CN114937011B - 一种基于经验Garbor小波变换的光伏电池图像异常检测方法 - Google Patents

Abstract

一种基于经验Garbor小波变换的光伏电池图像异常检测方法，其步骤如下：一、构建经验Gabor小波变换，首先需要在傅里叶频域中检测支撑从而获得对应的小波基函数构成滤波器组，然后使用这个滤波器组对输入信号进行滤波从而得到其变换分量。二、纹理结构分离。将输入图像分解为结构和纹理部分，其纹理部分有足够的可分离模态，再对结构部分进行分割，最终融合提取的信息，得到唯一的最终分割。三、小波特征提取。通过构建经验小波变换，利用特征提取方法对于每个像素点构建特征向量。四、小波系数预处理。五、纹理分类，提取异常缺陷。通过以上步骤，可对光伏电池图像中异常区域自动检测，有效提高工业生产中产品质量。

Description

一种基于经验Garbor小波变换的光伏电池图像异常检测方法

(一)技术领域

本发明涉及一种基于经验Garbor小波变换的光伏电池图像异常检测方法，属于计算机视觉和数字图像处理领域。

(二)背景技术

由于太阳能清洁、安全、无害、充足的特点，光伏发电已成为最受欢迎的可再生能源发电方式之一。光伏电池作为光伏发电的载体，在其生产、部件组装以及运输过程中，因晶体结构的脆弱性或者操作不当等不稳定因素的影响，不可避免地会产生色斑、划痕、脏污、裂缝等缺陷。这些缺陷的存在将降低电池片的工作效率、缩短使用寿命、导致光伏组件运行故障，甚至影响光伏发电系统的安全性。因此，光伏电池自动缺陷检测对于缺陷产品的剔除和生产过程中的质量监控非常的有价值。

基于机器视觉的缺陷检测技术具有低成本、检测速度快和检测精度高等特点，在工业生产中可以有效提高产品质量。Tsai等人提出小波变换的检测方法，以小波系数作为特征，将图像经过小波变换分解后的连续的两个分辨率级别之间的系数值之差作为权重，以此来区分含有晶粒背景的局部缺陷。Liu等人提出了一种基于结构纹理分解的太阳能电池裂纹缺陷检测方法，通过对太阳能电池图像进行结构纹理分解，获得含有裂纹信息的纹理图，再通过离散小波变换对结构分量和纹理分量进行分离，最终可以得到裂纹缺陷的位置。然而，由于光伏电池背景的复杂性以及裂纹缺陷的尺度、形态不一等特点，现有方法难以全面、准确地获取电池组件的缺陷检测结果。本发明基于Gabor滤波器在纹理分析方面的优势，利用经验Gabor小波变换对光伏电池进行纹理特征提取，并利用聚类算法对光伏电池图像正常区域和异常区域进行聚类，从而实现自动异常检测。

(三)发明内容

(1)本发明的目的

目前光伏电池缺陷检测难点主要体现在以下方面：

1)图像背景包含主栅线、副栅线、晶粒等结构，背景干扰非常严重，复杂背景呈现出随机分布、形状不定、对比度不一且与缺陷相互交叠的特点；

2)裂纹缺陷包括色斑、划痕、脏污、裂缝等，尺度不一，形态各异，与背景的对比度较低。尺寸多样性表现为裂纹大小多样、纵横比多样；形状多样性具体表现为横向、纵向和拓扑结构的复杂树状裂纹。

自适应小波的一个重要的技术特点：对于一个信号的几个主要组成成分进行了自动的适应性处理分析。即经验模态分解不需要像传统小波那样事先确定小波基函数，而是依靠这个信号本身的各种特征性和自适应性能来进行信号分解。由于光伏电池图像中缺陷部分含有丰富的频率特征，因此经验小波变换方法十分适合图像中纹理特征的提取。

