CN113674197B - 一种太阳能电池背面电极的分割方法 - Google Patents
一种太阳能电池背面电极的分割方法 Download PDFInfo
- Publication number
- CN113674197B CN113674197B CN202110753376.XA CN202110753376A CN113674197B CN 113674197 B CN113674197 B CN 113674197B CN 202110753376 A CN202110753376 A CN 202110753376A CN 113674197 B CN113674197 B CN 113674197B
- Authority
- CN
- China
- Prior art keywords
- electrode
- calculating
- value
- image
- maximum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 230000035040 seed growth Effects 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 33
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 13
- 229910052710 silicon Inorganic materials 0.000 claims description 13
- 239000010703 silicon Substances 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 10
- 238000012986 modification Methods 0.000 claims description 10
- 230000004048 modification Effects 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000002715 modification method Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 6
- 230000002950 deficient Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012733 comparative method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种太阳能电池背面电极的分割方法,该方法首先利用边缘强度投影和模板匹配方法依次获得电极的粗略位置和较精准位置;然后采用阈值法和种子生长法提取电极边缘点;最后利用边缘点生成一个闭合的区域来表示电极的形状。本发明能准确的采集各种类型的缺陷形状,具有良好的鲁棒性和兼容性,可用于在线检测。
Description
技术领域
本发明涉及机器视觉检测技术领域,具体涉及一种太阳能电池背面电极的分割方法。
背景技术
太阳能是一种可再生能源,具有容易获取、可持续利用、环保等优点。基于光伏效应,太阳能电池可以将太阳能转化为电能,因此太阳能电池有着很大的市场前景。但是,太阳能电池的生产是一个复杂的过程,在生产过程中出现任何意想不到的错误都会导致缺陷的发生,这可能会对电池造成很大的损害。因此,一个质量检测体系对于太阳能电池生产线是至关重要的。
为了识别和分割太阳能电池或其他工业产品中的各种缺陷,在过去的十年里,大量基于机器视觉的方法被提出。比如OTSU法,基于Canny的方法,离散余弦变换法(DCT),支持向量机法(SVM),但这些方法大多是针对特定类型的缺陷,如微裂纹、污渍、划痕、孔洞等与背景灰度不同的缺陷。
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背面电极的分割方法。
本发明的目的可以通过采取如下技术方案达到:
一种太阳能电池背面电极的分割方法,所述分割方法包括以下步骤:
S1、粗定位:利用投影法和多项式拟合法对电池硅片图像中的54个背面电极进行粗定位,经裁剪得到54个尺寸为128×158的粗定位图像Ir,r=1,2…54,每张粗定位图像包含一个电极;
