CN111242892A - 一种太阳能光伏电池缺陷的检测方法 - Google Patents

Abstract

本发明公开了一种太阳能光伏电池缺陷的检测方法。该方法的主要流程是对生产得到的太阳能光伏电池图像，首先根据傅里叶变换及其逆变换来去除光伏电池图像中的水平母线，再将去除母线的光伏电池图像通过幂次变换增强亮度和对比度，接下来通过块数据删除模型找出图像中所有异常的图像块，然后将所有异常图像块删除，利用余下的更接近真实背景的图像块通过非线性回归模型构建图像的背景，最后将待检图像与背景图像作差得到的结果通过阈值分割分离出缺陷区域。本发明的主要优点是通过本发明所构建的背景更接近真实背景，能检测出的缺陷类型更加全面，且检测结果不含有太阳能光伏电池自带的母线，检测结果更精确。

Description

一种太阳能光伏电池缺陷的检测方法

技术领域

本发明属于工业视觉检测和图像处理技术领域，涉及一种基于数据删除模型的太阳能光伏电池缺陷的检测方法。

背景技术

目前太阳能光伏电池缺陷检测方法主要有特征提取方法和背景抑制方法。特征提取方法是直接提取缺陷特征的一种快速有效的方法。但是，因为它需要预先设置缺陷的特征，所以该方法的灵活性较低。背景抑制方法是一种基于背景重构和差分的太阳能光伏电池缺陷检测方法，能够有效地从原始背景中分割出缺陷区域，是目前研究的主要方向之一。但基于背景重建的太阳能光伏电池缺陷检测方法中，大多用于隐裂或断栅类型缺陷的检测而对于碎片、黑心等类型的缺陷检测效果不理想，即现有方法所能检测的缺陷类型并不全面。同时，太阳能光伏电池缺陷检测方法中还存在检测过程耗时耗力，光伏电池本身的母线去除效果不理想等缺点。

