CN115049645A - 一种太阳能电池板表面缺陷检测方法 - Google Patents
一种太阳能电池板表面缺陷检测方法 Download PDFInfo
- Publication number
- CN115049645A CN115049645A CN202210964410.2A CN202210964410A CN115049645A CN 115049645 A CN115049645 A CN 115049645A CN 202210964410 A CN202210964410 A CN 202210964410A CN 115049645 A CN115049645 A CN 115049645A
- Authority
- CN
- China
- Prior art keywords
- gray
- area
- window
- gray level
- image
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种太阳能电池板表面缺陷检测方法。采集待检测电池板表面灰度图像;对待检测电池板表面灰度图像进行灰度分级,得到电池板区域灰度图像;提取电池板区域灰度图像中的所有栅线,根据相邻栅线之间的距离设定窗口尺寸对栅线区域进行分割,得到多个窗口;构建每个窗口的灰度尺寸区域矩阵,根据每个窗口的灰度尺寸区域矩阵中每个灰度级像素点构成的连通域面积获取每个窗口的高灰度区域强调特征值;根据每个窗口的高灰度区域强调特征值对待检测电池板表面进行缺陷检测,并确定缺陷类型。本发明在保留原图像栅线的基础上对电池板中的缺陷进行检测,同时能够准确区分出斑点缺陷和轮印缺陷,具有精确的识别效果。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种太阳能电池板表面缺陷检测方法。
背景技术
太阳能作为地球上的主要能量来源,其清洁、安全丰富、可再生的特点使其备受关注,太阳能电池的开发和利用为实现保护地球环境做出了相当大的贡献,依托太阳能发展起来的太阳能电池应用也越来越广泛,太阳能电池板表面缺陷较常见的就是纹理缺陷,主要包括斑点、轮印(指纹)等,成因是人工操作失误或生产太阳能电池板某个或某些机器压力过大,以至于产品无法达到生产质量的需求,因此需要对太阳能电池板进行缺陷检测的同时区分缺陷类别,然后根据具体的缺陷类型对太阳能电池板进行相关的维修处理。
目前对太阳能电池板通常采用计算机视觉技术进行缺陷检测,但是现有技术中首先需要对太阳能电池板进行形态学处理,将太阳能电池板中的栅线等纹理去除,从而对得到的遮罩图像进行缺陷检测,此种方法对图像预处理的工作量较大,同时进行栅线去除时容易将缺陷部分的特征一并去除,导致无法判断检测出的缺陷类型,且目前其他检测技术例如通过红外检测设备进行缺陷检测等均只能检测出太阳能电池板表面存在缺陷以及缺陷位置,无法区分太阳能电池板中存在的缺陷类型是斑点还是轮印。
因此,为了解决现有技术中无法区分缺陷类型是斑点还是轮印的问题,本发明提出了一种太阳能电池板表面缺陷检测方法。
发明内容
本发明提供一种太阳能电池板表面缺陷检测方法,以解决现有技术中无法区分缺陷类型是斑点还是轮印的问题,包括:采集待检测电池板表面灰度图像;对待检测电池板表面灰度图像进行灰度分级,得到电池板区域灰度图像;提取电池板区域灰度图像中的所有栅线,根据相邻栅线之间的距离设定窗口尺寸对栅线区域进行分割,得到多个窗口;构建每个窗口的灰度尺寸区域矩阵,根据每个窗口的灰度尺寸区域矩阵中每个灰度级像素点构成的连通域面积获取每个窗口的高灰度区域强调特征值;根据每个窗口的高灰度区域强调特征值对待检测电池板表面进行缺陷检测,并确定缺陷类型。
本发明通过对图像进行灰度级划分,从而方便后续将轮印缺陷和斑点缺陷的特征更好的划分出来,同时保留电池板的栅线,提高了图像预处理的效率的同时保证了图像中缺陷的特征不会被淡化,进一步根据栅线区域进行窗口划分,能够在识别出缺陷的同时获取缺陷的具***置,最终根据太阳能电池板中斑点缺陷和轮印缺陷的灰度表现特征采用灰度尺寸区域矩阵进行识别,进而通过高灰度区域强调指标对缺陷类别进行准确区分,实现了对太阳能电池板的缺陷检测,具有较高的检测精度和检测效率。
本发明采用如下技术方案:一种太阳能电池板表面缺陷检测方法,包括:
采集待检测电池板表面灰度图像。