本发明目的在于提供一种基于经验Gabor小波变换的光伏电池缺陷检测方法，利用经验小波对于纹理的自适应性，提高现有光伏电池缺陷检测准确率。

(2)技术方案

步骤一：构建经验Gabor小波变换。经验小波构建的主要分为两个步骤，即小波支撑基函数的构建和傅里叶频谱的划分方法。经验小波变换主要有两个步骤构成，首先需要在傅里叶频域中检测支撑从而获得对应的小波基函数构成滤波器组，然后使用这个滤波器组对输入信号进行滤波从而得到其变换分量。

其中，在步骤一中所述“小波支持基函数的构建”，其具体做法如下：

张量形式二维经验小波(EWT2DT)：用两组一维经验小波分别对行和列进行处理。水平(垂直)滤波器集是基于所有一维行(列)谱平均对应的谱上检测到的边界。因此二维滤波器的集合由一维滤波器的乘积(我们表示x＝(x,y))定义：

利用Gabor小波基作为支撑基函数，并使用二维的尺度变换方法自由地对信号的傅里叶频谱进行划分，得到了更高效更精确的频谱划分结果。

其中，在步骤一中所述“傅里叶频谱划分方法”，其具体做法如下：

首先对傅里叶频谱进行分析，取出所有极大值M_i和与之对应的频率坐标ω_i，然后保留N-1个最大的极大值，并排序为ω_n(1≤n≤N-1)。最后得到傅里叶频谱的边界集合Ω＝{ωⁿ}_{n＝0，...，N}:

为了自适应利用图像中的信息来学习构建经验小波，提出一种频谱边界混合算法，得到唯一的滤波器组来构建经验小波变换。

步骤二：纹理结构分离。将输入图像分解为结构和纹理部分，其纹理部分有足够的可分离模态，再对结构部分进行分割，最终融合提取的信息，得到唯一的最终分割。

其中，步骤二中所述“将输入图像分解为结构和纹理部分”，具体做法如下：

定义I为输入图像，u和v分别为结构和纹理部分，该分解模型即求解如下问题：

subject to I＝u+v.

其中BV是有界变分(bounded variations)函数空间，由半范数描述，如果u是一个结构分量，其全变分就会很小。如果v是一个振荡函数，其G范数也会很小，其中参数μ控制着这两个空间的边界。本发明使用更简洁的形式如下：

其中的G_μ＝{v∈G|||v||G≤μ}，J^*是G₁空间上的特征函数，如果v∈G₁则J^*(v)＝0，其他情况J^*(v)＝+∞，这种定义的模型便于数值求解。根据实际经验，μ控制了频率部分的敏感程度，μ越小，纹理信号中的振荡越明显，λ控制结构部分的归一化。

步骤三：小波特征提取。通过构建经验小波变换，利用特征提取方法对于每个像素点构建特征向量f(x)∈R^K。经过结构纹理分解后的纹理部分主要包含了图像中的高频信息，本发明仅使用带通小波滤波器为每个像素点去构建特征向量及其后处理。

其中，步骤三所述“利用特征提取方法对于每个像素点构建特征向量”，具体做法如下：

小波基函数族定义如下：

I＝{ψ_s，x，φ_L，x}_{(s，x)∈{s∈Z，s＜L}×Ω}

为了方便计算，令ψ_L，x＝φ_L，x，上述小波族可以简化为{φ_s，x}_{{s∈Z，s≤L}×Ω}。

图像的小波分解结果可以用标准内积表示：

这些内积对应S_k的线性滤波。尺度因子为二进制形式，即S_k＝2^k，其中滤波器组每一个Ψ_Sk给出不同尺度S_k上的细节分量。

步骤四：小波系数预处理。小波系数的原始形式通常不能被分类器使用，需要先进行处理。

其中，步骤四中所述“小波系数预处理”具体做法如下：

设f_k(x)为其第k个分量坐标(k＝1,2,…,K)，为后处理运算符，即在基于小波的特征向量域中，处理方法主要是计算局部能量或局部熵。

这里由定义，其中W表示位于中心坐标x的均值滤波器，即在给定大小的窗口上处理的平均滤波器，以x为中心(窗口大小的影响将在实验部分进行研究)。算子E在局部能量情况下定义为局部熵情况下E(u)＝[-u₁log(u₁),…,-u_Klog(u_K)]。