S2、精定位:基于Sobel算子计算出粗定位图像Ir的梯度图Ic,利用最大值投影法计算梯度图Ic中每行和每列的最大值Px和Py,对Px和Py计算加权平均值并基于此得到电极精定位图像记为Id;
S3、边缘分割:根据精定位图像Id的梯度直方图,选取三个阈值,得到精定位图像Id对应的二值图像Idb,使用种子生长法选择目标边缘点从二值图像Idb中进一步对电极进行边缘分割得到边缘分割结果G123;
S4、区域生成:对边缘分割结果G123绘制封闭轮廓,得到最终分割出来的太阳能电池背面电极M3。
进一步地,所述步骤S1中对电极进行粗定位的过程如下:
S1.1、利用Sobel算子计算电池硅片图像水平和垂直两个方向的梯度,记为Gx和Gy:
其中,Ir为粗定位图像;
S1.2、采用均值投影法,通过计算Gx每一列的均值将Gx投影到Y轴上,记为My,通过计算Gy每一行的均值将Gy投影到X轴上,记为Mx;
S1.3、利用三阶多项式拟合Mx,拟合结果记为Mfx,并定义一个中间变量Mp为:
Mp=maximum(Mx-Mfx,0)
其中,maximum()表示取较大值;
S1.4、定义一个阈值Tm:
其中,np是Mp中大于0的个数,Mp(iT)是一维向量Mp第iT个值,iT的取值范围为从1到Nx,写作iT∈{1,2,…,Nx},Nx是Mx的长度;
S1.5、利用阈值Tm,将Mp进行二值化得到Bx=[Bx(1),Bx(2),…,Bx(iT),…]:
其中Bx(iT)是一维向量Bx的第iT个元素;
S1.6、从无缺陷的电池硅片样品中获取电极模板Tp,将Tp视为滑动窗口,在Bx上滑动,计算Tp和Bx交集最大的位置,即可得到电极所在的列位置;
S1.7、重复步骤S1.3-步骤S1.6进行电极行位置的粗定位,根据获取的电极行、列位置对硅片进行裁剪得到粗定位图像Ir。
进一步地,所述步骤S2中对电极进行精定位的过程如下:
S2.1、使用Sobel算子计算粗定位图像Ir的梯度图,记为Ic;
S2.2、采用最大值投影法,计算梯度图Ic每一行的最大值记为Px,计算梯度图Ic每一列的最大值记为Py;
S2.3、根据Py计算一个加权平均值,记为Aw,由下式得到:
其中,Py(j)是一维向量Py的第j个元素,wj=abs(j-ny/2),j∈{1,2,…,ny},ny是Py的长度,abs()表示的是绝对值操作;
S2.4、将Aw与Py在同一个坐标轴中表示出来,Aw与Py相交形成的闭合区域中面积最大的区域就是电极所在的位置,将该区域的两个端点P1和P2向Py两侧移动到最近的极小值点;
S2.5、对Px重复步骤S2.3和S2.4,最终得到一个电极的包围矩形,使用包围矩形从原图中裁剪出精定位图像Id。
进一步地,所述步骤S3中对电极进行边缘分割的过程如下:
S3.1、利用Sobel算子得到水平和垂直两个方向的梯度图Ix和Iy;
S3.2、经过一个5×5的高斯核模糊后,对梯度图Ix和Iy使用非极大值抑制来细化边缘;
S3.3、将梯度图Iy归一化到0~255范围内,计算其直方图Hy,再将Hy转换到0~1的概率范围,Hy的累加和,记为Asy,由下式计算:
其中,Hy(jH)是一维向量Hy的第jH个值,iA∈{1,2,…,255};
S3.4、阈值T满足以下的条件:
Asy(iA+1)>p&&Asy(iA)≤p
其中,&&表示逻辑与运算,p是给定的比例系数,此处,对于一个h×w图像,Iy的比例系数py(ip)定义为:
类似的,Ix的比例系数px(jp)定义为:
设置ip分别等于2、3、4,jp分别等于3、4、5,根据p的设计可以分别得到Iy和Ix各自的三个阈值,由高阈值到低阈值,从Iy得到3个二值图像,分别记为By1、By2和By3,从Ix得到3个二值图像,分别记为Bx1、Bx2和Bx3;
S3.5、使用“按位或”操作将两张对应的二值图像进行组合,再使用形态学闭操作来连接小间隙得到G1、G2和G3三幅图像,用公式表达为:
Gi=(Byi∪Bxi)⊙K
其中,∪表示按位或操作,⊙示形态学闭操作,K是一个3×3的结构元素,Bxi取值分别为Bx1、Bx2和Bx3,Byi取值分别为By1、By2和By3;
S3.6、G1的每一列中,pf和pl分别对应第一个和最后一个白点的位置。令pf和pl之间的点为1,其他的点为0,结果记为Mc;对G1中的每一行进行相同的操作,得到Mr,计算二者的并集,Mor=Mc∪Mr,获得一个掩模Mor,利用掩膜Mor消除G2和G3中的噪声点得到G2′和G3′:
G2′=G2·Mor
G3′=G3·Mor
其中,·表示点乘运算;
S3.7、采用一种基于种子生长的方法来选择目标边缘点:
Gs=G2′-G12
G3″=G3′-Gs
进一步地,所述步骤S4中区域生成过程如下:
S4.1、将轮廓分为上、下、左、右四个部分,分别表示为Pu、Pd、Pl和Pr;
S4.3、利用标志fud和曲线修改方法,对Pu使用最小值函数修改,对Pd使用最大值函数修改得到更新后的Pu和Pd;
S4.4、将Pu与一维向量k进行卷积运算消除Pu中由于噪声引起的剧烈跳变,过程如下:
S4.5、设置一个阈值Tu,若gu(i)>Tu,则将对应位置的标志置为1,否则置为0,gu(i)是gu的第i个元素,最后利用标志并使用线性插值法对Pu进一步更新,
S4.6、对Pd、Pl和Pr重复步骤S4.4和S4.5进行同样的处理;
S4.7、令Pu和Pd之间的点为1生成掩模M1,令Pl和Pr之间的点为1生成掩模M2,计算二者的交集:
M3=M1∩M2
其中,∩表示“按位与”运算,M3表示最后的结果,代表电极的区域。
进一步地,所述分割方法中利用标志向量F修改曲线C,过程如下:如果在一个连续的区间,如[a1,ak],其中a1,ak为区间的两个端点,且ak>a1,对任意iF∈[a1,ak],有F(iF)=1,对任意有F(iF)=0,F(iF)表示标志向量F的第iF个元素,则使用区间两端的相邻点C(a1-1),C(ak-1)通过一个函数f(C(a1-1),C(ak-1))计算整个区间的替代值,来取代曲线C在这个区间上的值,其中函数f根据不同的需求选取为最小值函数、最大值函数和线性插值函数中的一种。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明利用粗定位和精定位将硅片中的电极全部切割出来,去除了大部分不均匀、复杂的背景;
(2)电极最明显的特征是其周围或内部有较强的梯度强度。因此,梯度是用于分割电极的主要信息,通常情况下,梯度图的强度范围较大,很难选择一个阈值来区分目标和噪声。本发明中首先利用电极的形状先验,基于直方图选取了三个阈值,得到对应的二值图像,然后使用种子生长方法来选择目标边缘点得到了效果较优的边缘分割结果;
(3)本发明在区域生成中提出了一种利用标志修改曲线的方法,在基于边缘分割结果的基础上得到了电极最终的分割检测结果。
附图说明
图1是本发明中公开的太阳能电池背面电极分割方法的流程图;
图2是本发明中原始图像以及粗定位结果示意图;
图3是本发明中粗定位算法的主要变量示意图;
图4是本发明中精定位算法结果示意图;
图5是本发明边缘分割算法中的中间变量示意图,其中,图5(a)、图5(b)、图5(c)表示的是根据三个阈值获得的二值图像,图5(d)表示的是边缘分割的最终结果,图5(e)、图5(f)分别表示的是根据图5(a)和图5(b)得到的掩膜,图5(g)表示的是图5(e)和图5(f)的并集,即最终得到的掩膜,图5(h)是最终得到的电极区域;
图6是本发明使用标志修改曲线的示例图;
图7是本发明中四部分轮廓处理前后示意图,其中,图7(a)是上下部分轮廓处理前后示意图;图7(b)是左右部分轮廓处理前后示意图;
图8是不同方法的分割结果对比图,图8中从第一行到最后一行依次是:测试图像、标签,分别来自DCT-T、CED、DCT-SVM、FCN和PM的结果。
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
本实施例主要针对太阳能电池背面电极提出了一种智能分割技术,利用边缘强度投影和模板匹配方法依次获得电极的粗略位置和较精准位置;然后采用阈值法和种子生长法提取电极边缘点,最后利用边缘点生成一个闭合的区域来表示电极的形状。
图1是本实施例公开的一种太阳能电池背面电极分割方法的流程图,下面通过具体实施例来进行说明。一种太阳能电池背面电极分割方法,具体步骤如下:
S1、粗定位:利用投影法和多项式拟合法对电池硅片图像中的54个背面电极进行粗定位,经裁剪得到54个尺寸为128×158的粗定位图像Ir,r=1,2…54,每个粗定位图像包含一个电极,图2中显示了此步骤得到的粗定位结果,从图2可以明显看出所有的电极小矩形位置都被大致定位出来了;
