CN111275679A - 一种基于图像的太阳能电池缺陷检测***及方法 - Google Patents
一种基于图像的太阳能电池缺陷检测***及方法 Download PDFInfo
- Publication number
- CN111275679A CN111275679A CN202010056024.4A CN202010056024A CN111275679A CN 111275679 A CN111275679 A CN 111275679A CN 202010056024 A CN202010056024 A CN 202010056024A CN 111275679 A CN111275679 A CN 111275679A
- Authority
- CN
- China
- Prior art keywords
- image
- solar cell
- detection
- defect
- defects
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 137
- 238000001514 detection method Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005401 electroluminescence Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 8
- RSWGJHLUYNHPMX-UHFFFAOYSA-N Abietic-Saeure Natural products C12CCC(C(C)C)=CC2=CCC2C1(C)CCCC2(C)C(O)=O RSWGJHLUYNHPMX-UHFFFAOYSA-N 0.000 claims abstract 2
- KHPCPRHQVVSZAH-HUOMCSJISA-N Rosin Natural products O(C/C=C/c1ccccc1)[C@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 KHPCPRHQVVSZAH-HUOMCSJISA-N 0.000 claims abstract 2
- KHPCPRHQVVSZAH-UHFFFAOYSA-N trans-cinnamyl beta-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OCC=CC1=CC=CC=C1 KHPCPRHQVVSZAH-UHFFFAOYSA-N 0.000 claims abstract 2
- 238000002372 labelling Methods 0.000 claims description 24
- 229910000679 solder Inorganic materials 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000002950 deficient Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000005476 soldering Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011895 specific detection Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000004064 recycling Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 239000012780 transparent material Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 238000011897 real-time detection Methods 0.000 abstract description 5
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 206010041662 Splinter Diseases 0.000 description 5
- 239000000969 carrier Substances 0.000 description 3
- 238000002503 electroluminescence detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910021419 crystalline silicon Inorganic materials 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/344—Sorting according to other particular properties according to electric or electromagnetic properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
