j)∈Nx,y(R)} (2)
其中,I(x,y)为像素点(x,y)中值滤波后的灰度值,I2(i,j)为缩放图像I2中坐标为(i,j)的像素点的灰度值,Median{·}为取中值操作;
公式(2)的R=1;利用公式(2)遍历缩放图像I2的所有像素点可得到图像I。
所述通过栅线检测删除单晶硅太阳能电池片表面图像中的主栅线和副栅线的方法为:
1)计算图像I各行和列的灰度之和:
其中,I(x,y)代表图像I中第x行、y列处像素的灰度值,SHx表示图像I第x行所有像素的灰度和,SLy表示图像I第y列所有像素的灰度和;
2)检测主栅线和副栅线的位置:
其中,ZX表示图像I中主栅线位置所在的行坐标集合,ZY表示图像I中副栅线位置所在的列坐标集合;如果第x行的灰度和SHx大于等于所有行灰度和的平均值则第x行是主栅线坐在的行,此时,将这一行的坐标“x”纳入到集合ZX中;如果第y列的灰度和SLy大于等于所有行灰度和的平均值则第y列是副栅线坐在的列,此时,将这一列的坐标“y”纳入到集合ZY中;
3)删除主栅线和副栅线:
根据行坐标集合ZX中行坐标的指示,将对应的行从图像I中删除,实现删除主栅线;根据列坐标集合ZY中列坐标的指示,将对应的列从图像I中删除,实现删除副栅线;主栅线和副栅线删除之后的图像标记为图像I',其大小为p×q,p、q均是正整数,且p<k、q<g。
所述无栅线图像中检测缺陷区域,得到初始检测结果图的方法为:
1)超像素分割
采用SLIC超像素算法对删除主栅线和副栅线的图像I'进行图像分割,分割后的区域标记为:F={F1,F2,...,FT},其中,T代表分割区域的数量,各分割区域从图像的左上角到右下角依次排序,Fc,c∈[1,T]代表第c个分割区域包含的所有像素点;
2)自适应阈值处理
a.计算各分割区域Fc的平均灰度值为:
其中,I'(i,j)代表图像I'中第i行、j列处像素点的灰度值,M(Fc),c∈[1,T]代表分割区域Fc的平均灰度值,|Fc|代表分割区域Fc中像素点的个数;
b.通过阈值判断确定缺陷区域:
D(Fc),c∈[1,T]代表分割区域Fc的检测结果,若为0则表示分割区域Fc属于缺陷区域,反之分割区域Fc属于非缺陷区域;
得到所有分割区域的检测结果后,得到初始检测结果图D,大小为p×q。
所述后处理的方法为:
图像缩放:在预处理阶段执行了等比例图像缩放操作,缩放比例为r∈(0,1),现将初始检测结果图D按照原比例r进行等比例图像缩放的逆操作,得到最终检测结果图像M,M的大小为h×l,h=round(p/r),l=round(q/r)。M是二值图像,缺陷区域的灰度值为0,非缺陷区域的灰度值为1。
本发明采用栅线检测和超像素分割对单晶硅太阳能电池片表面缺陷进行检测,能够迅速发现并准确定位缺陷的位置,优势在于:1)本发明对单晶硅太阳能电池片表面图像的采集质量要求不高,彩色图像和灰度图像均可,图像分辨率不低于600×600左右即可;2)本发明检测速度较快,单片检测时间约为0.25s左右。本发明能显著提高单晶硅太阳能电池片表面缺陷的检测效率,对提高单晶硅太阳能电池片的质检效率和出厂合格率具有重要意义。
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为本发明的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付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。
如图1所示,一种基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法,具体的实施步骤如下:
一)采用图像缩放和中值滤波对单晶硅太阳能电池片表面图像进行预处理。
预处理:
1)灰度图像转换:将采集到的单晶硅太阳能电池片表面图像转换为灰度图像,若图像本身是灰度图像,则保持不变,标记得到的灰度图像为I1。
灰度图像转换的作用:本申请的方法专门针对灰度图像设计,目的就是为了减少计算量,因为彩色图像是三个通道,3倍的计算量,考虑到采集的图像有可能是彩色图像,也有可能是灰度图像,所以先统一转成灰度图像。
2)图像缩放:将大小为m×n的灰度图像I1进行等比例缩放,得到分辨率为k×g的缩放图像I2;其中,缩放比例为r∈(0,1),k=round(m×r),g=round(n×r),round(·)代表四舍五入运算,m、n、k、g均是非负整数,m、n代表灰度图像I1的行数和列数,k、g代表缩放图像I2的行数和列数。将输入的大小为624×624的灰度图像I1进行等比例缩放,缩放比例为0.2,得到大小为125×125的缩放图像I2。
图像缩放的目的是为了减少计算量。因为通过多次实验发现,分辨率(大小)超过600×600的图像,缩小到125×125之后对检测效果影响不大,还可以大大降低计算量,然而,如果采集图像的原始分辨率本身就是125*125,则行不通,因为这种图像的质量比高分辨率缩小到同样大小的图像要差很多,因为高分辨图像的清晰度较高,即便是缩小到同样大小,清晰度仍比原始分辨率较小的图像要好。因此,图像的分辨率不宜低于600*600,虽然后面实际计算时还要缩小,但是图像缩放减少了计算量。