S2、精定位:基于Sobel算子计算出粗定位图像Ir的梯度图Ic,利用最大值投影法计算梯度图Ic中每行和每列的最大值Px和Py,对Px和Py计算加权平均值并基于此得到包含电极精定位结果的梯度直方图Id,图4中对Px和Py均有显示,最终的精定位结果也在图4中显示出来,图4中的小矩形将整个电极包含在其中,同时,几乎没有过多的背景存在,精定位的效果十分显著;
S3、边缘分割:根据精定位图像Id的梯度直方图选取三个阈值,得到精定位图像Id对应的二值图像使用种子生长法选择目标边缘点从二值图像中进一步对电极进行边缘分割得到边缘分割结果G123,图5(a)、图5(b)、图5(c)就是基于选取的三个阈值,并进行相应的组合和形态学闭操作得到的初步边缘分割图像。图5(d)即为利用种子生长法在初步边缘分割结果的基础上得到的最终边缘分割结果;
S4、区域生成:对边缘分割结果G123绘制封闭轮廓,得到最终分割出来的太阳能电池背面电极M3,效果如图5(h)所示,边缘分割和区域生成的结果在精定位的基础上又有了进一步的提升,在保留电极的情况下尽最大的可能将所有的背景都成功剔除。
本发明提出的一种太阳能电池背面电极分割方法通过以下技术方案进一步实现:
本实施例中,步骤S1中对电极进行粗定位的具体过程如下:
S1.1、利用Sobel算子计算电池硅片图像水平和垂直两个方向的梯度,记为Gx和Gy:
其中,Ir为粗定位图像,由于电极周围有很强的梯度强度,利用Sobel算子可以很好的将电极的行列位置粗略的确定下来;
S1.2、采用均值投影法,通过计算Gx每一列的均值并将Gx投影到Y轴上,结果记为My,通过计算Gy每一行的均值并将Gy投影到X轴上,结果记为Mx,投影法是将二维矩阵转换为一维向量的常见方法;
S1.3、利用三阶多项式拟合Mx,拟合结果记为Mfx,在实践中对Mx以10为间隔进行采样来降低运算负担,并定义一个中间变量Mp为:
Mp=maximum(Mx-Mfx,0)
其中,maximum()表示取较大值;
S1.4、定义一个阈值Tm:
其中,np是Mp中大于0的个数,Mp(iT)是一维向量Mp第iT个值,iT的取值范围为从1到Nx,写作iT∈{1,2,…,Nx},Nx是Mx的长度;
S1.5、利用阈值Tm,将Mp进行二值化得到Bx=[Bx(1),Bx(2),…,Bx(iT),…]:
其中Bx(iT)是一维向量Bx的第iT个元素。在Bx中等于1的区域就是可能的电极列位置,Bx的结果如图3所示;
S1.6、从无缺陷的电池硅片样品中获取电极模板Tp,将Tp视为滑动窗口,在Bx上滑动,计算Tp和Bx交集最大的位置,即可得到电极所在的列位置;
S1.7、重复步骤S1.3-步骤S1.6进行电极行位置的粗定位,根据获取的电极行、列位置对硅片进行裁剪得到粗定位图像Ir。
本实施例中,步骤S2中对电极进行精定位的具体过程如下:
S2.1、使用Sobel算子计算粗定位图像Ir的梯度图,记为Ic;
S2.2、采用最大值投影法,计算梯度图Ic每一行的最大值记为Px,计算梯度图Ic每一列的最大值记为Py;
S2.3、根据Py计算一个加权平均值,记为Aw,由下式得到:
其中,Py(j)是一维向量Py的第j个元素,wj=abs(j-ny/2),j∈{1,2,…,ny},ny是Py的长度,abs()表示绝对值操作;
S2.4、将Aw与Py在同一个坐标轴中表示出来,Aw与Py相交形成的闭合区域中面积最大的区域就是电极所在的位置,将该区域的两个端点P1和P2向Py两侧移动到最近的极小值点;
S2.5、对Px重复步骤S2.4和S2.4,最终得到一个电极的包围矩形,使用包围矩形,从原图中裁剪出精定位图像Id。这样可以将电极定位在小范围内,因而能去除大部分不均匀、复杂的背景,为后续分割做进一步的铺垫。
本实施例中,步骤S3中对电极进行边缘分割的过程如下:
S3.1、利用Sobel算子得到水平和垂直两个方向的梯度图Ix和Iy;
S3.2、经过一个5×5的高斯核模糊后,对梯度图Ix和Iy使用非极大值抑制来细化边缘;
S3.3、将梯度图Iy归一化到0~255范围内,计算其直方图Hy,再将Hy转换到0~1的概率范围。Hy的累加和,记为Asy,由下式计算:
其中,Ny(jH)是一维向量Hy的第jH个值,iA∈{0,1,…,255};
S3.4、阈值T满足以下的条件:
Asy(iA+1)>p&&Asy(iA)≤p