-
- 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
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
- G07C3/143—Finished product quality control
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Robotics (AREA)
- Automation & Control Theory (AREA)
- Photovoltaic Devices (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像检测的技术领域，具体涉及太阳能电池缺陷检测领域，特别是涉及一种基于图像的太阳能电池缺陷检测***及方法，包括了一种用于检测太阳能电池缺陷的装置和一种太阳能电池缺陷的检测方法。本发明提供的装置可获取太阳能电池电致发光测试图像，经过图像预处理和图像分割后提取单体太阳能电池块图像，对分割后的单体太阳能电池图像，采用基于传统图像处理的方式检测识别黑片、虚焊、破片缺陷，采用基于卷积神经网络的方式检测识别裂片缺陷，检测装置将根据检测结果实时对太阳能电池进行分类，实现太阳能电池生产制造过程中缺陷的实时检测。
Description
技术领域
本发明涉及图像检测的技术领域，具体涉及太阳能电池缺陷检测领域。
背景技术
晶体硅太阳能电池在繁琐的生产工艺流程可能会出现各种各样的缺陷，严重影响太阳能电池的光电转换效率和寿命，太阳能电池的缺陷检测方法主要基于红外图像检测，如电致发光(Electroluminescence，简称EL)。给太阳能电池外加一定的正向偏置电压，电能会使电池中的载流子复合而放射红外光，电池上存在缺陷的区域会成为少数载流子的强复合中心，导致这个位置上的少数载流子的数量变少，其红外光的发光强度就会降低，因而采用红外相机拍摄太阳能电池的电致发光图像，对所拍摄的图像进行图像处理便可捕捉到晶体硅太阳能电池的缺陷，进而检测其质量。这种检测技术也被称作电致发光成像检测技术。
目前太阳能电池电致发光图像大部分依靠人工检测，由于人的不确定因素较大，检测的标准很难达到一致，在人产生视觉疲劳时也更容易会出现误检和漏检，并且检测速度慢；而采用智能化设备进行缺陷检测，则存在着检测缺陷种类单一，抗干扰能力差，缺陷检测率和准确率低等问题。
发明内容
针对上述问题，本发明提出了一种基于图像的太阳能电池缺陷检测***，其中包括了一种用于检测太阳能电池缺陷的装置和一种太阳能电池缺陷的检测方法，实现太阳能电池生产制造过程中缺陷的实时检测。
技术方案一
一种用于检测太阳能电池缺陷的***，其特征在于：***包括箱体，直流电源，红外图像获取元件，图像传输元件，图像处理元件以及分类贴标装置，
箱体顶面属于全透明材质，底部安装有红外图像获取元件，箱体内部为密闭黑暗空间；
直流电源用于提供太阳能电池电致发光检测的正向偏置电压；
给放置于箱体顶面上方处的太阳能电池外加正向偏置电压，红外图像获取元件捕捉到电致发光图像，通过图像传输元件传送至图像处理元件，通过一系列图像处理操作检测缺陷，得到存在的缺陷种类和所在位置；
若检测存在缺陷，分类贴标装置将根据检测结果将对应的缺陷种类标签贴于太阳能电池对应位置上，并将存在缺陷的太阳能电池进行回收处理，如返工或者废弃。
特别地，红外图像获取元件主要指红外相机，可以但不仅限为CCD红外相机、CMOS红外相机等，用于拍摄提供太阳能电池电致发光测试图像；图像传输元件可以包括网线、路由器等用于传输图像的装置或设备；图像处理元件是指具有一个或多个处理器的电子设备，可以但不仅限为电脑、服务器等，同时应具有可读存储器，用于存储检测程序和检测结果。
技术方案二
一种太阳能电池缺陷的检测方法,由于太阳能电池缺陷种类多样，针对目前智能化设备进行缺陷检测时存在检测类别单一的问题，其特征在于，结合了基于传统图像处理的检测方式和基于卷积神经网络的检测方式，可对多种太阳能电池缺陷进行实时检测。对于黑片、虚焊、破片等缺陷特征较为明显的缺陷通过传统图像处理方式进行检测，而由于裂片的裂纹缺陷容易与图像中的噪声混淆，则采用了基于卷积神经网络的方式进行检测。
具体的检测方法步骤如下：
步骤1，获取太阳能电池电致发光图像；
步骤2，图像预处理，对图像获取元件抓拍的太阳能电池电致发光图像进行畸变矫正、旋转、裁剪等；提供给步骤3、步骤5；
步骤3，采用自适应二值化、图像滤波、检测闭合区域、求取外接矩形等一系列操作分割提取单体太阳能电池块图像，便于步骤4进一步的缺陷检测；