3)图像降噪:采用中值滤波方法对缩放图像I2进行降噪得到图像I,去除对检测影响较大的脉冲噪声。
定义坐标为(x,y)的像素点的邻域为:
Nx,y(R)={(i,j)||i-x|≤R,|j-y|≤R} (1)
其中,R为正整数,代表邻域的半径,(i,j)代表邻域内像素点的坐标,Nx,y(R)代表以像素点(x,y)为中心,半径为R的邻域内所有像素点的坐标集合,例如:Nx,y(1)代表以(x,y)为中心的3×3邻域,Nx,y(2)代表以(x,y)为中心的5×5邻域,以此类推。
对像素点(x,y)进行中值滤波,其结果为:
I(x,y)=Median{I2(i,j),(i,j)∈Nx,y(1)} (2)
其中,I(x,y)为像素点(x,y)中值滤波后的灰度值,I2(i,j)为缩放图像I2中坐标为(i,j)的像素点的灰度值,Median{·}为取中值操作,即:将集合中的所有元素按大小排序,取中间的元素值作为输出结果。
利用公式(2)遍历缩放图像I2的所有像素点可得到图像I,I的大小与I2相同,也是125×125。
二)利用栅线检测方法删除单晶硅太阳能电池片表面图像中的主栅线和副栅线。
栅线删除:
1)计算图像I各行和列的灰度之和:
其中,I(x,y)代表图像I中第x行、y列处像素的灰度值,SHx表示图像I第x行所有像素的灰度和,SLy表示图像I第y列所有像素的灰度和。
2)检测主栅线和副栅线的位置:
其中,ZX表示图像I中主栅线位置所在的行坐标集合,ZY表示图像I中副栅线位置所在的列坐标集合。如果第x行的灰度和SHx大于等于所有行灰度和的平均值则第x行是主栅线坐在的行,此时,将这一行的坐标“x”纳入到集合ZX中;如果第y列的灰度和SLy大于等于所有行灰度和的平均值则第y列是副栅线坐在的列,此时,将这一列的坐标“y”纳入到集合ZY中。
通过输入图像可以发现,不论是行方向较粗的主栅线,还是列方向上较细的副栅线,其灰度值都明显高于非栅线区域,于是,可以通过计算行和列方向上的灰度和来检测它们,如果将栅线和非栅线区域的灰度取平均,显然,灰度较大的栅线区域必然大于均值。
3)删除主栅线和副栅线:
首先,根据行坐标集合ZX中行坐标(主栅线所在的行)的指示,将对应的行从图像I中移除,执行此操作即是删除主栅线;然后,根据列坐标集合ZY中列坐标(副栅线所在的列)的指示,将对应的列从图像I中移除,执行此操作即是删除副栅线;栅线删除之后的图像标记为图像I',分辨率为117×90。
三)利用超像素分割和自适应阈值处理方法在无栅线图像中检测缺陷区域,得到初始检测结果图。
缺陷区域检测
1)超像素分割
为了较为精确的定位缺陷区域,本发明采用超像素算法对图像I'进行图像分割,分割后的结果标记为:F={F1,F2,...,F800},其中800代表分割区域的数量,各分割区域从图像的左上角到右下角依次排序,Fc,c∈[1,800]代表第c个区域包含的所有像素点。本发明的超像素分割可以通过SLIC(Simple Linear Iterative Clustering)超像素算法实现(ACHANTA R,SHAJI A,SMITH K,et al.SLIC superpixels compared to state-of-the-art superpixel methods.IEEE transactions on pattern analysis and machineintelligence,2012,34(11):2274-2282.)。
2)自适应阈值处理
a.计算各分割区域Fc的平均灰度值:
其中,I'(i,j)代表图像I'中第i行、j列处像素点的灰度值,M(Fc),c∈[1,800]代表分割区域Fc的平均灰度值,|Fc|代表分割区域Fc中像素点的个数。
b.通过阈值判断确定缺陷区域:
D(Fc),c∈(1,800)代表分割区域Fc的检测结果,若为0则表示分割区域Fc属于缺陷区域,反之分割区域Fc属于非缺陷区域;
得到所有分割区域的检测结果后,即可得到初始检测结果图,标记为D,大小为117×90,显然,D为二值图像,有缺陷的区域灰度值为0,无缺陷区域灰度值为1。
四)通过图像缩放对初始检测结果图进行后处理,得到最终的检测结果图。
后处理:
图像缩放:在预处理阶段执行了等比例图像缩放操作,缩放比例为0.2,现将初始检测结果图D按照原比例0.2进行等比例图像缩放的逆操作,得到最终检测结果图像M,M的大小为585×450,其中,585=round(117/0.2),450=round(90/0.2)。M是二值图像,缺陷区域的灰度值为0,非缺陷区域的灰度值为1。前面将输入图像缩小的目的是为了减少计算量,这里按照原比例再放大,目的是让观察者更清楚的观测到缺陷区域。