其中,&&表示逻辑与运算,p是给定的比例系数,此处,对于一个h×w图像,Iy的比例系数py(ip)定义为:
类似的,Ix的比例系数px(jp)定义为:
设置ip分别等于2、3、4,jp分别等于3、4、5,根据p的设计可以分别得到Iy和Ix各自的三个阈值,由高阈值到低阈值,从Iy得到3个二值图像,分别记为By1、By2和By3,从Ix得到3个二值图像,分别记为Bx1、Bx2和Bx3;
S3.5、使用“按位或”操作将两张对应的二值图像进行组合,再使用形态学闭操作来连接小间隙得到G1、G2和G3三幅二值图像,用公式表达为:
Gi=(Byi∪Bxi)⊙K
其中,∪表示按位或操作,⊙表示形态学闭操作,K是一个3×3的结构元素;
S3.6、二值图像G1的每一列中,pf和pl分别对应第一个和最后一个白点的位置。令pf和pl之间的点为1,其他的点为0,结果记为Mc。对G1中的每一行进行相同的操作,得到Mr。计算二者的并集,Mor=Mc∪Mr,可获得一个掩模Mor,利用掩膜Mor消除G2和G3中的噪声点得到G2′和G3′:
G2′=G2·Mor
G3′=G3·Mor
其中,·表示点乘运算;
S3.7、采用一种基于种子生长的方法来选择目标边缘点:
Gs=G2′-G12
G3″=G3′-Gs
本实施例中,步骤S4中区域生成的过程如下:
S4.1、将轮廓分为上、下、左、右四个部分,分别表示为Pu、Pd、Pl和Pr;
S4.3、利用标志fud和曲线修改方法,对Pu使用最小值函数修改,Pd使用最大值函数修改得到更新后的Pu和Pd,利用标志修改曲线的示例图如图6所示,图6中展示的是利用线性插值函数y=1.25x+2来修改曲线C的过程,但在此处,选择最小值函数和最大值函数进行修改;
S4.4、将Pu与一维向量k进行卷积运算消除Pu中由于噪声引起的剧烈跳变,过程如下:
S4.5、设置一个阈值Tu,若gu(ig)>Tu,则将对应位置的标志置为1,否则置为0,gu(ig)是gu的第ig个元素,其中Tu在实验中设为10,使用线性插值法对Pu进一步更新;
S4.6、对Pd、Pl和Pr重复步骤S4.4和S4.5进行同样的处理;
S4.7、令Pu和Pd之间的点为1生成掩模M1,令Pl和Pr之间的点为1生成掩模M2,计算二者的交集:
M3=M1∩M2
其中,∩表示“按位与”运算,M3表示最后的结果,代表电极的区域,结果显示在图5(h)中;
在本实施例中,选取50幅有缺陷图像和50幅无缺陷图像作为测试集,训练集中包含25张缺陷图像和25张无缺陷图像。实施例中的所有方法都使用测试集进行性能评估,将四种方法与本发明提出的方法进行了比较,第一种方法是OTSU法加DCT,记为DCT-T。第二种方法是Canny边缘检测方法,记为CED,联合DCT和支持向量机(SVM)分类器是第三种方法,全连接网络(FCN)是最后一种方法。不同方法测量结果如下表1所示:
表1.两种形式的评价指标表
各度量标准定义如下:
其中,FP为TP分别是实验中的假阳性和真阳性,FN和TN分别为假阴性和真阴性。因此,FPR是实验中阴性像素被错判为阳性的比例,FNR则是阳性像素被错判为阴性的比例,MAE是错分类的像素占所有像素的比例。另外,三个评价指标会以两种形式计算,一种是像素级形式(pixel-wise form),用来评估分割方法的像素级精度,另一种是样本级形式(sample-wise form),用来评估方法识别缺陷的能力。利用分割结果,可以识别样本有无缺陷。在样本级形式中,FPR是阴性样本被错判为阳性样本的比例,FNR则是阳性样本被错判为阴性样本的比例,MAE是错分类的样本占所有样本的比例。
从表1可以看出,总的来说,PM的性能比实验中所有的比较方法都要好。
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 (5)
1.一种太阳能电池背面电极的分割方法,其特征在于,所述分割方法包括以下步骤:
S1、粗定位:利用投影法和多项式拟合法对电池硅片图像中的54个背面电极进行粗定位,经裁剪得到54个尺寸为128×158的粗定位图像Ir,r=1,2…54,每张粗定位图像包含一个电极;
S2、精定位:基于Sobel算子计算出粗定位图像Ir的梯度图Ic,利用最大值投影法计算梯度图Ic中每行和每列的最大值Px和Py,对Px和Py计算加权平均值并基于此得到电极精定位图像记为Id;