步骤4，对每块的单体太阳能电池图像依次进行黑片、虚焊、破片和裂纹缺陷的检测，其中采用传统图像处理方法检测黑片、虚焊和破片缺陷，利用预训练的裂纹神经网络检测模型检测裂片缺陷；
步骤5，将步骤4检测结果对应显示在通过步骤2之后的图像中；
步骤6，图像拼接，当适用于待检测的太阳能电池由多块单体太阳能电池组成的应用时，检测时获取图像使用到两个或者两个以上的图像获取元件，故最终需要将不同图像获取元件抓拍的图像检测结果拼接成与太阳能电池实物对应的一张图像；
步骤7，保存最终的检测结果，最终的检测结果包括拼接后与实物对应的一张图像以及存在的缺陷种类和位置信息，分类贴标装置将根据检测结果对检测完毕的太阳能电池进行贴标处理。
步骤3中分割提取单体太阳能电池块图像时，采用常见的滤波器对自适应二值化处理后的图像进行平滑去噪的效果均不显著，无法达到预期效果。为此，构造了一个如下式(1)的核算子进行卷积滤波，达到了预期滤波效果，便于下一步的检测闭合区域操作等。
其中f(i,j)是卷积滤波后图像中第i行第j列的像素值，I(i+m,j+n)是滤波前图像中第i+m行第j+n列的像素值，K(m,n)为m*n大小的滤波器，也称之为核算子。
步骤4中,基于传统图像处理的检测方式,对于黑片、虚焊、破片等缺陷像素分布特征是通过如下方式分析得到的：
获取带有不同缺陷的太阳能电池电致发光图像样本,按缺陷种类将太阳能电池电致发光图像样本分类；
画出每种缺陷太阳能电池电致发光图像的灰度直方图；
通过分析灰度直方图得到各缺陷像素分布特征；
根据已获得的像素分布特征，通过统计学方法、图像二值化、图像滤波平滑、轮廓提取和特征匹配的方式检测缺陷，得到缺陷的种类和位置信息；
根据缺陷位置信息，在图像中以矩形框的形式框选出缺陷区域并将种类标注在矩形框边上。
对于于黑片缺陷检测，统计太阳能电池电致发光灰度图像中像素值小于100的数量，当像素值小于100的像素个数超过整张图像总像素个数的85％，即检测判定为黑片缺陷，整张图像即为黑片缺陷位置。
对于虚焊缺陷检测，计算整张灰度图像的平均像素值a，根据下式选取阈值thf对灰度图像进行全局二值化处理，然后从图像顶端自上向下滑窗统计窗口内黑色像素值个数，其中滑窗大小为与图像同宽，长为图像长度的1/10，每次滑窗步长为窗口的长度，当窗口内黑色像素个数占整个窗口像素个数的90％，即检测判定为虚焊缺陷，相应滑窗位置即为虚焊缺陷位置。
对于破片缺陷检测，同样计算整张灰度图像的平均像素值a，根据下式选取阈值thb对灰度图像进行全局二值化处理，并进行图像滤波平滑，提取黑色块的轮廓便于计算其面积和最小外接圆面积，根据下式计算面积比k，其中s为黑色块面积，Sr为黑色块最小外接圆面积，剔除面积小于300的黑色块和面积比k小于25％的黑色块，若仍存在黑色块，即检测判定为破片缺陷，黑色块位置即为破片缺陷位置。
步骤4中,基于卷积神经网络的检测方式包括：获取待检测的太阳能电池电致发光图像；将图像输入预训练的裂纹神经网络检测模型；输出结果，结果包括存在的缺陷种类和位置信息，若存在裂纹，则在图像中用矩形框框出裂纹位置并在矩形框边上标注出裂纹缺陷。
预训练的裂纹神经网络检测模型是通过如下方式得到的：获取带有裂纹缺陷的太阳能电池电致发光图像样本；对裂纹缺陷区域进行人工标注，标注信息包括位置和种类；将标注好的样本随机打乱，按1：1：1比例分为训练集、验证集和测试集；将标注信息和图像输入到卷积神经网络模型中进行训练，通过标注信息，神经网络模型从图像中获取到裂纹缺陷区域作为裂纹特征图输入，同时将标注信息中的裂纹种类和位置信息作为模型的期望输出，训练得到裂纹神经网络检测模型。
在本发明中，采用的卷积神经网络模型可以为Faster R-CNN网络、R-FCN网络、Mask R-CNN网络和YOLO网络等，这些卷积神经网络模型是目前图像检测领域广泛研究和应用的公知技术，在此不再赘述。
步骤4中,裂片缺陷的检测执行主体是一个预训练的裂纹神经网络检测模型，采用的卷积神经网络模型可以为Faster R-CNN网络、R-FCN网络、Mask R-CNN网络和YOLO网络等，该检测模型是通过如下方式得到的：
步骤4.1，获取带有裂纹缺陷的太阳能电池电致发光图像样本；
步骤4.2，对裂纹缺陷区域进行人工标注，标注信息包括位置和种类；将标注好的样本随机打乱，按1：1：1比例分为训练集、验证集和测试集；
步骤4.3，将标注信息和图像输入到卷积神经网络模型中进行训练，通过标注信息，神经网络模型从图像中获取到裂纹缺陷区域作为裂纹特征图输入，同时将标注信息中的裂纹种类和位置信息作为模型的期望输出，训练得到裂纹神经网络检测模型。
根据检测结果实时对太阳能电池进行分类，实现太阳能电池生产制造过程中缺陷的实时检测。
附图说明
图1示出本发明的装置示意图；
图2示出本发明的检测流程图；
图3示出本发明的检测程序流程图；
图4a至图4c示出本发明实施例中图像预处理的过程；
图5示出本发明具体实施例中各类缺陷单体太阳能电池块的灰度图像直方图：
