CN109615612A - 一种太阳能电池板的缺陷检测方法 - Google Patents

Abstract

本发明公开了一种太阳能电池板的缺陷检测方法，通过由试验架、灰色面阵相机、远心镜头、环形光源和载物台搭建构成的测量***实现，步骤如下：拍摄太阳能电池板的图片，分别进行水平和竖直方向的膨胀处理，采用canny算子进行边缘检测，采用Hough变换对图像旋转，修复旋转后图像的空洞值；通过滤波去噪，采用gamma校正进行亮度均衡化处理，接着均匀分割图像；采用鲁棒主成分算法，将分割后的图像转化成矩阵D，并分解成低秩矩阵A和稀疏矩阵E，根据APG梯度逼近算法，对矩阵D进行恢复处理；对低秩矩阵A和稀疏矩阵E进行逆向返回单个晶片图像操作，经过低秩矩阵分解技术处理得到缺陷的太阳能电池板图像，进而检测出缺陷位置。

Description

一种太阳能电池板的缺陷检测方法

技术领域

本发明涉及视觉检测技术领域，具体涉及一种太阳能电池板的缺陷检测方法。

背景技术

在太阳能和电能的转换***中，太阳能发电的主要载体是太阳能电池片，它的质量是影响太阳能发电效率的主要原因之一。由于电池片长期暴露在空气中，受日照、雨水、温度、空气质量等环境因素的影响，电池片表面会有一定程度的破损，表面产生缺陷，使得太阳能的发电效率降低，故需要定期的对太阳能发电站的太阳能电池板进行检测，査看电池片的质量以及表面缺陷情况，并对在实际工作中不合格的或者受到损害的太阳能电池片，及时采取措施进行更换。目前，太阳能电池片表面缺陷多采用人工检测，传统的人目测试需要耗费大量的人力和物力，同时检测的结果又容易受检测人的主观因素影响，且检测效率较低。本发明提出一种基于机器视觉的太阳能电池板的缺陷检测方法。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种太阳能电池板的缺陷检测方法。

本发明的目的可以通过采取如下技术方案达到：

一种太阳能电池板的缺陷检测方法，所述的缺陷检测方法包括下列步骤：

S1、拍摄一幅太阳能电池板的图像，对原始图像进行水平膨胀处理和垂直膨胀处理，采用canny算子进行边缘检测，根据Hough变换旋转图像，接着采用最邻近插值算法修复旋转后图像的空洞值；

S2、通过阈值分割去除背景，再使用中值滤波器对角度校正之后的太阳能电池板图像滤波，接着，采用gamma校正来对图像进行亮度均衡化处理，然后对图像进行均匀分割，得到单个目标太阳能电池片检测图像；

S3、采用鲁棒主成分算法，将分割后的图像转化成矩阵D，并分解成低秩矩阵A和稀疏矩阵E，根据APG梯度逼近算法，对矩阵D进行恢复处理；

S4、对低秩矩阵A和稀疏矩阵E进行逆向返回单个晶片图像操作，得到经过低秩矩阵分解技术处理的无缺陷太阳能电池晶片和有缺陷的太阳能电池晶片，从而检测出太阳能电池板的缺陷位置。

进一步地，所述的步骤S1中采用最邻近插值算法修复旋转后图像的空洞值的过程如下：

分别计算与点P(x₀，y₀)临近的四个点的欧氏距离，将与点P(x₀，y₀)最近的整数坐标点(x，y)的像素灰度值取为P(x₀，y₀)点像素灰度值。

进一步地，所述的步骤S1中拍摄的太阳能电池板的图像是灰度图像，与背景颜色差异明显，边缘清晰。

进一步地，所述的步骤S1中Hough变换过程如下：

先将(ρ，θ)空间量化，其中ρ表示极坐标系中离原点的距离，θ表示极坐标系中的角度，得到二维矩阵M(ρ，θ)，M(ρ，θ)是一个累加器，初始值为0，M(ρ，θ)＝0；

对边界上的每一个点(X_i，Y_i)，将θ的所有量化值带入ρ＝xcosθ+ysinθ,其中x和y表示二维直角坐标系的横坐标和纵坐标，计算相应的ρ，并且将累加器加1,M(ρ，θ)＝M(ρ，θ)+1；

对边界上的每一个点(X_i，Y_i)处理后，分析M(ρ，θ)，如果M(ρ，θ)>T，就表示存在一条线段，M(ρ，θ)表示这条线段的拟合参数，T为一个非负整数，由图像中目标的先验知识来决定的；