本发明用于实施的硬件环境是:Intel(R)Core(TM)i5CPU 3.2G计算机、8GB内存、1GB显存显卡,运行的软件环境是:Matlab R2014b和Windows 7。实验所选取的单晶硅太阳能电池片表面图像为一幅分辨率624×624的灰度图像。本发明在100幅分辨率为624×624的单晶硅太阳能电池片表面图像上进行了测试验证,结果如下:
1)采用本发明的技术可以以较快速度检测出单晶硅太阳能电池片表面图像中的缺陷,每幅图像的平均检测时间为0.25s左右。
2)采用本发明可获得99%的缺陷检测正确率,其中,缺陷检测正确率定义为判断正确的单晶硅太阳能电池片表面图像的数量与参与检测的单晶硅太阳能电池片表面图像的总数量之比。表1所示为100幅测试图像的检测结果统计:40幅有缺陷图像全部检测正确,60幅无缺陷图像中仅有1幅图像被误检,误检的原因是电池片表面的少量污渍被误认为是缺陷(有些要求严格的厂家将表面污渍也视为缺陷,按此标准,本发明的检测正确率为100%)。这种类型的误检对厂家来说可以接受,因为对厂家来说,找出所有包含缺陷的太阳能电池片最为重要,少量的无缺陷电池片被错判可以接受。
表1 100幅测试图像的检测结果统计
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法,其特征在于,其步骤如下:一)采用图像缩放和中值滤波对单晶硅太阳能电池片表面图像进行预处理;二)通过栅线检测删除单晶硅太阳能电池片表面图像中的主栅线和副栅线;三)利用超像素分割和自适应阈值处理方法在无栅线图像中检测缺陷区域,得到初始检测结果图;四)通过图像缩放对初始检测结果图进行后处理,得到最终的检测结果图。
2.根据权利要求1所述的基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法,其特征在于,所述预处理包括灰度图像转换、图像缩放和中值滤波方法:
1)灰度图像转换:将采集到的单晶硅太阳能电池片表面图像转换为灰度图像,得到的灰度图像为I1;
2)图像缩放:将大小为m×n的灰度图像I1进行等比例缩放,得到分辨率为k×g的缩放图像I2;其中,缩放比例为r∈(0,1),k=round(m×r),g=round(n×r),round(·)代表四舍五入运算,m、n、k、g均是非负整数,m、n代表灰度图像I1的行数和列数,k、g代表缩放图像I2的行数和列数;
3)图像降噪:采用中值滤波方法对缩放图像I2进行降噪,去除对检测影响较大的脉冲噪声,降噪后的图像标记为I,分辨率为k×g。
3.根据权利要求2所述的基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法,其特征在于,所述中值滤波方法对缩放图像I2进行降噪的方法是:定义坐标为(x,y)的像素点的邻域为:
Nx,y(R)={(i,j)||i-x|≤R,|j-y|≤R} (1)
其中,R为正整数,代表邻域的半径,(i,j)代表邻域内像素点的坐标,Nx,y(R)代表以像素点(x,y)为中心、半径为R的邻域内所有像素点的坐标集合;
对像素点(x,y)进行中值滤波,其结果为:
I(x,y)=Median{I2(i,j),(i,j)∈Nx,y(R)} (2)
其中,I(x,y)为像素点(x,y)中值滤波后的灰度值,I2(i,j)为缩放图像I2中坐标为(i,j)的像素点的灰度值,Median{·}为取中值操作;
公式(2)的R=1;利用公式(2)遍历缩放图像I2的所有像素点可得到图像I。
4.根据权利要求1所述的基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法,其特征在于,所述通过栅线检测删除单晶硅太阳能电池片表面图像中的主栅线和副栅线的方法为:
1)计算图像I各行和列的灰度之和:
<mrow>
<msub>
<mi>SH</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>g</mi>
</munderover>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>x</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>k</mi>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<msub>
<mi>SL</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>y</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>g</mi>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,I(x,y)代表图像I中第x行、y列处像素的灰度值,SHx表示图像I第x行所有像素的灰度和,SLy表示图像I第y列所有像素的灰度和;