从上至下依次为裂片、黑片、虚焊和破片缺陷的单体太阳能电池块灰度图像直方图；
图6示出本发明实施例中单体太阳能电池图像的分割提取示意图；
图7示出一个具体实施例中的最终检测结果图像；
统一术语及数字标记说明：
1太阳能电池电致发光检测提供正向偏置电压的直流电源，2待检测的太阳能电池，3箱体，4安装在箱体内底部的红外图像获取元件，5图像传输元件，6图像处理元件，7分类贴标装置。
具体实施方式
下面将结合具体实施例及其附图对本发明作进一步详细的说明。
本发明针对太阳能电池生产制造过程中出现的各种缺陷问题，提出了一种基于图像的太阳能电池缺陷检测***。该***提供了一套用于检测的装置和一种检测缺陷的方法，该检测方法基于传统的图像处理方式检测黑片、虚焊和破片等缺陷，采用基于卷积神经网络的方式检测裂片缺陷，实现了太阳能电池生产制造过程中缺陷的实时检测。
下面以一个具体实施例来说明整个检测***的工作流程和原理。图1是本发明实施例中的装置示意图，1是为太阳能电池电致发光检测提供正向偏置电压的直流电源，2是待检测的太阳能电池，3是箱体，4是安装在箱体内底部的红外图像获取元件，5是图像传输元件，6是图像处理元件，7是分类贴标装置(该装置本身为现有技术，可以根据检测结果将对应的缺陷种类标签贴于太阳能电池对应位置上)。
步骤1，待检测的太阳能电池片到达图1中2所示位置，太阳能电池正极与直流电源输出正极接通，太阳能电池负极与直流电源输出负极接通，构成闭合回路，直流电源工作，太阳能电池发生电致发光现象；
步骤2，电路导通时硬件触发红外图像获取元件抓拍太阳能电池电致发光图像；
步骤3，太阳能电池电致发光图像通过传输元件传输至图像处理元件，图像处理元件上已保存并运行着缺陷检测程序，当图像传输完成时，根据图3所示的检测程序流程图，先进行图像的预处理，包括有图像的畸变矫正、旋转和裁剪等，接着采用自适应二值化、图像滤波、检测闭合区域、求取外接矩形等一系列操作分割提取单体太阳能电池块图像，然后对分割提取的每个单体太阳能电池块图像依次进行黑片、虚焊、破片和裂片缺陷的检测。
步骤4，将检测结果存储于图像处理元件中，若检测太阳能电池上存在有缺陷，分类贴标装置7根据检测结果将对应的缺陷种类标签贴于太阳能电池的对应位置上，并对太阳能电池进行回收，等待进一步处理，例如返工或废弃等；若不存在缺陷，则将太阳能电池送入下一道制造工序中。
步骤5，等待下一块待检测的太阳能电池送达后回到步骤1中。
上述步骤是整个***的工作流程，实现了多种太阳能电池缺陷的实时检测。
在此具体实施例中，步骤3中图像的预处理过程如图4a至图4c所示，图4a为图像获取元件抓拍的原始图像，经过畸变矫正和旋转处理后得到图4b，然后选取中间的三块单体太阳能电池块图像为主体检测对象，进行图像裁剪得到图4c。
特别地，在一些具体实施例中，需要根据待检测的太阳能电池组件排列方式选择需要裁剪的主体检测对象，例如只有一块单体太阳能电池片时，则只裁剪得到该单体太阳能电池块图像即可。
在一些具体实施例中，为了便于缺陷检测，需要对图像预处理后得到的太阳能电池图像分割提取每个单体太阳能电池块图像，使用到图像分割技术，具体包括自适应二值化、图像滤波、检测闭合区域、求取外接矩形等一系列操作。在本发明实施例中，分割提取单体太阳能电池块图像时，采用常见的滤波器对自适应二值化处理后的图像进行平滑去噪的效果均不显著，无法达到预期效果。为此，本发明实施例构造了一个如下式(1)的核算子进行卷积滤波，达到了预期滤波效果，便于下一步的检测闭合区域操作等。
其中f(i,j)是卷积滤波后图像中第i行第j列的像素值，I(i+m,j+n)是滤波前图像中第i+m行第j+n列的像素值，K(m,n)为m*n大小的滤波器，也称之为核算子。在本发明中，步骤3中黑片、虚焊、破片等缺陷的检测是采用基于传统图像处理的检测方式，裂片缺陷的检测是采用基于卷积神经网络的检测方式。
其中，黑片、虚焊、破片等缺陷像素分布特征是通过如下方式分析得到的：
步骤1，获取带有不同缺陷的太阳能电池电致发光图像样本，并按缺陷种类将太阳能电池电致发光图像样本分类；
步骤2，画出每种缺陷太阳能电池电致发光图像的灰度直方图；
步骤3，通过分析灰度直方图得到各缺陷像素分布特征。
根据所分析得到的各缺陷像素分布特征，黑片、虚焊、破片等缺陷具体的检测方法如下：
对于黑片缺陷，统计太阳能电池电致发光灰度图像中像素值小于100的数量，当像素值小于100的像素个数超过整张图像总像素个数的85％，即检测判定为黑片缺陷，整张图像即为黑片缺陷位置。
对于虚焊缺陷，计算整张灰度图像的平均像素值a，根据下式选取阈值thf对灰度图像进行全局二值化处理，然后从图像顶端自上向下滑窗统计窗口内黑色像素值个数，其中滑窗大小为与图像同宽，长为图像长度的1/10，每次滑窗步长为窗口的长度，当窗口内黑色像素个数占整个窗口像素个数的90％，即检测判定为虚焊缺陷，相应滑窗位置即为虚焊缺陷位置。