图像中的线段是由M(ρ，θ)和(X_i，Y_i)共同确定的，然后把断裂部分连接起来。

进一步地，所述的步骤S2中gamma校正是通过对图像的伽马曲线进行编辑，实现对图像进行非线性色调编辑的方法，检测出信号中的深色部分和浅色部分，并使两者比例增大，其中，gamma校正定义用公式表示：A是一个非负的实数，V_in表示输入图像的对比度，V_out表示处理输出之后的对比度值；当γ<1时，在低灰度区域的动态范围变大，高灰度值区域的动态范围变小，进而图像对比度增强，当γ>1时，在低灰度值区域的动态范围变小，高灰度值区域的动态范围变大，进而图像对比度降低。

进一步地，所述的步骤S3过程如下：

将分割的n个单位目标太阳能电池片图像X₁,X₂,…X_n由列向量I₁,I₂…I_n表示，待测图像矩阵D表示为:D＝[vec(I₁)|vec(I₂)|…|vec(I_n)]∈R^m×n，其中，m表示每个晶片图像的像素值，vec(I_n)表示第n个晶片的图像矩阵，R^m×n表示行大小为m和列大小为n的实数矩阵；

采用鲁棒主成分算法，将待测图像矩阵D分解成低秩矩阵A和稀疏矩阵E，该矩阵D∈R^m×n，它是由一个低秩矩阵A∈R^m×n和一个稀疏矩阵E∈R^m×n构成，即D＝A+E，其中，低秩矩阵A是未被噪声或者缺陷污染的数据矩阵，稀疏矩阵E是代表在图像中的小噪声和缺陷；

恢复受到破坏的矩阵D，寻找矩阵D上映射的最近r维线性子空间投影，其定义如下:min rank(A)+λ‖E‖，其中目标函数是低秩矩阵A的秩rank(A)和稀疏矩阵E的零范数‖E‖，λ表示噪声所占的权重；

再用矩阵的核范数近似代替矩阵的秩，矩阵的1范数来近似代替矩阵的零范数，得到恢复矩阵A₀，其转化结果如下:min rank(A)+λ∑_ij|E_ij|，其中∑_ij|E_ij|表示稀疏矩阵E中所有元素的绝对值之和；

使用APG梯度逼近算法，完成对矩阵D的恢复处理。

进一步地，所述的步骤S3中APG梯度逼近算法是在两个限定条件x∈H和L(X)＝b下，求出ming(x)，其中H表示满足|(x，y)|≤‖x‖‖y‖条件下的所有(x，y)的值，b为常数因子，g(x)是目标函数，L(X)表示梯度限定函数，在它定义的区间上，对于任意的x₁和x₂，和任意实数λ∈(0，1)，满足g(λx₁+(1-λ)x₂)≤λg(x₁)+(1-λ)x₂，将低秩矩阵A的恢复问题近似如下：

松弛表达式如下：

其中罚函数f(x)＝0.5‖L(X)-b‖²，松弛参数μ>0；

然后用一个可分离的二次函数来逼近F(X),得到下式：

其中g(x)＝‖A‖+λ‖E₁‖，Y表示趋近的目标点，<·>表示点积，表示f的全导数，L_f是利普喜茨常数，‖E₁‖表示∑_ij|E_ij|；

然后求得

其中A_k+1和E_k+1分别表示第k+1次迭代的A和E，argminμ‖A‖表示当μ‖A‖取最小值时的A，μ>0，是松弛参数，通过调节μ对运算量进行调整，从而调节逼近速度，其中而表示G第k次迭代的矩阵A次幂，表示G第k次迭代的矩阵E次幂；

再通过对进行SVD分解，反复迭代直至收敛，即可得出最终逼近结果A和E。

本发明相对于现有技术具有如下的优点及效果：

1、本发明在图像的预处理部分中，采用Hough变换对图像进行旋转，需要修补图片旋转所造成的空洞值，本方法设计采用的空洞值填补可以让图像的失真率更低，加强后期对图像分割之后处理的精度。

2、本发明采用的表面缺陷检测方法采用矩形恢复算法，其中加速梯度逼近可以明显减少迭代次数、提高迭代精度，同时减少奇异值分解的次数，增加的识别的快速性；

附图说明

图1是本发明中公开的太阳能电池板的缺陷检测方法的流程图；

图2是本发明中公开的太阳能电池板的缺陷检测方法所使用的检测装置的结构示意图；

图3是本发明中公开的太阳能电池板的缺陷检测方法旋转图像后修补空洞值的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