步骤五：纹理分类，提取异常缺陷。得到最终特征向量f(x)后，利用Kmeas算法进行像素级聚类，以获得最终分割。

其中，步骤五中“利用Kmeas算法进行像素级聚类”，具体做法如下：

对于给定输入，按照距离大小划分为K个簇，使得每个簇内的点尽量紧密的结合在一起，即最小化平方误差E：

质心为

对相应数据集选用合适的k值之后，对输入质心向量计算样本距离，迭代至新的质心都没有发生变化，输出簇划分，得到分割结果。

(3)与现有技术相比，本发明的优点：

本发明提供的一种基于经验Gabor小波变换的光伏电池异常检测方法，通过构建经验Gabor小波变换，对光伏电池图像进行特征提取，并通过聚类对图像中正常区域和异常区域进行分类，进而自动找到缺陷所在。具体地，本发明不需要像传统小波那样事先确定小波基函数，而是依靠这个信号本身的各种特征性和自适应性能来进行信号分解。利用经验Gabor小波的自适应特性，本发明能够有效提取光伏电池缺陷特征，实现自动异常检测。

(四)附图说明

图1为本发明所述检测方法的流程框图。

(五)具体实施方式

为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述。

本发明的流程框图如图1所示，本发明一种基于经验Gabor小波变换的光伏电池图像异常检测方法，其具体实施步骤如下：

步骤一：构建经验Gabor小波变换。

构建经验Gabor小波变换的第一步是使用频谱分割方法，在极坐标傅里叶频域中经过检测得到经验Gabor滤波器组，从而可以确定Gabor滤波器的具体参数。为了便于处理，这里选取的高斯窗函数如下:

其中的这样取高斯核便可以满足高斯核位置在u，v∈[-1/2，1/2]区域内。

先将输入图像在极坐标域中做傅里叶变换，利用尺度变换法在尺度方向上做运算得到尺度边界Ω_ω＝{ωⁿ}_{n＝0，...，Ns}，在角度方向上做运算得到角度边界Ω_θ＝{θ^m}_{m＝0，...，Nθ}。

对于频谱中的低频分量部分，只需要尺度边界的低通滤波器，有2ω₀＝a₀和2ω₀＝b₀，对于中高频分量，需要在极坐标频域中进行尺度和角度运算，得到每一个分割区域的四个参数(ω_n,ω_n+1,θ_m,θ_m+1)，进而计算出二维Gabor滤波器在笛卡尔坐标系中的中心坐标为:

与上述低通滤波器相同，其余滤波器大小为：

a_nm＝ω_n+1-ω_n

通过几何关系和中心点(u_nm，v_nm)可以求得Gabor滤波器的方向角:

依次类推，根据上述方法依次计算得到所有滤波器组，并得到我们所需要的变换系数。

步骤二：纹理结构分离算法

对图像进行纹理结构分割，得到图像的纹理部分，然后利用小波方法提取图像的纹理特征，得到小波形式的特征向量和由滤波器组构成的原始特征即小波系数其中K表示滤波器数目。

本发明只考虑纹理部分的图像分割首先需要确定结构纹理分解算法，该模型基于Meyer提出的著名的Rudin–Osher–Fatemi(ROF)模型，通过最小化一个基于全变分的泛函来去掉图像中的细节部分，同时还能保留具有锐化的反差边缘的目标。

首先定义I为输入图像，u和v分别为结构和纹理部分，这个分解模型就是求解如下问题：

subject to I＝u+v.