对于破片缺陷，同样计算整张灰度图像的平均像素值a，根据下式选取阈值thb对灰度图像进行全局二值化处理，并进行图像滤波平滑，提取黑色块的轮廓便于计算其面积和最小外接圆面积，根据下式计算面积比k，其中s为黑色块面积，Sr为黑色块最小外接圆面积，剔除面积小于300的黑色块和面积比k小于25％的黑色块，若仍存在黑色块，即检测判定为破片缺陷，黑色块位置即为破片缺陷位置。
对于裂片缺陷的检测执行主体是一个预训练的裂纹神经网络检测模型，该检测模型是通过如下方式得到的：
步骤1，获取带有裂纹缺陷的太阳能电池电致发光图像样本；
步骤2，对裂纹缺陷区域进行人工标注，标注信息包括位置和种类；将标注好的样本随机打乱，按1：1：1比例分为训练集、验证集和测试集；
步骤3，将标注信息和图像输入到卷积神经网络模型中进行训练，通过标注信息，神经网络模型从图像中获取到裂纹缺陷区域作为裂纹特征图输入，同时将标注信息中的裂纹种类和位置信息作为模型的期望输出，训练得到裂纹神经网络检测模型。
特别地，在一些具体实施例中，需要根据图像样本的数量质量等调整初始卷积神经网络模型的参数，训练预设结束条件可以包括但不限于以下中的至少一项：实际训练时间超过预设训练时间；实际训练次数超过预设训练次数；损失函数计算所的差异小于预设差异阈值。
进行裂片缺陷检测时，将待检测的单体太阳能电池图像输入到预训练完毕的裂纹神经网络检测模型中，则可以得到是否存在裂纹以及裂纹的位置，达到裂片缺陷检测目的。
当所有缺陷类型检测完成后，将所记录的缺陷种类和位置一一对应标注于图像预处理后得到的图像中，得到该图像获取元件抓拍检测的结果图像。
特别地，在一些具体实施例中，进行缺陷检测时使用到不止一个红外图像获取元件，故进行实时缺陷检测时，需要将每个图像获取元件抓拍检测的结果图像拼接为一张与待检测太阳能电池实物对应的检测结果图像，如图7所示。
在本发明实施例中，经实验测试得到，黑片缺陷的检测正确率达到100％，误检率为0；虚焊、破片和裂片缺陷的检测正确率均达到99.5％，虚焊、破片缺陷误检率均小于0.5％，裂片缺陷的误检率小于2％。同时，经实验测试得到，检测每块单体太阳能电池用时均小于0.25s，所以本发明实施例提出的基于图像的太阳能电池缺陷检测***达到了多种太阳能电池缺陷类型实时检测的目的。
上述描述仅是对本发明实施例的描述，并非是对本发明范围的任何限定。任何熟悉该领域的普通技术人员根据上述揭示的技术内容做出的任何变更或修饰均应当视为等同的有效实施例，均属于本发明涵盖的范围。
Claims (8)
1.一种用于检测太阳能电池缺陷的***，其特征在于：包括箱体，直流电源，红外图像获取元件，图像传输元件，图像处理元件以及分类贴标装置，
箱体顶面属于全透明材质，底部安装有红外图像获取元件，箱体内部为密闭黑暗空间；
直流电源用于提供太阳能电池电致发光检测的正向偏置电压；
给放置于箱体顶面上方处的太阳能电池外加正向偏置电压，红外图像获取元件捕捉到电致发光图像，通过图像传输元件传送至图像处理元件，通过一系列图像处理操作检测缺陷，得到存在的缺陷种类和所在位置；
若检测存在缺陷，分类贴标装置将根据检测结果将对应的缺陷种类标签贴于太阳能电池对应位置上，并将存在缺陷的太阳能电池进行回收处理，如返工或者废弃。
2.一种太阳能电池缺陷的检测方法，其特征在于，结合了基于传统图像处理的检测方式和基于卷积神经网络的检测方式，对多种太阳能电池缺陷进行实时检测；对于黑片、虚焊、破片等缺陷特征较为明显的缺陷通过传统图像处理方式进行检测，而由于裂片的裂纹缺陷容易与图像中的噪声混淆，则采用了基于卷积神经网络的方式进行检测；
具体的检测方法步骤如下：
步骤1，获取太阳能电池电致发光图像；
步骤2，图像预处理，对图像获取元件抓拍的太阳能电池电致发光图像进行畸变矫正、旋转、裁剪等；提供给步骤3、步骤5；
步骤3，采用自适应二值化、图像滤波、检测闭合区域、求取外接矩形等一系列操作分割提取单体太阳能电池块图像，便于步骤4进一步的缺陷检测；
步骤4，对每块的单体太阳能电池图像依次进行黑片、虚焊、破片和裂纹缺陷的检测，其中采用传统图像处理方法检测黑片、虚焊和破片缺陷，利用预训练的裂纹神经网络检测模型检测裂片缺陷；
步骤5，将步骤4检测结果对应显示在通过步骤2之后的图像中；
步骤6，图像拼接，当适用于待检测的太阳能电池由多块单体太阳能电池组成的应用时，检测时获取图像使用到两个或者两个以上的图像获取元件，故最终需要将不同图像获取元件抓拍的图像检测结果拼接成与太阳能电池实物对应的一张图像；
步骤7，保存最终的检测结果，最终的检测结果包括拼接后与实物对应的一张图像以及存在的缺陷种类和位置信息，分类贴标装置将根据检测结果对检测完毕的太阳能电池进行处理。
3.如权利要求2所述的方法，其特征在于，步骤3中分割提取单体太阳能电池块图像时，构造了一个如下式(1)的核算子进行卷积滤波，达到了预期滤波效果，便于下一步的检测闭合区域操作，
其中f(i,j)是卷积滤波后图像中第i行第j列的像素值，I(i+m,j+n)是滤波前图像中第i+m行第j+n列的像素值，K(m,n)为m*n大小的滤波器，也称之为核算子。