2)检测主栅线和副栅线的位置:
<mrow>
<mi>Z</mi>
<mi>X</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>Z</mi>
<mi>X</mi>
<mo>&cup;</mo>
<mo>{</mo>
<mi>x</mi>
<mo>}</mo>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>SH</mi>
<mi>x</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>SH</mi>
<mi>x</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>k</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>Z</mi>
<mi>X</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<mi>Z</mi>
<mi>Y</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>Z</mi>
<mi>Y</mi>
<mo>&cup;</mo>
<mo>{</mo>
<mi>y</mi>
<mo>}</mo>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>SL</mi>
<mi>y</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mfrac>
<mn>1</mn>
<mi>g</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>g</mi>
</munderover>
<msub>
<mi>SL</mi>
<mi>y</mi>
</msub>
<mo>,</mo>
<mi>y</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>g</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>Z</mi>
<mi>Y</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,ZX表示图像I中主栅线位置所在的行坐标集合,ZY表示图像I中副栅线位置所在的列坐标集合;如果第x行的灰度和SHx大于等于所有行灰度和的平均值则第x行是主栅线坐在的行,此时,将这一行的坐标“x”纳入到集合ZX中;如果第y列的灰度和SLy大于等于所有行灰度和的平均值则第y列是副栅线坐在的列,此时,将这一列的坐标“y”纳入到集合ZY中;
3)删除主栅线和副栅线:
根据行坐标集合ZX中行坐标的指示,将对应的行从图像I中删除,实现删除主栅线;根据列坐标集合ZY中列坐标的指示,将对应的列从图像I中删除,实现删除副栅线;主栅线和副栅线删除之后的图像标记为图像I',其大小为p×q,p、q均是正整数,且p<k、q<g。
5.根据权利要求1所述的基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法,其特征在于,所述无栅线图像中检测缺陷区域,得到初始检测结果图的方法为:
1)超像素分割
采用SLIC超像素算法对删除主栅线和副栅线的图像I'进行图像分割,分割后的区域标记为:F={F1,F2,...,FT},其中,T代表分割区域的数量,各分割区域从图像的左上角到右下角依次排序,Fc,c∈[1,T]代表第c个分割区域包含的所有像素点;
2)自适应阈值处理
a.计算各分割区域Fc的平均灰度值为:
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<msub>
<mi>F</mi>
<mi>c</mi>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&Element;</mo>
<msub>
<mi>F</mi>
<mi>c</mi>
</msub>
</mrow>
</munder>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,I'(i,j)代表图像I'中第i行、j列处像素点的灰度值,M(Fc),c∈[1,T]代表分割区域Fc的平均灰度值,|Fc|代表分割区域Fc中像素点的个数;
b.通过阈值判断确定缺陷区域:
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>></mo>
<mfrac>
<mn>1</mn>