实施例

本发明提供一种太阳能电池板的缺陷检测方法，该视觉检测方法通过由试验架5、彩色面阵相机1、远心镜头2、底座光源4和载物台3搭建构成的测量***实现，该测量***组成部件的具***置结构关系可以进一步参照图2，测量***的硬件安装应满足彩色面阵相机1、远心镜头2、载物台3和底座光源4的轴心平行，且载物台3安装于远心镜头2的景深范围内。

以该测量***为检测工具的缺陷检测方法包括以下步骤：

S1、拍摄一幅太阳能电池板的图像，进行角度调节，然后对原始图像进行水平膨

胀处理，连接水平方向上的边缘，再对原始图像进行垂直膨胀处理，连接

垂直方向上的边缘，采用canny算子进行边缘检测，采用Hough变换找到旋转角度，然后对图像进行旋转，旋转之后，采用最邻近插值算法修复旋转后图像的空洞值。

其中，采用最邻近插值算法修复旋转后图像的空洞值的过程如图3，分别计算与点P(x₀，y₀)临近的四个点的欧氏距离，将与点P(x₀，y₀)最近的整数坐标点(x，y)的像素灰度值取为P(x₀，y₀)点像素灰度值，得到角度调整正确的太阳能电池板图像。

其中，拍摄的太阳能电池板的图像是灰度图像，与背景颜色差异明显，边缘清晰。

其中，Hough变换是先将(ρ，θ)空间量化，其中ρ表示极坐标系中离原点的距离，θ表示极坐标系中的角度，得到二维矩阵M(ρ，θ)，M(ρ，θ)是一个累加器，初始值为0，M(ρ，θ)＝0。再对边界上的每一个点(X_i，Y_i)，将θ的所有量化值带入ρ＝xcosθ+ysinθ，其中x和y表示二维直角坐标系的横坐标和纵坐标，计算相应的ρ，并且将累加器加1,M(ρ，θ)＝M(ρ，θ)+1。然后，将对边界上的每一个点(X_i，Y_i)处理后，分析M(ρ，θ)，如果M(ρ，θ)>T，就表示存在一条线段，这个线段是有意义的，M(ρ，θ)就表示这条线段的拟合参数。T表示一个非负整数，这个非负整数是由图像中目标的先验知识来决定的。最后，图像中的线段是由M(ρ，θ)和(X_i，Y_i)共同确定的，然后再把断裂部分连接起来。

S2、通过阈值分割去除背景，再使用中值滤波器对角度校正之后的太阳能电池板图像滤波，去除杂点干扰，接着，采用gamma校正来对图像进行亮度均衡化处理，解决太阳能电池板中凹槽所造成的亮度不均匀的影响，然后对图像进行均匀分割，对行列6等分，得到单个目标太阳能电池片检测图像。

其中，gamma校正是通过对图像的伽马曲线进行编辑，来对图像进行非线性色调编辑的方法，检测出信号中的深色部分和浅色部分，并使两者比例增大，从而提高图像对比度效果。对于其定义可以用下公式表示：其中，A是一个非负的实数，通常情况下A＝1，V_in表示输入图像的对比度，V_out表示处理输出之后的对比度值。当γ<1时，在低灰度区域的动态范围变大，高灰度值区域的动态范围变小，进而图像对比度增强，这样的gamma校正过程被称为gamma收缩，当γ>1时，在低灰度值区域的动态范围变小，高灰度值区域的动态范围变大，降低了低灰度值区域的图像对比度，提高了高灰度值区域的图像对比度，达到灰度均匀化。

S3、采用鲁棒主成分算法，将分割后的图像转化成矩阵D，并分解成低秩矩阵A和稀疏矩阵E，根据APG梯度逼近算法，对矩阵D进行恢复处理；

将分割的n个单位目标太阳能电池片图像X₁,X₂,…X_n由列向量I₁,I₂…I_n表示。待测图像矩阵D表示为:D＝[vec(I₁)|vec(I₂)|…|vec(I_n)]∈R^m×n，其中，m表示每个晶片图像的像素值，vec(I_n)表示第n个晶片的图像矩阵，R^m×n表示行大小为m和列大小为n的实数矩阵；然后，采用鲁棒主成分算法，将矩阵D分解成低秩矩阵A和稀疏矩阵E，该矩阵D∈R^m×n，它是由一个低秩矩阵A∈R^m×n和一个稀疏矩阵E∈R^m×n构成的。即D＝A+E。其中，低秩矩阵A是未被噪声或者缺陷污染的数据矩阵，稀疏矩阵E是代表在图像中的小噪声和缺陷。把受到破坏的矩阵D恢复，要寻找矩阵D上映射的最近r维线性子空间投影。其定义如下:min rank(A)+λ‖E‖，其中目标函数是低秩矩阵A的秩和稀疏矩阵E的零范数，λ表示噪声所占的权重。再用矩阵的核范数近似代替矩阵的秩，矩阵的1范数来近似代替矩阵的零范数，得到恢复矩阵A₀。其转化结果如下:min rank(A)+λ∑_ij|E_ij|，其中∑_ij|E_ij|表示稀疏矩阵E中所有元素的绝对值之和；最后，使用APG梯度逼近算法，完成对矩阵D的恢复处理；