4.如权利要求2所述的方法，其特征在于，步骤4中,基于传统图像处理的检测方式,对于黑片、虚焊、破片等缺陷像素分布特征是通过如下方式分析得到的：
获取带有不同缺陷的太阳能电池电致发光图像样本,按缺陷种类将太阳能电池电致发光图像样本分类；
画出每种缺陷太阳能电池电致发光图像的灰度直方图；
通过分析灰度直方图得到各缺陷像素分布特征；
根据已获得的像素分布特征，通过统计学方法、图像二值化、图像滤波平滑、轮廓提取和特征匹配的方式检测缺陷，得到缺陷的种类和位置信息；
根据缺陷位置信息，在图像中以矩形框的形式框选出缺陷区域并将种类标注在矩形框边上。
5.如权利要求4所述的方法，其特征在于，对于于黑片缺陷检测，统计太阳能电池电致发光灰度图像中像素值小于100的数量，当像素值小于100的像素个数超过整张图像总像素个数的85％，即检测判定为黑片缺陷，整张图像即为黑片缺陷位置。
6.如权利要求4所述的方法，其特征在于，对于虚焊缺陷检测，计算整张灰度图像的平均像素值a，根据下式选取阈值thf对灰度图像进行全局二值化处理，然后从图像顶端自上向下滑窗统计窗口内黑色像素值个数，其中滑窗大小为与图像同宽，长为图像长度的1/10，每次滑窗步长为窗口的长度，当窗口内黑色像素个数占整个窗口像素个数的90％，即检测判定为虚焊缺陷，相应滑窗位置即为虚焊缺陷位置。
7.如权利要求4所述的方法，其特征在于，对于破片缺陷检测，同样计算整张灰度图像的平均像素值a，根据下式选取阈值thb对灰度图像进行全局二值化处理，并进行图像滤波平滑，提取黑色块的轮廓便于计算其面积和最小外接圆面积，根据下式计算面积比k，其中s为黑色块面积，Sr为黑色块最小外接圆面积，剔除面积小于300的黑色块和面积比k小于25％的黑色块，若仍存在黑色块，即检测判定为破片缺陷，黑色块位置即为破片缺陷位置。
8.如权利要求3所述的方法，其特征在于，步骤4中,基于卷积神经网络的检测方式包括：获取待检测的太阳能电池电致发光图像；将图像输入预训练的裂纹神经网络检测模型；输出结果，结果包括存在的缺陷种类和位置信息，若存在裂纹，则在图像中用矩形框框出裂纹位置并在矩形框边上标注出裂纹缺陷：
步骤4.1，获取带有裂纹缺陷的太阳能电池电致发光图像样本；
步骤4.2，对裂纹缺陷区域进行人工标注，标注信息包括位置和种类；将标注好的样本随机打乱，按1：1：1比例分为训练集、验证集和测试集；
步骤4.3，将标注信息和图像输入到卷积神经网络模型中进行训练，通过标注信息，神经网络模型从图像中获取到裂纹缺陷区域作为裂纹特征图输入，同时将标注信息中的裂纹种类和位置信息作为模型的期望输出，训练得到裂纹神经网络检测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010056024.4A CN111275679B (zh) | 2020-01-17 | 2020-01-17 | 一种基于图像的太阳能电池缺陷检测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010056024.4A CN111275679B (zh) | 2020-01-17 | 2020-01-17 | 一种基于图像的太阳能电池缺陷检测***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111275679A true CN111275679A (zh) | 2020-06-12 |
| CN111275679B CN111275679B (zh) | 2023-06-02 |
Family
ID=71003018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010056024.4A Active CN111275679B (zh) | 2020-01-17 | 2020-01-17 | 一种基于图像的太阳能电池缺陷检测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111275679B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112039439A (zh) * | 2020-07-15 | 2020-12-04 | 华东师范大学 | 一种太阳能电池缺陷的自动检测***及检测方法 |
| CN112858258A (zh) * | 2020-12-29 | 2021-05-28 | 泰州隆基乐叶光伏科技有限公司 | 光伏器件动态el测试设备及测试方法 |
| CN112967266A (zh) * | 2021-03-23 | 2021-06-15 | 武汉大学 | 一种全卷积神经网络的激光定向能量沉积面积计算方法 |
| CN113198737A (zh) * | 2021-04-09 | 2021-08-03 | 重庆骏萱新能源科技有限公司 | 成品电池组快速检测工艺 |