发明内容

本发明的目的是提供一种太阳能光伏电池缺陷的检测方法和母线去除方法，有效解决了太阳能光伏电池中缺陷类型检测不全面的问题，同时解决了母线对检测结果造成的影响。

本发明所采用的技术方案是，一种太阳能光伏电池缺陷的检测方法，包括以下步骤：

步骤1、去除太阳能光伏电池原始图像I_x中的母线，并提高图像的亮度和对比度，得到待检图像I₀，原始图像I_x和待检图像I₀大小均为M×N；

步骤2、构建块数据删除模型，利用块数据删除模型在待检图像I₀中标记出异常块；

步骤3、剔除步骤2标记的图像中的异常块，并利用剔除异常块后的图像进行背景重建，得到重建背景图像

步骤4、计算待检图像I₀与背景图像

的差分图像ΔI，通过阈值分割得到检测结果I′；

步骤5、去除检测结果I′中的噪声点，得到最终的缺陷检测结果。

本发明的特点还在于：

步骤1按照以下步骤进行：

步骤1.1、将原始图像I_x进行傅里叶变换，得到频谱图

并在频谱图

上划定频谱值保持不变的区域，该区域为以频谱图

的中心为圆心，以d为半径的圆形区域，d的取值范围为0＜d≤8；

步骤1.2、构造滤波器V，取滤波器V的带宽为D_u，控制带宽的参数为w， w的取值范围为

任意一点坐标为(u,v)的V(u,v)值由式(1)计算得到，其中D(u,v)为频谱图上点(u,v)距离频谱中心的距离，D(u,v)公式如式(2)，

步骤1.3、将频谱图

与构造的滤波器V做卷积，得到去除水平母线的太阳能光伏电池图像的频谱图

如式(3)，

步骤1.4、对

进行傅里叶逆变换，得到去除水平母线的太阳能光伏电池图像I_e，对图像I_e做幂次变换增强其亮度及对比度，得到待检图像I₀，幂次变换公式如式(4)，

其中参数C＞0,0＜r＜1。

步骤2按照以下步骤进行：

步骤2.1、将待检图像I₀分成若干大小为W×H的不重叠的图像块，并将每个图像块的所有像素灰度值的均值作为该图像块整体的像素值，得到图像 I₁；

步骤2.2、记I₁中位于(x_i,x_j)处的像素值为Y_i,j，建立像素值与其像素位置间的非线性回归模型如式(5)，其中ε～N(0,σ²)；

利用式(5)根据最小二乘法可估算出系数

步骤2.3、从图像I₁中删除一个图像块l，利用剩下图像块的均值通过式(5)估算出系数

其中l＝1,2,…,k，k为图像块的个数；

步骤2.4、计算系数

和系数

的Cook距离Cook_l，Cook_l的计算公式如式(6)，

其中p为参数个数，X为坐标值矩阵，

为误差方差估计；

步骤2.5、计算Cook_l(l＝1,2,…,k)的上四分位数Q₃和四分位极差R₁，取上截断点为阈值T₁，阈值T₁的计算公式为T₁＝Q₃+1.5R₁；

步骤2.6、将步骤2.3计算得到的Cook_l与步骤2.5的阈值T₁比较，筛选出Cook_l大于阈值T₁的块，标记为异常块，得到图像I_c如式(7)，

步骤3按照以下步骤进行：

步骤3.1、从待检图像I₀中将步骤2标记的异常块全部剔除；

步骤3.2、利用非线性回归模型式(5)将剔除异常块后的待检图像I₀的无缺陷区域的像素值及其坐标进行拟合，计算出系数

步骤3.3、利用系数为

的非线性回归模型(5)进行背景图像重建，得到重建后的背景图像

如式(8)，

其中(x_i,x_j)为与待检图像I₀相同的坐标。

步骤4按照以下步骤进行：

步骤4.1、根据权利要求3中步骤2的待检图像I₀和权利要求4中步骤3 的背景图像

计算差分图像ΔI，如式(9)：

步骤4.2、取阈值T₂＝μ+c₂σ,其中μ和σ分别为差分图像ΔI的灰度值的均值和标准差，c₂为常数，0＜c₂≤3，利用阈值T₂对差分图像ΔI进行分割可得到检测结果I′，如式(10)：

其中(r,c)为差分图像ΔI的像素的位置坐标。

步骤5按照以下步骤进行：

步骤5.1、结合检测结果I′和8-连通区域的面积，设置阈值T_area，T_area的取值范围为0＜T_area≤600；

步骤5.2、将8-连通区域面积与阈值T_area进行比较，并标记出8-连通区域面积大于等于阈值T_area的部分，得到去除噪声的异常区域，即检测出太阳能光伏电池的缺陷。

步骤1.1中，d＝4，步骤1.4中，C＝1,r＝0.7。

步骤4.2中，c₂＝2。

步骤5.1中，T_area＝100。

本发明的有益效果是：与现有技术相比，本发明将傅里叶变换用于去除太阳能光伏电池中的母线，能很好去除母线部分并将该部分显示为无缺陷区域，而不影响其他区域的检测结果，较传统方法去除更精准。利用回归诊断中的块数据删除模型进行背景重建时，所重建的背景更接近真实的背景，使得该方法所能检测缺陷类型更加全面，检测效率也更高。

附图说明

图1是本发明一种太阳能光伏电池缺陷的检测方法流程图；

图2是本发明一种太阳能光伏电池缺陷的检测方法构建的滤波器V；

图3是本发明一种太阳能光伏电池缺陷的检测方法对不同类型缺陷的检测结果；

图4是本发明一种太阳能光伏电池缺陷的检测方法关于阈值T₂取不同值的检测结果；

图5是本发明一种太阳能光伏电池缺陷的检测方法取不同分块大小的检测结果；

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种太阳能光伏电池缺陷的检测方法，如图1所示，具体按照以下步骤实施：

步骤1、去除太阳能光伏电池原始图像I_x(如图1：1)中的母线，并提高图像的亮度和对比度，得到待检图像I₀，所述原始图像I_x大小为M×N；具体按照以下步骤实施：

步骤1.1、如图1所示，将原始图像I_x进行傅里叶变换，得到频谱图

并在频谱图

上以频谱图

的中心为圆心，以d(0＜d≤8)为半径选取圆域，保持圆域内的频谱值不变；此时空域中那些水平的母线，在频域上呈现为位于频谱中心的一条竖直线附近，且以高频分量为主；为达到最好的检测结果，选取d＝4；