其中，APG梯度逼近算法是在两个限定条件x∈H和L(X)＝b下，求出ming(x)，其中H表示满足|(x，y)|≤‖x‖‖y‖条件下的所有(x，y)的值，b为常数因子，g(x)是目标函数，L(X)表示梯度限定函数，在它定义的区间上，对于任意的x₁和x₂，和任意实数λ∈(0，1)，满足g(λx₁+(1-λ)x₂)≤λg(x₁)+(1-λ)x₂，将低秩矩阵A的恢复问题近似如下：

一般情况下，松弛表达式如下：

其中罚函数f(x)＝0.5‖L(X)-b‖²，松弛参数μ>0；

然后用一个可分离的二次函数来逼近F(X),得到下式：

其中g(x)＝‖A‖+λ‖E₁‖，Y表示趋近的目标点，<·>表示点积，表示f的全导数，L_f是利普喜茨常数，‖E₁‖表示∑_ij|E_ij|；

然后求得

其中A_k+1和E_k+1分别表示第k+1次迭代的A和E，argminμ‖A‖表示当μ‖A‖取最小值时的A，μ>0，是松弛参数，通过调节μ对运算量进行调整，从而调节逼近速度，其中而表示G第k次迭代的矩阵A次幂，表示G第k次迭代的矩阵E次幂；

再通过对进行SVD分解，反复迭代直至收敛，即可得出最终逼近结果A和E。

S4、对低秩矩阵A和稀疏矩阵E进行逆向返回单个晶片图像操作，得到经过低秩矩阵分解技术处理的无缺陷太阳能电池晶片和有缺陷的太阳能电池晶片，从而检测出太阳能电池板的缺陷位置。

其中，低秩矩阵A和稀疏矩阵E是由步骤S3中待测图像矩阵D进行奇异值分解而来。

综上所述，本发明提供的太阳能电池板的缺陷检测方法，对比于人工检测，省去大量的人力和物力，避免了检测的结果又容易受检测人的主观因素影响，具有对流水线上生产出来的太阳能电池板检测准确率高、速度快的优点。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的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 (7)

1.一种太阳能电池板的缺陷检测方法，其特征在于，所述的缺陷检测方法包括下列步骤：

S1、拍摄一幅太阳能电池板的图像，对原始图像进行水平膨胀处理和垂直膨胀处理，采用canny算子进行边缘检测，根据Hough变换旋转图像，接着采用最邻近插值算法修复旋转后图像的空洞值；

S2、通过阈值分割去除背景，再使用中值滤波器对角度校正之后的太阳能电池板图像滤波，接着，采用gamma校正来对图像进行亮度均衡化处理，然后对图像进行均匀分割，得到单个目标太阳能电池片检测图像；

S3、采用鲁棒主成分算法，将分割后的图像转化成矩阵D，并分解成低秩矩阵A和稀疏矩阵E，根据APG梯度逼近算法，对矩阵D进行恢复处理；

S4、对低秩矩阵A和稀疏矩阵E进行逆向返回单个晶片图像操作，得到经过低秩矩阵分解技术处理的无缺陷太阳能电池晶片和有缺陷的太阳能电池晶片，从而检测出太阳能电池板的缺陷位置。

2.根据权利要求1所述的一种太阳能电池板的缺陷检测方法，其特征在于，所述的步骤S1中采用最邻近插值算法修复旋转后图像的空洞值的过程如下：

分别计算与点P(x₀，y₀)临近的四个点的欧氏距离，将与点P(x₀，y₀)最近的整数坐标点(x，y)的像素灰度值取为P(x₀，y₀)点像素灰度值。

3.根据权利要求1所述的一种太阳能电池板的缺陷检测方法，其特征在于，所述的步骤S1中拍摄的太阳能电池板的图像是灰度图像，与背景颜色差异明显，边缘清晰。

4.根据权利要求1所述的一种太阳能电池板的缺陷检测方法，其特征在于，所述的步骤S1中Hough变换过程如下：

先将(ρ，θ)空间量化，其中ρ表示极坐标系中离原点的距离，θ表示极坐标系中的角度，得到二维矩阵M(ρ，θ)，M(ρ，θ)是一个累加器，初始值为0，M(ρ，θ)＝0；