| CN113588562A (zh) * | 2021-09-30 | 2021-11-02 | 高视科技(苏州)有限公司 | 应用多轴机械臂的锂电池外观检测方法 |
| CN113781448A (zh) * | 2021-09-14 | 2021-12-10 | 国电四子王旗光伏发电有限公司 | 一种基于红外图像分析的光伏电站组件智能缺陷识别方法 |
| CN113965164A (zh) * | 2021-12-20 | 2022-01-21 | 江苏格林保尔新能源有限公司 | 一种基于卷积神经网络的太阳能电池组件缺陷检测***及方法 |
| CN114161020A (zh) * | 2021-12-27 | 2022-03-11 | 中国电子科技集团公司第十八研究所 | 一种太阳电池电阻焊焊接质量监测方法及*** |
| KR102389315B1 (ko) * | 2020-10-16 | 2022-04-22 | 이지스로직 주식회사 | Ｙｏｌｏ를 이용한 태양광 패널 결함 검출용 드론 시스템 |
| CN114627122A (zh) * | 2022-05-16 | 2022-06-14 | 北京东方国信科技股份有限公司 | 一种缺陷检测方法及装置 |
| WO2022262054A1 (zh) * | 2021-06-18 | 2022-12-22 | 腾讯云计算（北京）有限责任公司 | 图像处理方法、装置、设备及存储介质 |
| WO2024031936A1 (zh) * | 2022-08-11 | 2024-02-15 | 中国华能集团清洁能源技术研究院有限公司 | 一种透明导电薄膜质量检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109256341A (zh) * | 2018-08-10 | 2019-01-22 | 北京百度网讯科技有限公司 | 用于检测单晶硅太阳能电池的方法和装置 |
| WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
-
2020
- 2020-01-17 CN CN202010056024.4A patent/CN111275679B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
| CN109256341A (zh) * | 2018-08-10 | 2019-01-22 | 北京百度网讯科技有限公司 | 用于检测单晶硅太阳能电池的方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 沈凌云;朱明;陈小云: "基于径向基神经网络的太阳能电池缺陷检测", 发光学报 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112039439A (zh) * | 2020-07-15 | 2020-12-04 | 华东师范大学 | 一种太阳能电池缺陷的自动检测***及检测方法 |
| KR102389315B1 (ko) * | 2020-10-16 | 2022-04-22 | 이지스로직 주식회사 | Ｙｏｌｏ를 이용한 태양광 패널 결함 검출용 드론 시스템 |
| CN112858258A (zh) * | 2020-12-29 | 2021-05-28 | 泰州隆基乐叶光伏科技有限公司 | 光伏器件动态el测试设备及测试方法 |
| CN112858258B (zh) * | 2020-12-29 | 2024-06-07 | 泰州隆基乐叶光伏科技有限公司 | 光伏器件动态el测试设备及测试方法 |
| CN112967266A (zh) * | 2021-03-23 | 2021-06-15 | 武汉大学 | 一种全卷积神经网络的激光定向能量沉积面积计算方法 |
| CN112967266B (zh) * | 2021-03-23 | 2024-02-06 | 湖南珞佳智能科技有限公司 | 一种全卷积神经网络的激光定向能量沉积面积计算方法 |
| CN113198737A (zh) * | 2021-04-09 | 2021-08-03 | 重庆骏萱新能源科技有限公司 | 成品电池组快速检测工艺 |
| WO2022262054A1 (zh) * | 2021-06-18 | 2022-12-22 | 腾讯云计算（北京）有限责任公司 | 图像处理方法、装置、设备及存储介质 |
| CN113781448B (zh) * | 2021-09-14 | 2024-01-23 | 国电四子王旗光伏发电有限公司 | 一种基于红外图像分析的光伏电站组件智能缺陷识别方法 |