S4、区域生成:对边缘分割结果G123绘制封闭轮廓,得到最终分割出来的太阳能电池背面电极M3;
其中,所述步骤S1中对电极进行粗定位的过程如下:
S1.1、利用Sobel算子计算电池硅片图像水平和垂直两个方向的梯度,记为Gx和Gy:
其中,Ir为粗定位图像;
S1.2、采用均值投影法,通过计算Gx每一列的均值将Gx投影到Y轴上,记为My,通过计算Gy每一行的均值将Gy投影到X轴上,记为Mx;
S1.3、利用三阶多项式拟合Mx,拟合结果记为Mfx,并定义一个中间变量Mp为:
Mp=maximum(Mx-Mfx,0)
其中,maximum()表示取较大值;
S1.4、定义一个阈值Tm:
其中,np是Mp中大于0的个数,Mp(iT)是一维向量Mp第iT个值,iT的取值范围为从1到Nx,写作iT∈{1,2,…,Nx},Nx是Mx的长度;
S1.5、利用阈值Tm,将Mp进行二值化得到Bx=[Bx(1),Bx(2),…,Bx(iT),…]:
其中Bx(iT)是一维向量Bx的第iT个元素;
S1.6、从无缺陷的电池硅片样品中获取电极模板Tp,将Tp视为滑动窗口,在Bx上滑动,计算Tp和Bx交集最大的位置,即可得到电极所在的列位置;
S1.7、重复步骤S1.3-步骤S1.6进行电极行位置的粗定位,根据获取的电极行、列位置对硅片进行裁剪得到粗定位图像Ir。
2.根据权利要求1所述的一种太阳能电池背面电极的分割方法,其特征在于,所述步骤S2中对电极进行精定位的过程如下:
S2.1、使用Sobel算子计算粗定位图像Ir的梯度图,记为Ic;
S2.2、采用最大值投影法,计算梯度图Ic每一行的最大值记为Px,计算梯度图Ic每一列的最大值记为Py;
S2.3、根据Py计算一个加权平均值,记为Aw,由下式得到:
其中,Py(j)是一维向量Py的第j个元素,wj=abs(j-ny/2),j∈{1,2,…,ny},ny是Py的长度,abs()表示的是绝对值操作;
S2.4、将Aw与Py在同一个坐标轴中表示出来,Aw与Py相交形成的闭合区域中面积最大的区域就是电极所在的位置,将该区域的两个端点P1和P2向Py两侧移动到最近的极小值点;
S2.5、对Px重复步骤S2.3和S2.4进行同样的处理,最终得到一个电极的包围矩形,使用包围矩形从原图中裁剪出精定位图像Id。
3.根据权利要求1所述的一种太阳能电池背面电极的分割方法,其特征在于,所述步骤S3中对电极进行边缘分割的过程如下:
S3.1、利用Sobel算子得到水平和垂直两个方向的梯度图Ix和Iy;
S3.2、经过一个5×5的高斯核模糊后,对梯度图Ix和Iy使用非极大值抑制来细化边缘;
S3.3、将梯度图Iy归一化到0~255范围内,计算其直方图Hy,再将Hy转换到0~1的概率范围,Hy的累加和,记为Asy,由下式计算:
其中,Hy(jH)是一维向量Hy的第jH个值,iA∈{1,2,…,255};
S3.4、阈值T满足以下的条件:
Asy(iA+1)>p&&Asy(iA)≤p
其中,&&表示逻辑与运算,p是给定的比例系数,此处,对于一个h×w图像,Iy的比例系数py(ip)定义为:
类似的,Ix的比例系数px(jp)定义为:
设置ip分别等于2、3、4,jp分别等于3、4、5,根据p的设计可以分别得到Iy和Ix各自的三个阈值,由高阈值到低阈值,从Iy得到3个二值图像,分别记为By1、By2和By3,从Ix得到3个二值图像,分别记为Bx1、Bx2和Bx3;
S3.5、使用“按位或”操作将两张对应的二值图像进行组合,再使用形态学闭操作来连接小间隙得到G1、G2和G3三幅图像,用公式表达为:
Gi=(Byi∪Bxi)⊙K
其中,∪表示按位或操作,⊙示形态学闭操作,K是一个3×3的结构元素,Bxi取值分别为Bx1、Bx2和Bx3,Byi取值分别为By1、By2和By3;
S3.6、G1的每一列中,pf和pl分别对应第一个和最后一个白点的位置,令pf和pl之间的点为1,其他的点为0,结果记为Mc;对G1中的每一行进行相同的操作,得到Mr,计算二者的并集,Mor=Mc∪Mr,获得一个掩模Mor,利用掩膜Mor消除G2和G3中的噪声点得到G2′和G3′:
G2′=G2·Mor
G3′=G3·Mor
其中,·表示点乘运算;
S3.7、采用一种基于种子生长的方法来选择目标边缘点:
Gs=G2′-G12
G3″=G3′-Gs