其中BV是有界变分(bounded variations)函数空间，由半范数描述，如果u是一个结构分量，那么其全变分就会很小。如果v是一个振荡函数，那么其G范数也会很小，其中参数μ控制着这两个空间的边界。这里本文使用更简易的形式：

其中的G_μ＝{v∈G|||v||G≤μ}，J^*是G₁空间上的特征函数，如果v∈G₁则J^*(v)＝0，其他情况J^*(v)＝+∞，这种定义的模型优点在于十分便于数值求解.根据实际经验，μ控制了频率部分的敏感程度，μ越小，纹理信号中的振荡越明显，λ控制结构部分的归一化。

步骤三：小波特征提取。

特征提取方法是对于每个像素点构建特征向量f(x)∈R^K，然后将这个特征向量作为聚类算法的输入并最终得到图像的纹理分割结果。最经典的小波变换本质上是把图像投影在小波基函数上，这个小波基函数族定义如下：

I＝{ψ_s，x，φ_L，x}_{(s,x)∈{s∈Z，s＜L}×Ω}

为了方便计算，本文令ψ_L，x＝φ_L，x，上述小波族可以简化为{φ_s，x}_{{s∈Z，s≤L}×Ω}.

图像的小波分解结果可以用标准内积表示：

这些内积对应S_k的线性滤波。尺度因子为二进制形式，即S_k＝2^k，其中滤波器组每一个Ψ_Sk给出不同尺度S_k上的细节分量。

Gabor小波定义为：

得到图像的纹理分量后，最后一步就根据这个分量计算最后的图像分割结果。由于经过结构纹理分解后的纹理部分主要包含了图像中的高频信息，本发明仅使用带通小波滤波器为每个像素点去构建特征向量及其后处理，即只使用了{Ψ_n}中n≥1的分量而没有使用Ψ₀＝Φ₀。

步骤四：小波系数预处理。

小波系数的原始形式通常不能被分类器使用，需要先进行处理。处理方式如下所述：

设f_k(x)为其第k个分量坐标(k＝1,2,…,K)，为后处理运算符，即在基于小波的特征向量域中，处理方法主要是计算局部能量或局部熵。

这里由定义，其中W表示位于中心坐标x的均值滤波器，即在给定大小的窗口上处理的平均滤波器，以x为中心(窗口大小的影响将在实验部分进行研究)。算子E在局部能量情况下定义为局部熵情况下E(u)＝[-u₁log(u₁),…,-u_Klog(u_K)]。本文所做实验利用局部熵方法，在熵情况下，我们可以将特征向量在0到1之间进行缩放，这样熵就得到了很好的定义。

步骤五：纹理分类，提取异常缺陷

得到最终特征向量f(x)后，最后一步是进行像素级聚类，以获得最终分割。本发明选择基于k-means的聚类方法。对于给定输入，按照距离大小划分为K个簇，使得每个簇内的点尽量紧密的结合在一起。即最小化平方误差E：

质心为

对相应数据集选用合适的k值之后，对输入质心向量计算样本距离，迭代至新的质心都没有发生变化，输出簇划分，得到分割结果。

Claims (4)

1.一种基于经验Garbor小波变换的光伏电池图像异常检测方法，其具体方法步骤如下：

步骤一：构建经验Gabor小波变换：经验小波构建分为两个步骤，即小波支撑基函数的构建和傅里叶频谱的划分方法，经验小波变换有两个步骤构成，首先需要在傅里叶频域中检测支撑从而获得对应的小波基函数构成滤波器组，然后使用这个滤波器组对输入信号进行滤波从而得到其变换分量；

步骤二：纹理结构分离：将输入图像分解为结构和纹理部分，其纹理部分有足够的可分离模态，再对结构部分进行分割，最终融合提取的信息，得到唯一的最终分割；

步骤三：小波特征提取：通过构建经验小波变换，利用特征提取方法对于每个像素点构建特征向量f(x)∈R^K，经过结构纹理分解后的纹理部分主要包含了图像中的高频信息，仅使用带通小波滤波器为每个像素点去构建特征向量及其后处理；