对边界上的每一个点(X_i，Y_i)，将θ的所有量化值带入ρ＝xcosθ+ysinθ,其中x和y表示二维直角坐标系的横坐标和纵坐标，计算相应的ρ，并且将累加器加1,M(ρ，θ)＝M(ρ，θ)+1；

对边界上的每一个点(X_i，Y_i)处理后，分析M(ρ，θ)，如果M(ρ，θ)>T，就表示存在一条线段，M(ρ，θ)表示这条线段的拟合参数，T为一个非负整数，由图像中目标的先验知识来决定的；

图像中的线段是由M(ρ，θ)和(X_i，Y_i)共同确定的，然后把断裂部分连接起来。

5.根据权利要求1所述的一种太阳能电池板的缺陷检测方法，其特征在于，所述的步骤S2中gamma校正是通过对图像的伽马曲线进行编辑，实现对图像进行非线性色调编辑的方法，检测出信号中的深色部分和浅色部分，并使两者比例增大，其中，gamma校正定义用公式表示：A是一个非负的实数，V_in表示输入图像的对比度，V_out表示处理输出之后的对比度值；当γ<1时，在低灰度区域的动态范围变大，高灰度值区域的动态范围变小，进而图像对比度增强，当γ>1时，在低灰度值区域的动态范围变小，高灰度值区域的动态范围变大，进而图像对比度降低。

6.根据权利要求1所述的一种太阳能电池板的缺陷检测方法，其特征在于，所述的步骤S3过程如下：

将分割的n个单位目标太阳能电池片图像X₁,X₂,…X_n由列向量I₁,I₂…I_n表示，待测图像矩阵D表示为:D＝[vec(I₁)|vec(I₂)|…|vec(I_n)]∈R^m×n，其中，m表示每个晶片图像的像素值，vec(I_n)表示第n个晶片的图像矩阵，R^m×n表示行大小为m和列大小为n的实数矩阵；

采用鲁棒主成分算法，将待测图像矩阵D分解成低秩矩阵A和稀疏矩阵E，该矩阵D∈R^{m ×n}，它是由一个低秩矩阵A∈R^m×n和一个稀疏矩阵E∈R^m×n构成，即D＝A+E，其中，低秩矩阵A是未被噪声或者缺陷污染的数据矩阵，稀疏矩阵E是代表在图像中的小噪声和缺陷；

恢复受到破坏的矩阵D，寻找矩阵D上映射的最近r维线性子空间投影，其定义如下:minrank(A)+λ‖E‖，其中目标函数是低秩矩阵A的秩rank(A)和稀疏矩阵E的零范数‖E‖，λ表示噪声所占的权重；

再用矩阵的核范数近似代替矩阵的秩，矩阵的1范数来近似代替矩阵的零范数，得到恢复矩阵A₀，其转化结果如下:min rank(A)+λ∑_ij|E_ij|，其中∑_ij|E_ij|表示稀疏矩阵E中所有元素的绝对值之和；

使用APG梯度逼近算法，完成对矩阵D的恢复处理。

7.根据权利要求6所述的一种太阳能电池板的缺陷检测方法，其特征在于，所述的步骤S3中APG梯度逼近算法是在两个限定条件x∈H和L(X)＝b下，求出ming(x)，其中H表示满足|(x，y)|≤‖x‖‖y‖条件下的所有(x，y)的值，b为常数因子，g(x)是目标函数，L(X)表示梯度限定函数，在它定义的区间上，对于任意的x₁和x₂，和任意实数λ∈(0，1)，满足g(λx₁+(1-λ)x₂)≤λg(x₁)+(1-λ)x₂，将低秩矩阵A的恢复问题近似如下：

松弛表达式如下：

其中罚函数f(x)＝0.5‖L(X)-b‖²，松弛参数μ>0；

然后用一个可分离的二次函数来逼近F(X),得到下式：

其中g(x)＝‖A‖+λ‖E₁‖，Y表示趋近的目标点，<·>表示点积，表示f的全导数，L_f是利普喜茨常数，‖E₁‖表示∑_ij|E_ij|；

然后求得

其中A_k+1和E_k+1分别表示第k+1次迭代的A和E，argminμ‖A‖表示当μ‖A‖取最小值时的A，μ>0，是松弛参数，通过调节μ对运算量进行调整，从而调节逼近速度，其中而表示G第k次迭代的矩阵A次幂，表示G第k次迭代的矩阵E次幂；

再通过对进行SVD分解，反复迭代直至收敛，即可得出最终逼近结果A和E。