<mi>T</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>c</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
D(Fc),c∈[1,T]代表分割区域Fc的检测结果,若为0则表示分割区域Fc属于缺陷区域,反之分割区域Fc属于非缺陷区域;
得到所有分割区域的检测结果后,得到初始检测结果图D,大小为p×q。
6.根据权利要求1所述的基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法,其特征在于,所述后处理的方法为:
图像缩放:在预处理阶段执行了等比例图像缩放操作,缩放比例为r∈(0,1),现将初始检测结果图D按照原比例r进行等比例图像缩放的逆操作,得到最终检测结果图像M,M的大小为h×l,h=round(p/r),l=round(q/r);M是二值图像,缺陷区域的灰度值为0,非缺陷区域的灰度值为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710438495.XA CN107274393B (zh) | 2017-06-12 | 2017-06-12 | 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710438495.XA CN107274393B (zh) | 2017-06-12 | 2017-06-12 | 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107274393A true CN107274393A (zh) | 2017-10-20 |
CN107274393B CN107274393B (zh) | 2018-03-23 |
Family
ID=60066527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710438495.XA Active CN107274393B (zh) | 2017-06-12 | 2017-06-12 | 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274393B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003332A (zh) * | 2018-06-25 | 2018-12-14 | 重庆交通大学 | 沥青路面表面纹理仿真***及其仿真方法 |
CN109872303A (zh) * | 2019-01-16 | 2019-06-11 | 北京交通大学 | 表面缺陷视觉检测方法、装置和电子设备 |
CN110222784A (zh) * | 2019-06-13 | 2019-09-10 | 郑州轻工业学院 | 融合短时和长时深度特征的太阳能电池片缺陷检测方法 |
CN110443278A (zh) * | 2019-07-02 | 2019-11-12 | 广州大学 | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 |
CN112038254A (zh) * | 2019-05-15 | 2020-12-04 | 天津科技大学 | 基于机器视觉技术的晶圆自动检测与标记装置及设计方法 |
US11080860B2 (en) | 2018-12-28 | 2021-08-03 | Chroma Ate Inc. | Image inspection method |
CN114663388A (zh) * | 2022-03-21 | 2022-06-24 | 东南大学 | 一种基于栅线补全的单晶硅太阳能电池片的隐裂检测方法 |
CN115049645A (zh) * | 2022-08-12 | 2022-09-13 | 瀚能太阳能(山东)集团有限公司 | 一种太阳能电池板表面缺陷检测方法 |
CN115115643A (zh) * | 2022-08-30 | 2022-09-27 | 一道新能源科技(衢州)有限公司 | 一种光伏电池板生产缺陷检测方法 |
CN115272306A (zh) * | 2022-09-26 | 2022-11-01 | 太阳谷再生资源(江苏)有限公司 | 利用梯度运算的太阳能电池板栅线增强方法 |
CN115330768A (zh) * | 2022-10-12 | 2022-11-11 | 江苏跃格智能装备有限公司 | 一种太阳能电池板质量分级方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100266196A1 (en) * | 2007-12-28 | 2010-10-21 | Nisshinbo Industries, Inc. | Photovoltaic devices inspection apparatus and method of determining defects in photovoltaic devices |