对待检测电池板表面灰度图像进行灰度分级,得到电池板区域灰度图像。
提取电池板区域灰度图像中的所有栅线,得到电池板区域灰度图像的栅线区域。
根据相邻栅线之间的距离设定窗口尺寸,利用设定尺寸的窗口对栅线区域进行分割,得到多个窗口。
构建每个窗口的灰度尺寸区域矩阵,根据每个窗口的灰度尺寸区域矩阵中每个灰度级像素点构成的连通域面积获取每个窗口的高灰度区域强调特征值。
根据每个窗口的高灰度区域强调特征值对待检测电池板表面进行缺陷检测,并确定缺陷类型。
进一步的,一种太阳能电池板表面缺陷检测方法,对待检测电池板表面灰度图像进行灰度分级,得到电池板区域灰度图像的方法为:
建立待检测电池板表面灰度图像的灰度直方图,对灰度直方图进行曲线拟合;
将曲线中灰度从低到高的第一个波谷对应的灰度值作为背景灰度级;
将大于背景灰度级的所有灰度值平均划分为多个灰度级,获取每个灰度级中像素点的个数;
根据灰度值大于背景灰度级的所有像素点得到电池板区域灰度图像。
进一步的,一种太阳能电池板表面缺陷检测方法,获取电池板区域灰度图像的栅线区域的方法为:
提取电池板区域灰度图像中的所有栅线,根据栅线长度以及所有栅线的条数构建包围框区域,将该包围框区域作为栅线区域。
进一步的,一种太阳能电池板表面缺陷检测方法,利用设定尺寸的窗口对栅线区域进行分割的方法为:
获取相邻栅线间的距离作为一个栅线宽度,将两个栅线宽度作为窗口边长;
根据设定的边长得到窗口尺寸,根据设定尺寸的窗口在栅线区域进行连续分割;
获取设定的窗口边长分别在栅线区域的长和宽所占的比例,分别根据在栅线区域的长和宽所占的比例得到栅线区域中划分的窗口个数。
进一步的,一种太阳能电池板表面缺陷检测方法,获取每个窗口的高灰度区域强调特征值的方法为:
获取每个窗口的灰度尺寸区域矩阵中每个灰度级像素点构成的连通域面积;
根据每个灰度级像素点构成的连通域面积出现的频数获取每个窗口的高灰度区域强调特征值,表达式为:
进一步的,一种太阳能电池板表面缺陷检测方法,对待检测电池板表面进行缺陷检测的方法为:
建立阈值区间,根据待检测电池板表面灰度图像中每个窗口的高灰度区域强调特征值和阈值区间判断待检测电池板是否存在缺陷。
进一步的,一种太阳能电池板表面缺陷检测方法,确定缺陷类型的方法为:
本发明的有益效果是:本发明通过对图像进行灰度级划分,从而方便后续将轮印缺陷和斑点缺陷的特征更好的划分出来,同时保留电池板的栅线,提高了图像预处理的效率的同时保证了图像中缺陷的特征不会被淡化,进一步根据栅线区域进行窗口划分,能够在识别出缺陷的同时获取缺陷的具***置,最终根据太阳能电池板中斑点缺陷和轮印缺陷的灰度表现特征采用灰度尺寸区域矩阵进行识别,进而通过高灰度区域强调指标对缺陷类别进行准确区分,实现了对太阳能电池板的缺陷检测,具有较高的检测精度和检测效率。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种太阳能电池板表面缺陷检测方法结构示意图;
图2为本发明实施例的一种窗口划分示意图;
图3为本发明实施例的一种栅线区域包围框示意图。
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。
如图1所示,给出了本发明实施例的一种太阳能电池板表面缺陷检测方法结构示意图,包括:
101.采集待检测电池板表面灰度图像。
本发明针对的是太阳能电池板的表面纹理缺陷检测,所以需要通过布置相机采集电池板表面成像,防止采集图像有严重畸变,相机布置于电池板正上方,采用双侧光源对进行弱打光,采集电池板表面纹理图像。
对所采集到的电池板表面区域图像先进行灰度化,将三层通道信息转化为一层通道,减少图像处理的计算量,白色像素为255,黑色像素为0,纹理缺陷和表面栅线显示为高灰度值(偏白),而电池板背景区域为低灰度值(偏灰)。
102.对待检测电池板表面灰度图像进行灰度分级,得到电池板区域灰度图像。
对待检测电池板表面灰度图像进行灰度分级,得到电池板区域灰度图像的方法为:
建立待检测电池板表面灰度图像的灰度直方图,对灰度直方图进行曲线拟合;
将曲线中灰度从低到高的第一个波谷对应的灰度值作为背景灰度级;
将大于背景灰度级的所有灰度值平均划分为多个灰度级,获取每个灰度级中像素点的个数;
根据灰度值大于背景灰度级的所有像素点得到电池板区域灰度图像。