| CN113781448A (zh) * | 2021-09-14 | 2021-12-10 | 国电四子王旗光伏发电有限公司 | 一种基于红外图像分析的光伏电站组件智能缺陷识别方法 |
| CN113588562A (zh) * | 2021-09-30 | 2021-11-02 | 高视科技(苏州)有限公司 | 应用多轴机械臂的锂电池外观检测方法 |
| CN113965164A (zh) * | 2021-12-20 | 2022-01-21 | 江苏格林保尔新能源有限公司 | 一种基于卷积神经网络的太阳能电池组件缺陷检测***及方法 |
| CN114161020A (zh) * | 2021-12-27 | 2022-03-11 | 中国电子科技集团公司第十八研究所 | 一种太阳电池电阻焊焊接质量监测方法及*** |
| CN114161020B (zh) * | 2021-12-27 | 2023-08-04 | 中电科蓝天科技股份有限公司 | 一种太阳电池电阻焊焊接质量监测方法及*** |
| CN114627122A (zh) * | 2022-05-16 | 2022-06-14 | 北京东方国信科技股份有限公司 | 一种缺陷检测方法及装置 |
| WO2024031936A1 (zh) * | 2022-08-11 | 2024-02-15 | 中国华能集团清洁能源技术研究院有限公司 | 一种透明导电薄膜质量检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111275679B (zh) | 2023-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111275679B (zh) | 一种基于图像的太阳能电池缺陷检测***及方法 | |
| CN105044122B (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测方法 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN111667455A (zh) | 一种刷具多种缺陷的ai检测方法 | |
| WO2023168972A1 (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
| CN113554631B (zh) | 一种基于改进网络的芯片表面缺陷检测方法 | |
| CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
| CN110942457A (zh) | 基于数字图像处理技术的太阳能电池板缺陷检测方法 | |
| CN109946304A (zh) | 基于特征匹配的零件表面缺陷在线检测***及检测方法 | |
| CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
| CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
| CN113962929A (zh) | 光伏电池组件缺陷检测方法、***及光伏电池组件生产线 | |
| CN112419261B (zh) | 具有异常点去除功能的视觉采集方法及装置 | |
| WO2023168984A1 (zh) | 一种基于面阵相机的阴极铜质量检测方法及*** | |
| CN115294031A (zh) | 基于红外热成像分析的光伏组件故障图像识别方法 | |
| CN114627082A (zh) | 一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法 | |
| CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
| CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
| CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
| CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
| CN114627122A (zh) | 一种缺陷检测方法及装置 | |
| CN107545565B (zh) | 一种太阳能网版检测方法 | |
| Huang et al. | Mango surface defect detection based on HALCON | |
| CN112116600A (zh) | 一种基于图像处理的光伏板计数方法 | |
| CN116542962A (zh) | 一种基于改进Yolov5m模型光伏电池缺陷检测方法 |
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 |