JP2013026255A (ja) * | 2011-07-15 | 2013-02-04 | Npc Inc | 太陽電池の欠陥検査装置及び検査方法 |
CN103258206A (zh) * | 2012-11-28 | 2013-08-21 | 河海大学常州校区 | 一种硅太阳能电池表面缺陷检测和识别方法 |
CN103872983A (zh) * | 2014-04-04 | 2014-06-18 | 天津市鑫鼎源科技发展有限公司 | 太阳能电池表面缺陷检测设备及方法 |
CN105281665A (zh) * | 2015-09-29 | 2016-01-27 | 中国电子科技集团公司第四十一研究所 | 一种便携式太阳能电池缺陷检测装置及方法 |
CN106296695A (zh) * | 2016-08-12 | 2017-01-04 | 西安理工大学 | 基于显著性的自适应阈值自然目标图像分割抽取算法 |
-
2017
- 2017-06-12 CN CN201710438495.XA patent/CN107274393B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100266196A1 (en) * | 2007-12-28 | 2010-10-21 | Nisshinbo Industries, Inc. | Photovoltaic devices inspection apparatus and method of determining defects in photovoltaic devices |
JP2013026255A (ja) * | 2011-07-15 | 2013-02-04 | Npc Inc | 太陽電池の欠陥検査装置及び検査方法 |
CN103258206A (zh) * | 2012-11-28 | 2013-08-21 | 河海大学常州校区 | 一种硅太阳能电池表面缺陷检测和识别方法 |
CN103872983A (zh) * | 2014-04-04 | 2014-06-18 | 天津市鑫鼎源科技发展有限公司 | 太阳能电池表面缺陷检测设备及方法 |
CN105281665A (zh) * | 2015-09-29 | 2016-01-27 | 中国电子科技集团公司第四十一研究所 | 一种便携式太阳能电池缺陷检测装置及方法 |
CN106296695A (zh) * | 2016-08-12 | 2017-01-04 | 西安理工大学 | 基于显著性的自适应阈值自然目标图像分割抽取算法 |
Non-Patent Citations (1)
Title |
---|
钱晓亮等: "基于机器视觉的太阳能电池片表面缺陷检测研究现状及展望", 《北京工业大学学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003332A (zh) * | 2018-06-25 | 2018-12-14 | 重庆交通大学 | 沥青路面表面纹理仿真***及其仿真方法 |
CN109003332B (zh) * | 2018-06-25 | 2022-12-06 | 重庆交通大学 | 沥青路面表面纹理仿真***及其仿真方法 |
US11080860B2 (en) | 2018-12-28 | 2021-08-03 | Chroma Ate Inc. | Image inspection method |
CN109872303A (zh) * | 2019-01-16 | 2019-06-11 | 北京交通大学 | 表面缺陷视觉检测方法、装置和电子设备 |
CN112038254A (zh) * | 2019-05-15 | 2020-12-04 | 天津科技大学 | 基于机器视觉技术的晶圆自动检测与标记装置及设计方法 |
CN110222784A (zh) * | 2019-06-13 | 2019-09-10 | 郑州轻工业学院 | 融合短时和长时深度特征的太阳能电池片缺陷检测方法 |
CN110443278B (zh) * | 2019-07-02 | 2022-02-15 | 广州大学 | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 |
CN110443278A (zh) * | 2019-07-02 | 2019-11-12 | 广州大学 | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 |
CN114663388A (zh) * | 2022-03-21 | 2022-06-24 | 东南大学 | 一种基于栅线补全的单晶硅太阳能电池片的隐裂检测方法 |