本发明进一步对灰度图像进行灰度降级处理,首先电池板表面整体灰度值(0-255)分布比较乱,直接处理的话,计算量很大且无针对性,而且如果直接对其进行相关灰度降级操作,会很容易把部分情况的轮印和斑点的部分灰度值较为相近像素划分为同一个等级,降低了缺陷检测的准确度,因此为了防止发生此类混淆,本发明先对整体图像进行灰度直方图统计,从而确定阈值范围,使得低于阈值的背景部分整体划分为一个灰度等级,而后对剩余像素进行更进一步的灰度级划分,使得轮印和斑点中较相近的灰度表现也能更清晰地分离开来。
本发明对整体图像的灰度直方图进行统计,能够得到明显地峰值分布,在无缺陷时,栅线和电极是有集中趋势的高灰度像素;在有斑点缺陷时,栅线、斑点和电极具有集中趋势的灰度峰值;在有轮印缺陷时,栅线和电极可呈现出较集中的峰值,而轮印的灰度分布更偏向于中间灰度峰,无论是否存在纹理缺陷,或者存在有哪种缺陷,低灰度值的背景永远是有很明显的峰值分布,本发明需要将低灰度的背景区域尽量划分为一个灰度值,再对剩下的像素进行灰度分级,增加缺陷之间的对比程度。
将灰度直方图曲线拟合,随后进行高斯拟合,记图像电池板上的灰度为H,曲线中灰度从低到高的第一个波谷对应的灰度值记为,将灰度值小于等于的像素都转为同一个灰度值1,剩下的灰度像素转为15个灰度级(对应2-16个灰度值),计算15个灰度级的单个范围为:
上式中,代表着对应灰度减去后,除以就是所对应有几个,由于第一个灰度范围内应该对应的是分级后的灰度值2,所以本发明采用向上取整符号并且+1的方法,将电池板表面的灰度值合理地分成灰度值1-16共16个灰度级,且最大可能地拉开了表面纹理之间的对比。
进一步的,对待检测电池板表面灰度图像进行二值化处理,本发明将采集装置的背景定为黑色,太阳能电池板的栅线和电极部分为高灰度的偏白色,除栅线外的是低灰度部分,因此本发明通过OSTU大津法进行自动阈值选取的二值化处理。
对于栅线、电极以及可能存在的纹理缺陷部分显示为白色,除此之外的电池板部分以及背景都是黑色,为了更好地定位出电池板部分,需要进行连通域分析,本发明采用种子填充法,以白色像素为种子,将相邻的白色像素集合设置为同一个标签,随后采用最小面积外接矩形进行框选,其中统计出最大面积的矩形,那么其包含的部分就是电池板表面部分,至此,得到了电池板区域图像。
103.提取电池板区域灰度图像中的所有栅线,得到电池板区域灰度图像的栅线区域。
获取电池板区域灰度图像的栅线区域的方法为:
提取电池板区域灰度图像中的所有栅线,根据栅线长度以及所有栅线的条数构建包围框区域,将该包围框区域作为栅线区域。
太阳能电池板纹理缺陷主要检测的是电池板表面的栅线区域,所以要对图像中的电池板先定位,并且除去一周电极部分,再对栅线纹理区域进行分割提取,而在分割提取过程中,本发明的主要思想是不去除栅线,最大程度的保留原图像基础上,将表面区域进行进一步分块,利用分的每个窗口内的像素分布差异,来确定出是否存在纹理缺陷。
记电池板区域图像的左下角点为坐标系原点,图像水平向右为横轴的正方向,竖直向上为纵轴的正方向,像素坐标记为,随后将求得的最大矩形的长宽和中心统计出来,中心点记为,矩形的四个角点记为、、、,要求(其中、分别表示对应两角点之间的距离)。
通过设置图像采集装置,得出第1条栅线到最后一条栅线的像素长度记为,单独栅线(不包含电极)的横向长度为,本发明设置栅线区域的矩形框(是矩形框等比例缩放后的)四个角点分别为、、、,具体参数有:中心点依然是,宽和长分别为、,且两个矩形的边相互平行,即:
104.根据相邻栅线之间的距离设定窗口尺寸,利用设定尺寸的窗口对栅线区域进行分割,得到多个窗口。
利用设定尺寸的窗口对栅线区域进行分割的方法为:
获取相邻栅线间的距离作为一个栅线宽度,将两个栅线宽度作为窗口边长;
根据设定的边长得到窗口尺寸,根据设定尺寸的窗口在栅线区域进行连续分割;
获取设定的窗口边长分别在栅线区域的长和宽所占的比例,分别根据在栅线区域的长和宽所占的比例得到栅线区域中划分的窗口个数。
由于要把栅线区域分割成很多个窗口,并研究窗口之间出现的明显的灰度差异,所以应保证分割出的窗口内的纹理具有较相近的周期性(后续灰度值分布的分析基础),那么无缺陷窗口之间的灰度差异不大(呈现周期性,所包含内容基本一致),而有缺陷的窗口与正常纹理窗口之间的差异很大。
若栅线区域中栅线的总数量为L,则本发明得到的窗口边长为:
上式中,若栅线数量为L,那么栅线之间就有()个的栅线宽度,因为窗口的分割数量只能是整数且要求窗口内必须有图像,所以使用向下取整,并且本发明以每两个栅线宽度作为窗口的边长长度,那么我们将()除以2再向下取整,实现窗口在方向一边上所分割出来的数量为。
那么该太阳能电池板所得窗口的总体数量为,同时本发明可保证窗口的一边平行于栅线走向(对应边),另一边垂直于栅线走向(对应边),且实现了每一个窗口内的图像基本上都是一致的(实现每个窗口内图像基本相似),便于本发明后续计算分析,对栅线区域进行窗口划分的示意图如图2所示。
105.根据每个窗口中灰度级的个数构建每个窗口的灰度尺寸区域矩阵,根据每个窗口的灰度尺寸区域矩阵中每个灰度级像素点构成的连通域面积获取每个窗口的高灰度区域强调特征值。
太阳能电池板中存在的纹理缺陷主要有斑点和轮印(指纹),在栅线区域处的表征为相似的高灰度亮斑,但是相对于排列有明显规律性的栅线来说,纹理缺陷严重破坏了栅线的规律表征,且两缺陷对于电池板的影响程度不一,轮印(指纹)缺陷可视为表面污渍,通过后续清洁操作实现缺陷基本去除,影响程度小;而斑点缺陷是由装置压力过大造成的表面破坏,一般视为废品需要挑拣出来待处理,影响程度大。
本文主要结合灰度尺寸区域矩阵(GLSZM),由窗口内的图像所得对应的GLSZM计算相关特征代表信息,进一步获取斑点、轮印(指纹)的数值指标进行相关描述,从而有效描述出斑点或轮印特征,灰度尺寸区域矩阵为现有技术内容,本发明不做赘述。
根据斑点缺陷和轮印缺陷的特征进行分析:斑点在电池板表面栅线纹理上表征出的是局部高亮部分,轮印(指纹)相比斑点而言虽然灰度稍低一些,更特殊的是局部离散且较为模糊的灰度表征,根据这些特征本发明确定所使用的灰度矩阵特征指标为高灰度区域强调指标这一特征。
高灰度区域强调(HGLZE):HGLZE测量较高灰度值的分布,较大的值表示图像中较高灰度值和大小区域的比例越大,本发明中获取每个窗口的高灰度区域强调特征值的方法为:
获取每个窗口的灰度尺寸区域矩阵中每个灰度级像素点构成的连通域面积;
根据每个灰度级像素点构成的连通域面积出现的频数获取每个窗口的高灰度区域强调特征值,表达式为:
其中,表示第m个窗口的高灰度区域强调特征值,表示第i个灰度级的像素点构成的面积为j的连通域出现的频数,表示窗口中连通域的最大面积,表示窗口中连通域的个数,16为本发明进行灰度化分级后所得的灰度等级(提高了斑点、轮印不同缺陷之间灰度的对比程度,增加计算结果的可靠性),、、、都是公知技术灰度尺寸区域矩阵可直接运算求得的参数,对于太阳能电池板中存在的斑点缺陷和轮印缺陷,更高灰度且区域集中的斑点比离散且灰度稍低的轮印,其高灰度区域强调特征值值会明显比轮印的大很多,且两者都会比无缺陷区域的值大,因此本发明使用该特征值作为区分缺陷的判断依据。
106.根据每个窗口的高灰度区域强调特征值对待检测电池板表面进行缺陷检测,并确定缺陷类型。
斑点缺陷较于轮印缺陷来说,严重程度更高,轮印缺陷可以通过后续清洗操作而去除,不影响电池板转化效率质量;而斑点缺陷通常是生产机器压力过大导致的损伤,无法简单处理且严重影响了电池板转化效率,所以需要对该两者进行精准化识别。
对于正常窗口、轮印(指纹)窗口以及存在斑点的窗口,三者的高灰度区域强调特征值肯定是依次增大的,而且,三者之间的差异度较高,因此本发明通过计算每一个窗口内的特征值,看其与正常窗口之间的差异程度从而确定出该窗口是否存在斑点、轮印(指纹)缺陷。
对待检测电池板表面进行缺陷检测的方法为:
建立阈值区间,根据待检测电池板表面灰度图像中每个窗口的高灰度区域强调特征值和阈值区间判断待检测电池板是否存在缺陷。
确定缺陷类型的方法为:
检测出太阳能电池板中的具体缺陷之后,本发明对每个缺陷进行标记,并根据标记给定相关处理意见,具体为:
至此,本发明在保留电池板栅线的同时,实现了对太阳能电池板的缺陷检测,并确定具体的缺陷类型。
本发明通过对图像进行灰度级划分,从而方便后续将轮印缺陷和斑点缺陷的特征更好的划分出来,同时保留电池板的栅线,提高了图像预处理的效率的同时保证了图像中缺陷的特征不会被淡化,进一步根据栅线区域进行窗口划分,能够在识别出缺陷的同时获取缺陷的具***置,最终根据太阳能电池板中斑点缺陷和轮印缺陷的灰度表现特征采用灰度尺寸区域矩阵进行识别,进而通过高灰度区域强调指标对缺陷类别进行准确区分,实现了对太阳能电池板的缺陷检测,具有较高的检测精度和检测效率。
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 (7)