4.根据权利要求3所述的一种太阳能电池背面电极的分割方法,其特征在于,所述步骤S4中区域生成过程如下:
S4.1、将轮廓分为上、下、左、右四个部分,分别表示为Pu、Pd、Pl和Pr;
S4.3、利用标志fud和曲线修改方法,对Pu使用最小值函数修改,对Pd使用最大值函数修改得到更新后的Pu和Pd;
S4.4、将Pu与一维向量k进行卷积运算消除Pu中由于噪声引起的剧烈跳变,过程如下:
S4.5、设置一个阈值Tu,若gu(i)>Tu,则将对应位置的标志置为1,否则置为0,gu(i)是gu的第i个元素,最后利用标志并使用线性插值法对Pu进一步更新,
S4.6、对Pd、Pl和Pr重复步骤S4.4和S4.5进行同样的处理;
S4.7、令Pu和Pd之间的点为1生成掩模M1,令Pl和Pr之间的点为1生成掩模M2,计算二者的交集:
M3=M1∩M2
其中,∩表示“按位与”运算,M3表示最后的结果,代表电极的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110753376.XA CN113674197B (zh) | 2021-07-02 | 2021-07-02 | 一种太阳能电池背面电极的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110753376.XA CN113674197B (zh) | 2021-07-02 | 2021-07-02 | 一种太阳能电池背面电极的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113674197A CN113674197A (zh) | 2021-11-19 |
CN113674197B true CN113674197B (zh) | 2022-10-04 |
Family
ID=78538503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110753376.XA Active CN113674197B (zh) | 2021-07-02 | 2021-07-02 | 一种太阳能电池背面电极的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674197B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044071A (zh) * | 2010-12-28 | 2011-05-04 | 上海大学 | 基于fpga的单像素边缘检测方法 |
EP3174008A1 (en) * | 2015-11-26 | 2017-05-31 | Thomson Licensing | Method and apparatus for determining a sharpness metric of an image |
CN112163587A (zh) * | 2020-09-30 | 2021-01-01 | 北京环境特性研究所 | 一种目标对象的特征提取方法、装置和计算机可读介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540040B (zh) * | 2008-03-21 | 2012-12-12 | 深圳迈瑞生物医疗电子股份有限公司 | 自动检测限束器边界的方法与装置 |
CN101465001B (zh) * | 2008-12-31 | 2011-04-13 | 昆山锐芯微电子有限公司 | 一种基于Bayer RGB的图像边缘检测方法 |
US20130022288A1 (en) * | 2011-07-20 | 2013-01-24 | Sony Corporation | Image processing apparatus and method for reducing edge-induced artefacts |
CN103925893B (zh) * | 2014-04-17 | 2017-01-11 | 广东正业科技股份有限公司 | 一种卷绕电池的质量检测方法 |