步骤1.2、如图2所示，根据傅里叶变换法构造一个过滤器V来剔除这些母线，取滤波器V的带宽为D_u，控制带宽的参数为w，

任意一点坐标为(u,v)的V(u,v)值由式(1)计算得到，其中D(u,v)为频谱图上任意一点(u,v)距离频谱中心的距离，所述D(u,v)公式如式(2)，

步骤1.3、将频谱图

与构造的滤波器V做卷积，得到去除水平母线的太阳能光伏电池图像的频谱图

如式(3)，

步骤1.4、对

进行傅里叶逆变换，得到去除水平母线的太阳能光伏电池图像I_e。对图像I_e做幂次变换增强图像亮度及对比度，得到待检图像I₀(如图1：2)，幂次变换公式如式(4)，

其中C＞0,0＜r＜1。为得到最好的检测结果，选取C＝1,r＝0.7

步骤2、构建块数据删除模型，利用块数据删除模型在待检图像I₀中标记出异常块，具体按照以下步骤实施：

步骤2.1、将待检图像I₀分成若干大小为W×H的不重叠的图像块，并将每个图像块的所有像素灰度值的均值作为该图像块整体的像素值，得到图像 I₁(如图1：3)；

步骤2.2、记I₁在(x_i,x_j)处的像素值为Y_i,j，可建立像素值与其像素位置间的非线性回归模型如式(5)，其中ε～N(0,σ²)；

利用式(5)根据最小二乘法可估算出系数

步骤2.3、从图像I₁中删除一个图像块l，利用剩下图像块的均值通过式(5)估算出系数

其中l＝1,2,…,k，k为图像块的个数；

步骤2.4、计算系数

和系数

的Cook距离Cook_l，Cook_l的计算公式如式(6)，

其中p为参数个数，X为坐标值矩阵，

为误差方差估计；

步骤2.5、计算Cook_l(l＝1,2,…,k)的上四分位数Q₃，和四分位极差R₁取上截断点阈值为T₁，即T₁＝Q₃+1.5R₁；

步骤2.6、将步骤2.4中计算得到的Cook_l与步骤2.5中的阈值T₁比较，筛选出Cook_l大于阈值T₁的块，标记为异常块，得到图像I_c(如图1：4)如式(7)，

步骤3、剔除步骤2标记的图像中的异常块，并利用剔除异常块后的图像进行背景重建，得到重建背景图像

具体按照以下步骤实施：

步骤3.1、从待检图像I₀中将步骤2标记的异常块全部剔除；

步骤3.2、利用非线性回归模型式(5)将剔除异常块后的待检图像I₀的无缺陷区域的像素值及其坐标进行拟合，计算出系数

步骤3.3、利用系数为

的非线性回归模型(5)进行背景图像重建，得到重建后的背景图像

(如图1：5)，如式(8)，

其中(x_i,x_j)为与待检图像I₀相同的坐标。

步骤4、计算待检图像I₀与背景图像

的差分图像ΔI，通过阈值分割得到检测结果I′，具体按照以下步骤实施：

步骤4.1、根据步骤2的待检图像I₀和步骤3的背景图像

计算差分图像ΔI(如图1：6)，如式(9)：

步骤4.2、取阈值T₂＝μ+c₂σ,其中μ和σ分别为差分图像ΔI的灰度值的均值和标准差，c₂为常数，0＜c₂≤3，利用阈值T₂对差分图像ΔI进行分割可得到检测结果I′，如式(10)：

其中(r,c)为差分图像ΔI的像素的位置坐标，选取c₂＝2时检测结果达到最好。

步骤5、去除检测结果I′中的噪声点，得到最终的缺陷检测结果(如图1： 7)，具体按照以下步骤实施：

步骤5.1、结合检测结果I′和8-连通区域的面积，设置阈值T_area， 0＜T_area≤600；为达到最好的检测结果，选取T_area＝100；

步骤5.2、将8-连通区域面积小于阈值T_area的区域视为噪声点，并将该区域的灰度值设为1；将8-连通区域面积大于等于阈值T_area的部分对应灰度值设为0；

步骤5.3、此时灰度值为0的区域，就是去除噪声的异常区域(如图1： 8)，即太阳能光伏电池的缺陷。

在本发明一种太阳能光伏电池缺陷的检测方法中：步骤1的作用为去除太阳能光伏电池自身的母线，采用傅里叶变换及其逆变换来实现，其原理是将图像由空域转换到频域，而光伏电池中的水平母线在频域中集中分布在过频谱中心的竖直线附近，根据这一原理将该区域值设置为0，再根据傅里叶逆变换转换到空域，就在空域中去除了母线对应的区域，去除母线的太阳能光伏电池缺陷检测结果更准确，排除了母线的干扰。