1.一种太阳能电池板表面缺陷检测方法,其特征在于,包括:
采集待检测电池板表面灰度图像;
对待检测电池板表面灰度图像进行灰度分级,得到电池板区域灰度图像;
提取电池板区域灰度图像中的所有栅线,得到电池板区域灰度图像的栅线区域;
根据相邻栅线之间的距离设定窗口尺寸,利用设定尺寸的窗口对栅线区域进行分割,得到多个窗口;
构建每个窗口的灰度尺寸区域矩阵,根据每个窗口的灰度尺寸区域矩阵中每个灰度级像素点构成的连通域面积获取每个窗口的高灰度区域强调特征值;
根据每个窗口的高灰度区域强调特征值对待检测电池板表面进行缺陷检测,并确定缺陷类型。
2.根据权利要求1所述的一种太阳能电池板表面缺陷检测方法,其特征在于,对待检测电池板表面灰度图像进行灰度分级,得到电池板区域灰度图像的方法为:
建立待检测电池板表面灰度图像的灰度直方图,对灰度直方图进行曲线拟合;
将曲线中灰度从低到高的第一个波谷对应的灰度值作为背景灰度级;
将大于背景灰度级的所有灰度值平均划分为多个灰度级,获取每个灰度级中像素点的个数;
根据灰度值大于背景灰度级的所有像素点得到电池板区域灰度图像。
3.根据权利要求1所述的一种太阳能电池板表面缺陷检测方法,其特征在于,获取电池板区域灰度图像的栅线区域的方法为:
提取电池板区域灰度图像中的所有栅线,根据栅线长度以及所有栅线的条数构建包围框区域,将该包围框区域作为栅线区域。
4.根据权利要求1所述的一种太阳能电池板表面缺陷检测方法,其特征在于,利用设定尺寸的窗口对栅线区域进行分割的方法为:
获取相邻栅线间的距离作为一个栅线宽度,将两个栅线宽度作为窗口边长;
根据设定的边长得到窗口尺寸,根据设定尺寸的窗口在栅线区域进行连续分割;
获取设定的窗口边长分别在栅线区域的长和宽所占的比例,分别根据在栅线区域的长和宽所占的比例得到栅线区域中划分的窗口个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964410.2A CN115049645B (zh) | 2022-08-12 | 2022-08-12 | 一种太阳能电池板表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964410.2A CN115049645B (zh) | 2022-08-12 | 2022-08-12 | 一种太阳能电池板表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049645A true CN115049645A (zh) | 2022-09-13 |
CN115049645B CN115049645B (zh) | 2022-11-04 |
Family
ID=83166814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210964410.2A Active CN115049645B (zh) | 2022-08-12 | 2022-08-12 | 一种太阳能电池板表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049645B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116485785A (zh) * | 2023-06-15 | 2023-07-25 | 无锡斯达新能源科技股份有限公司 | 一种太阳能电池片的表面缺陷检测方法 |
CN116977335A (zh) * | 2023-09-22 | 2023-10-31 | 山东贞元汽车车轮有限公司 | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010117337A (ja) * | 2008-11-12 | 2010-05-27 | Nippon Electro Sensari Device Kk | 表面欠陥検査装置 |
US20150053869A1 (en) * | 2013-08-23 | 2015-02-26 | Dainippon Screen Mfg. Co., Ltd. | Inspection apparatus and inspection method |