CN115049645A (zh) * | 2022-08-12 | 2022-09-13 | 瀚能太阳能(山东)集团有限公司 | 一种太阳能电池板表面缺陷检测方法 |
CN115049645B (zh) * | 2022-08-12 | 2022-11-04 | 瀚能太阳能(山东)集团有限公司 | 一种太阳能电池板表面缺陷检测方法 |
CN115115643A (zh) * | 2022-08-30 | 2022-09-27 | 一道新能源科技(衢州)有限公司 | 一种光伏电池板生产缺陷检测方法 |
CN115115643B (zh) * | 2022-08-30 | 2022-11-15 | 一道新能源科技(衢州)有限公司 | 一种光伏电池板生产缺陷检测方法 |
CN115272306A (zh) * | 2022-09-26 | 2022-11-01 | 太阳谷再生资源(江苏)有限公司 | 利用梯度运算的太阳能电池板栅线增强方法 |
CN115330768A (zh) * | 2022-10-12 | 2022-11-11 | 江苏跃格智能装备有限公司 | 一种太阳能电池板质量分级方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107274393B (zh) | 2018-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274393B (zh) | 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法 | |
CN109460753B (zh) | 一种检测水上漂浮物的方法 | |
CN109145830B (zh) | 一种智能水尺识别方法 | |
Zhang et al. | Solar cell surface defect detection based on improved YOLO v5 | |
CN109919934B (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
CN109636772A (zh) | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 | |
CN110689011A (zh) | 多尺度联合卷积神经网络的太阳能电池板缺陷检测方法 | |
CN109711474A (zh) | 一种基于深度学习的铝材表面缺陷检测算法 | |
CN111310756B (zh) | 一种基于深度学习的损伤玉米颗粒检测和分类方法 | |
CN112767357A (zh) | 一种基于Yolov4的混凝土结构病害检测方法 | |
CN110222784A (zh) | 融合短时和长时深度特征的太阳能电池片缺陷检测方法 | |
WO2023207104A1 (zh) | 基于自监督学习的探地雷达隧道衬砌质量检测方法 | |
CN114973032B (zh) | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 | |
CN108564577A (zh) | 基于卷积神经网络的太阳能电池片断栅缺陷检测方法 | |
CN112802016A (zh) | 基于深度学习的实时布匹缺陷检测方法及*** | |
CN109191421A (zh) | 柱形锂电池圆周面凹坑视觉检测方法 | |
Liu et al. | Surface defect detection of solar cells based on feature pyramid network and GA-faster-RCNN | |
CN110455827A (zh) | 一种智能新能源电池板合格检测***及方法 | |
CN113506239B (zh) | 一种基于跨阶段局部网络的带钢表面缺陷检测方法 | |
Ying et al. | Automatic detection of photovoltaic module cells using multi-channel convolutional neural network | |
CN110263790A (zh) | 一种基于卷积神经网络的电厂电表字符定位和识别方法 | |
CN114612406A (zh) | 一种基于可见光和红外视觉的光伏板缺陷检测方法 | |
CN111553898A (zh) | 一种基于卷积神经网络的面料疵点检测方法 | |
CN109120230B (zh) | 一种太阳能电池片el图像检测和缺陷识别方法 | |
CN113781466A (zh) | 基于多尺度注意力密集网络的太阳能电池板缺陷识别方法 |
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 |