步骤2的作用为最大限度找出已分块图像中异常的图像块，其原理是根据块数据删除模型，逐个剔除图像块，然后分别根据余下区域和整幅图像的灰度值及其对应坐标，通过非线性回归模型得到对应的系数，通过比较块删除前后系数间的Cook距离，用上截断点作为阈值，分离出异常的系数及其对应的图像块，然后将找出的异常块全部删除后，利用剩下更接近真实背景的像素点去重建背景，其优点是构建的背景更加接近真实的背景，检测出缺陷类型也更加全面。

为说明本发明在检测结果和准确率上的有效性，分别采用主观评价和客观评价进行检测性能分析。

主观评价

如图3所示，根据本发明一种太阳能光伏电池缺陷的检测方法分别对含有隐裂、断栅等缺陷类型的太阳能光伏电池图像进行了实验，实验结果表明在本发明一种太阳能光伏电池缺陷的检测方法中除隐裂、断栅类型的缺陷能被检测出来以外，对于一些其他类型的缺陷，如黑心、碎片等缺陷和污渍均能被检测出来，同时最终的检测结果不会检测出太阳能光伏电池图像本身带有的母线，具有很好的检测效果。

客观评价

在另外一组实验中我们还评估了总共313幅太阳能光伏电池图像，通过人工方式检测出其中155幅为含有隐裂、断栅等缺陷的图像，而剩余的158 幅为不含缺陷的正常图像。在缺陷图像中该方法正确地检测出了150幅缺陷图像，缺陷检测率达96.77％，未检测出的5幅图像均为缺陷特别严重的多晶图像，而对无缺陷的158幅样本均未检测出缺陷，和人工检测结果基本保持一致。

对于本发明中涉及到的部分参数，下面给出实施例以说明参数选取的合理性。

如图4所示，水平方向的四幅图，为图像分割过程中的阈值T₂取不同值的实施例，其中从左到右依次为原始图像、阈值T₂中参数c₂＝1、c₂＝2和c₂＝3 的结果，通过与原始图像比较发现，当阈值T₂中参数取2时最接近实际结果。

如图5所示，水平方向的四幅图，为图像在进行块数据删除过程中，不同分块大小对实验结果的实施例，其中从左到右依次为原始图像、分块大小为10×10、20×20和40×40的结果。由图5和表1可看出，对本实验用的 800×800图像，当分块大小为10×10时缺陷区域剔除的最精准，但算法耗时也最长，而当分块大小为40×40时，算法耗时较少但缺陷区域覆盖的不够精确，故我们最终选择分块大小为20×20来进行后面的实验，在保证算法有较快运行时间的同时，使检测结果最好。

表1：图5中的4幅图像对不同分块大小的检测时间。

Claims (9)