CN107274393A (zh) * | 2017-06-12 | 2017-10-20 | 郑州轻工业学院 | 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法 |
CN109084957A (zh) * | 2018-08-31 | 2018-12-25 | 华南理工大学 | 光伏太阳能晶硅电池片的缺陷检测和颜色分选方法及其*** |
CN112233101A (zh) * | 2020-10-26 | 2021-01-15 | 钟竞 | 一种基于人工智能的光伏电池板质量评估方法及*** |
CN113379703A (zh) * | 2021-06-08 | 2021-09-10 | 西安理工大学 | 基于Yolo-v4网络结构光伏面板暗斑缺陷检测方法 |
CN113837994A (zh) * | 2021-07-29 | 2021-12-24 | 尚特杰电力科技有限公司 | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 |
CN114842009A (zh) * | 2022-07-04 | 2022-08-02 | 江苏奥派电气科技有限公司 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
CN114882275A (zh) * | 2022-04-24 | 2022-08-09 | 江苏南通二建集团讯腾云创智能科技有限公司 | 一种利用电子设备数据处理的建筑板材分类方法 |
-
2022
- 2022-08-12 CN CN202210964410.2A patent/CN115049645B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010117337A (ja) * | 2008-11-12 | 2010-05-27 | Nippon Electro Sensari Device Kk | 表面欠陥検査装置 |
US20150053869A1 (en) * | 2013-08-23 | 2015-02-26 | Dainippon Screen Mfg. Co., Ltd. | Inspection apparatus and inspection method |
CN107274393A (zh) * | 2017-06-12 | 2017-10-20 | 郑州轻工业学院 | 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法 |
CN109084957A (zh) * | 2018-08-31 | 2018-12-25 | 华南理工大学 | 光伏太阳能晶硅电池片的缺陷检测和颜色分选方法及其*** |
CN112233101A (zh) * | 2020-10-26 | 2021-01-15 | 钟竞 | 一种基于人工智能的光伏电池板质量评估方法及*** |
CN113379703A (zh) * | 2021-06-08 | 2021-09-10 | 西安理工大学 | 基于Yolo-v4网络结构光伏面板暗斑缺陷检测方法 |
CN113837994A (zh) * | 2021-07-29 | 2021-12-24 | 尚特杰电力科技有限公司 | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 |
CN114882275A (zh) * | 2022-04-24 | 2022-08-09 | 江苏南通二建集团讯腾云创智能科技有限公司 | 一种利用电子设备数据处理的建筑板材分类方法 |
CN114842009A (zh) * | 2022-07-04 | 2022-08-02 | 江苏奥派电气科技有限公司 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
Non-Patent Citations (4)
Title |
---|
SIVA RAMAKRISHNA MADETI ETAL.: "A comprehensive study on different types of faults and detection techniques for solar photovoltaic system", 《SOLAR ENERGY》 * |