US10345046B2 (en) * | 2017-05-25 | 2019-07-09 | Northeastern University | Fault diagnosis device based on common information and special information of running video information for electric-arc furnace and method thereof |
CN110544231B (zh) * | 2019-07-24 | 2021-05-11 | 华南理工大学 | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 |
CN112819827B (zh) * | 2021-04-16 | 2021-08-06 | 高视科技(苏州)有限公司 | 基于极坐标变换的led电极偏移检测方法、设备及存储介质 |
-
2021
- 2021-07-02 CN CN202110753376.XA patent/CN113674197B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044071A (zh) * | 2010-12-28 | 2011-05-04 | 上海大学 | 基于fpga的单像素边缘检测方法 |
EP3174008A1 (en) * | 2015-11-26 | 2017-05-31 | Thomson Licensing | Method and apparatus for determining a sharpness metric of an image |
CN112163587A (zh) * | 2020-09-30 | 2021-01-01 | 北京环境特性研究所 | 一种目标对象的特征提取方法、装置和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113674197A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
CN103455991A (zh) | 一种多聚焦图像融合方法 | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN102609903B (zh) | 一种基于边缘流的活动轮廓模型图像分割的方法 | |
CN110738139A (zh) | 一种融合Min-Max目标的NIN车牌识别方法 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN111754538A (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN112668725A (zh) | 一种基于改进特征的金属洗手盆缺陷目标训练方法 | |
CN116385495A (zh) | 一种动态背景下红外视频的运动目标闭环检测方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN113763404B (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN113674197B (zh) | 一种太阳能电池背面电极的分割方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN112101058A (zh) | 一种试卷条码自动识别方法及装置 | |
CN108053402B (zh) | 一种缺陷图像分割方法 | |
CN115775278A (zh) | 包含局部特征约束的元件识别定位方法及***、存储介质 | |
CN111915633A (zh) | 一种铸件边缘检测方法及装置 | |
CN111553868A (zh) | 一种基于改进sobel算子的隧道反射率影像滤波方法 | |
CN116818778B (zh) | 一种汽车部件快速智能检测方法及*** | |
CN109271986B (zh) | 一种基于Second-Confirm的数字识别方法 | |
CN117789214B (zh) | 一种芯片表面字符识别方法、***及存储介质 |
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 |