步骤四：小波系数预处理；小波系数的原始形式不能被分类器使用，需要先进行处理；

步骤五：纹理分类，提取异常缺陷；得到最终特征向量f(x)后，利用Kmeas算法进行像素级聚类，以获得最终分割；

在步骤一中所述“小波支撑基函数的构建”，其具体做法如下：

张量形式二维经验小波(EWT2DT)：用两组一维经验小波分别对行和列进行处理，水平滤波器集是基于所有一维行谱平均对应的谱上检测到的边界，垂直滤波器集是基于所有一维列谱平均对应的谱上检测到的边界，因此二维滤波器的集合由一维滤波器的乘积定义，表示为x＝(x,y)：

利用Gabor小波基作为支撑基函数，并使用二维的尺度变换方法自由地对信号的傅里叶频谱进行划分，得到了更高效更精确的频谱划分结果；

步骤二中所述“将输入图像分解为结构和纹理部分”，具体做法如下：

定义I为输入图像，u和v分别为结构和纹理部分，即求解如下问题：

subject to I＝u+v，

其中BV是有界变分(bounded variations)函数空间，由半范数描述，如果u是一个结构分量，其全变分就会很小，如果v是一个振荡函数，其G范数也会很小，其中参数μ控制着这两个空间的边界，使用更简洁的形式如下：

其中的G_μ＝{v∈G|||v||_G≤μ}，J^*是G₁空间上的特征函数，如果v∈G₁则J^*(v)＝0，其他情况J^*(v)＝+∞，μ控制了频率部分的敏感程度，μ越小，纹理信号中的振荡越明显，λ控制结构部分的归一化；

步骤四中所述“小波系数预处理”具体做法如下：

设fk(x)为其第k个分量坐标，k＝1,2,…,K，为后处理运算符，即，在基于小波的特征向量域中，处理方法主要是计算局部能量或局部熵；

这里由定义，其中W表示位于中心坐标x的均值滤波器，即在给定大小的窗口上处理的平均滤波器，以x为中心，算子E在局部能量情况下定义为局部熵情况下E(u)＝[-u₁log(u₁),…,-u_Klog(u_K)]。

2.根据权利要求1所述的一种基于经验Garbor小波变换的光伏电池图像异常检测方法，其特征在于：其中，在步骤一中所述“傅里叶频谱划分方法”，其具体做法如下：

首先对傅里叶频谱进行分析，取出所有极大值M_i和与之对应的频率坐标ω_i，然后保留N-1个最大的极大值，并排序为ω_n，1≤n≤N-1，最后得到傅里叶频谱的边界集合Ω＝{ωⁿ}_{n＝0，...，N}:

ω⁰＝0，ω^N＝π，

为了自适应利用图像中的信息来学习构建经验小波，提出一种频谱边界混合算法，得到唯一的滤波器组来构建经验小波变换。

3.根据权利要求1所述的一种基于经验Garbor小波变换的光伏电池图像异常检测方法，其特征在于：步骤三所述“利用特征提取方法对于每个像素点构建特征向量”，具体做法如下：

小波基函数族定义如下：

I＝{ψ_s，x，φ_L，x}_{(s，x)∈{s∈Z，s＜L}×Ω}，

令ψ_L，x＝φ_L，x，上述小波族简化为{φ_s，x}_{{s∈Z，s≤L}×Ω}，

图像的小波分解结果可以用标准内积表示：

这些内积对应S_k的线性滤波，尺度因子为二进制形式，即S_k＝2^k，其中滤波器组每一个Ψ_Sk给出不同尺度S_k上的细节分量。

4.根据权利要求1所述的一种基于经验Garbor小波变换的光伏电池图像异常检测方法，其特征在于：步骤五中“利用Kmeas算法进行像素级聚类”，具体做法如下：

对于给定输入，按照距离大小划分为K个簇，使得每个簇内的点尽量紧密的结合在一起，即最小化平方误差E：

质心为

对相应数据集选用合适的k值之后，对输入质心向量计算样本距离，迭代至新的质心都没有发生变化，输出簇划分，得到分割结果。