伍李春等: "基于人工神经网络的太阳能电池片表面质量检测***", 《合肥工业大学学报(自然科学版)》 * |
张舞杰等: "硅太阳能电池纹理缺陷检测", 《计算机应用》 * |
陈智强等: "硅电池片自动串焊表面缺陷在线视觉检测研究", 《机电工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116485785A (zh) * | 2023-06-15 | 2023-07-25 | 无锡斯达新能源科技股份有限公司 | 一种太阳能电池片的表面缺陷检测方法 |
CN116485785B (zh) * | 2023-06-15 | 2023-08-18 | 无锡斯达新能源科技股份有限公司 | 一种太阳能电池片的表面缺陷检测方法 |
CN116977335A (zh) * | 2023-09-22 | 2023-10-31 | 山东贞元汽车车轮有限公司 | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
CN116977335B (zh) * | 2023-09-22 | 2023-12-12 | 山东贞元汽车车轮有限公司 | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115049645B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049645B (zh) | 一种太阳能电池板表面缺陷检测方法 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
CN108355987B (zh) | 一种基于分块模板匹配的电池丝印质量检测方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN107067000B (zh) | 一种纸币污损程度的识别方法及装置 | |
CN101739549B (zh) | 人脸检测方法及*** | |
CN113646801A (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
CN104239850A (zh) | 基于图像综合特征的答题卡填涂信息自动识别方法 | |
CN108318491A (zh) | 一种基于频谱曲率分析的织物缺陷检测方法 | |
CN113313677A (zh) | 一种卷绕锂电池x光图像的质量检测方法 | |
CN113325001A (zh) | 一种铜箔表面外观瑕疵自动分辨检测设备及检测方法 | |
CN109886954A (zh) | 一种印刷品缺陷检测方法 | |
CN112819844B (zh) | 一种图像边缘检测方法及装置 | |
CN115131353B (zh) | 平网印花纺织品生产异常识别定位方法及*** | |
CN117152161A (zh) | 一种基于图像识别的刨花板质量检测方法及*** | |
CN113362276A (zh) | 板材视觉检测方法及*** | |
CN115115643A (zh) | 一种光伏电池板生产缺陷检测方法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、***及光伏电池组件生产线 | |
Huang et al. | Dynamic programming and connected component analysis for an enhanced pavement distress segmentation algorithm | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
CN111476792B (zh) | 一种板带钢图像轮廓的提取方法 | |
CN112132823A (zh) | 一种基于人工智能的光伏电池图像局部光照不均处理方法 | |
CN104655642A (zh) | 一种钢材开裂型缺陷的自动测量、表征分类方法及其*** |
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 |