1.一种太阳能光伏电池缺陷的检测方法，其特征在于，包括以下步骤：

步骤1、去除太阳能光伏电池原始图像I_x中的母线，并提高图像的亮度和对比度，得到待检图像I₀，所述原始图像I_x和待检图像I₀大小均为M×N；

步骤2、构建块数据删除模型，利用块数据删除模型在待检图像I₀中标记出异常块；

步骤3、剔除步骤2标记的图像中的异常块，并利用剔除异常块后的图像进行背景重建，得到重建背景图像

步骤4、计算待检图像I₀与背景图像

的差分图像ΔI，通过阈值分割得到检测结果I′；

步骤5、去除检测结果I′中的噪声点，得到最终的缺陷检测结果。

2.如权利要求1所述的一种太阳能光伏电池缺陷的检测方法，其特征在于，步骤1按照以下步骤进行：

步骤1.1、将原始图像I_x进行傅里叶变换，得到频谱图

并在频谱图

上划定频谱值保持不变的区域，所述频谱值保持不变的区域为以频谱图

的中心为圆心，以d为半径的圆形区域，所述d的取值范围为0＜d≤8；

步骤1.2、构造滤波器V，取滤波器V的带宽为D_u，控制带宽的参数为w，所述w的取值范围为

任意一点坐标为(u,v)的V(u,v)值由式(1)计算得到，其中D(u,v)为频谱图上点(u,v)距离频谱中心的距离，D(u,v)公式如式(2)，

步骤1.3、将频谱图

与构造的滤波器V做卷积，得到去除水平母线的太阳能光伏电池图像的频谱图

如式(3)，

步骤1.4、对

进行傅里叶逆变换，得到去除水平母线的太阳能光伏电池图像I_e，对图像I_e做幂次变换增强其亮度及对比度，得到待检图像I₀，幂次变换公式如式(4)，

其中参数C＞0,0＜r＜1。

3.如权利要求2所述的一种太阳能光伏电池缺陷的检测方法，其特征在于，步骤2按照以下步骤进行：

步骤2.1、将待检图像I₀分成若干大小为W×H的不重叠的图像块，并将每个图像块的所有像素灰度值的均值作为该图像块整体的像素值，得到图像I₁；

步骤2.2、记I₁中位于(x_i,x_j)处的像素值为Y_i,j，建立像素值与其像素位置间的非线性回归模型如式(5)，其中ε～N(0,σ²)；

利用式(5)根据最小二乘法可估算出系数

步骤2.3、从图像I₁中删除一个图像块l，利用剩下图像块的均值通过式(5)估算出系数

其中l＝1,2,…,k，k为图像块的个数；

步骤2.4、计算系数

和系数

的Cook距离Cook_l，Cook_l的计算公式如式(6)，

其中p为参数个数，X为坐标值矩阵，

为误差方差估计；

步骤2.5、计算Cook_l(l＝1,2,…,k)的上四分位数Q₃和四分位极差R₁，取上截断点为阈值T₁，所述阈值T₁的计算公式为T₁＝Q₃+1.5R₁；

步骤2.6、将步骤2.3计算得到的Cook_l与步骤2.5的阈值T₁比较，筛选出Cook_l大于阈值T₁的块，标记为异常块，得到图像I_c如式(7)，

4.如权利要求3所述的一种太阳能光伏电池缺陷的检测方法，其特征在于，步骤3按照以下步骤进行：

步骤3.1、从待检图像I₀中将步骤2标记的异常块全部剔除；

步骤3.2、利用非线性回归模型式(5)将剔除异常块后的待检图像I₀的无缺陷区域的像素值及其坐标进行拟合，计算出系数

步骤3.3、利用系数为

的非线性回归模型(5)进行背景图像重建，得到重建后的背景图像

如式(8)，

其中(x_i,x_j)为与待检图像I₀相同的坐标。

5.如权利要求4所述的一种太阳能光伏电池缺陷的检测方法，其特征在于，步骤4按照以下步骤进行：

步骤4.1、根据权利要求3中步骤2的待检图像I₀和权利要求4中步骤3的背景图像

计算差分图像ΔI，如式(9)：

步骤4.2、取阈值T₂＝μ+c₂σ,其中μ和σ分别为差分图像ΔI的灰度值的均值和标准差，c₂为常数，0＜c₂≤3，利用阈值T₂对差分图像ΔI进行分割可得到检测结果I′，如式(10)：

其中(r,c)为差分图像ΔI的像素的位置坐标。

6.如权利要求5所述的一种太阳能光伏电池缺陷的检测方法，其特征在于，步骤5按照以下步骤进行：

步骤5.1、结合检测结果I′和8-连通区域的面积，设置阈值T_area，所述T_area的取值范围为0＜T_area≤600；

步骤5.2、将8-连通区域面积与阈值T_area进行比较，并标记处8-连通区域面积大于等于阈值T_area的部分，得到去除噪声的异常区域，即检测出太阳能光伏电池的缺陷。

7.如权利要求2所述的一种太阳能光伏电池缺陷的检测方法，其特征在于，步骤1.1中，d＝4，步骤1.4中，C＝1,r＝0.7。

8.如权利要求5所述的一种太阳能光伏电池缺陷的检测方法，其特征在于，步骤4.2中，c₂＝2。

9.如权利要求6所述的一种太阳能光伏电池缺陷的检测方法，其特征在于，步骤5.1中，T_area＝100。

Images