[go: up one dir, main page]

CN113834816A - 基于机器视觉的光伏电池缺陷在线检测方法及系统 - Google Patents

基于机器视觉的光伏电池缺陷在线检测方法及系统 Download PDF

Info

Publication number
CN113834816A
CN113834816A CN202111165075.1A CN202111165075A CN113834816A CN 113834816 A CN113834816 A CN 113834816A CN 202111165075 A CN202111165075 A CN 202111165075A CN 113834816 A CN113834816 A CN 113834816A
Authority
CN
China
Prior art keywords
image
photovoltaic cell
defect
machine vision
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.)
Pending
Application number
CN202111165075.1A
Other languages
English (en)
Inventor
周显恩
王耀南
朱青
毛建旭
汪志成
王飞文
胡万杰
周新城
刘世福
杨林
陈锐
李达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Communication Terminal Industry Technology Research Institute Co ltd
Original Assignee
Jiangxi Communication Terminal Industry Technology Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi Communication Terminal Industry Technology Research Institute Co ltd filed Critical Jiangxi Communication Terminal Industry Technology Research Institute Co ltd
Priority to CN202111165075.1A priority Critical patent/CN113834816A/zh
Publication of CN113834816A publication Critical patent/CN113834816A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Geometry (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器视觉的光伏电池缺陷在线检测方法及系统，包括以下步骤：S2、采集图像：利用光致发光成像技术，采集经过待检测区域的光伏电池的原始图像，所述原始图像为光致发光图像；S3、图像预处理：对采集到的所述原始图像进行图像矫正、图像滤波降噪、去除栅线和图像增强，完成图像的预处理；S4、图像分割：结合直方图双峰法和自适应阈值法对预处理后的图像进行图像分割，得到二值图像；S5、连通域检测：采用连通域检测算法对分割后得到的二值图像进行连通域检测，识别出光伏电池缺陷，并输出缺陷检测结果。通过上述过程，本发明能快速准确识别光伏电池不同种类的缺陷，具有检测精准且检测范围广的优点。

Description

基于机器视觉的光伏电池缺陷在线检测方法及系统
技术领域
本发明涉及图像处理技术领域，特别是涉及一种基于机器视觉的光伏电池缺陷在线检测方法及系统。
背景技术
光伏电池是光伏产业的重要产品之一，具有广阔的视场前景。但由于光伏电池生产加工环节多，在生产过程中不可避免会出现缺角、裂痕、黑斑及黑心等各类缺陷，这些缺陷严重影响了电池片的性能和稳定性。因此，在生产过程中对光伏电池进行缺陷检测非常重要，是工业生产中不可或缺的一环。
刘磊等人提出了一种积分投影与灰度重心相结合的定位算法处理二值分割图像，并设计了以径向基(RBF)为核函数的支持向量机(SVM)分类器，实现了对缺角、断栅、裂纹等几种常见缺陷的检测(刘磊,王冲,赵树旺,李海滨.基于机器视觉的太阳能电池片缺陷检测技术的研究[J].电子测量与仪器学报,2018,32(10):47-52)，但该方法检测光伏电池缺陷的准确率还有待提高。ANWAR S等人提出了一种改进的各向异性扩散滤波算法和图像分割技术，准确检测出了多晶硅太阳能电池中的微裂纹缺陷(Said Amirul Anwar,Mohd ZaidAbdullah.Micro-crack detection of multicrystalline solar cells featuring animproved anisotropic diffusion filter and image segmentation technique[J].EURASIP Journal on Image and Video Processing,2014,2014(1))，但该方法只能用于检测微裂纹缺陷，而对断栅、黑心等缺陷无能为力。Peng Xu等人使用图像分割、高斯滤波、Hough变换等机器视觉方法对光伏模块的微裂纹进行检测(Peng Xu,Wenju Zhou,MinruiFei.DETECTION METHODS FOR MICRO-CRACKED DEFECTS OF PHOTOVOLTAIC MODULES BASEDON MACHINE VISION[A].IEEE Beijing Section.Proceedings of 2014IEEE 3rdInternational Conference on Cloud Computing and Intelligence Systems[C].IEEEBeijing Section:IEEE BEIJING SECTION(跨国电气电子工程师学会北京分会),2014:5.)，但该方法所检测微裂纹适用于尺寸较大的裂纹，对细小隐裂的检测效果不佳。M.Song等人通过图像分割、形态优化和特征识别等方法设计了一种太阳能电池缺陷检测系统，成功识别出光伏电池中的断角和黑边缺陷(Song,M.P.,et al."Research On Broken CornerAnd Black Edge Detection Of Solar Cell."2018International Conference onMachine Learning and Cybernetics(ICMLC)2018.)，但该方法能够检测出的光伏电池缺陷种类有限。Tsai等人提出了一种基于独立分量分析的电致发光图像太阳能组件的缺陷检测方法(D.Tsai,S.Wu and W.Chiu,"Defect Detection in Solar Modules Using ICABasis Images,"in IEEE Transactions on Industrial Informatics,vol.9,no.1,pp.122-131,Feb.2013,doi:10.1109/TII.2012.2209663.)，该方法首先在学习阶段利用ICA在一组无缺陷的太阳能光伏电池图像中找到一组独立的基图像，再在检测阶段将检测到的每个太阳能光伏电池图像重建成基图像的线性组合，然后利用线性组合的系数作为特征向量进行分类，并对测试图像与ICA基图像的重建图像之间的重建误差进行评估，该方法对符合训练特征的图像能有效地判别出是否为缺陷图像，但并未给出缺陷的具体位置，同时该方法只能用于检测和训练样本大小相同且类型相似的图像，而非任意尺寸和类型的太阳能光伏电池图像，具有一定的局限性。
发明内容
有鉴于此，本发明提出一种基于机器视觉的光伏电池缺陷在线检测方法及系统，以解决光照不均匀、电致发光等成像方式需通电检测可能会对光伏电池造成二次损害，以及噪声、栅线等因素影响缺陷检测结果的技术问题。
一方面，本发明提供了一种基于机器视觉的光伏电池缺陷在线检测方法，包括以下步骤：
S2、采集图像：利用光致发光成像技术，采集经过待检测区域的光伏电池的原始图像，所述原始图像为光致发光图像；
S3、图像预处理：对采集到的所述原始图像进行图像矫正、图像滤波降噪、去除栅线和图像增强，完成图像的预处理；
S4、图像分割：结合直方图双峰法和自适应阈值法对预处理后的图像进行图像分割，得到二值图像；
S5、连通域检测：采用连通域检测算法对分割后得到的二值图像进行连通域检测，识别出光伏电池缺陷，并输出缺陷检测结果。
进一步地，所述步骤2具体表现为：在待检测区域两侧分别放置一个光源，当光伏电池经过时，同时开启两个光源，以便采集光伏电池的原始图像。
进一步地，所述步骤S3中图像预处理包括以下过程：
S31、利用Hough变换检测光伏电池的原始图像中的直线，从而获得偏转角，再利用仿射变换将图像矫正，然后采用角点检测方法获得光伏电池的四个角点，裁去无关的黑色背景区域，得到仅保留光伏电池的图像；
S32、采用高斯低通滤波器对输入图像进行降噪处理；
S33、采用局部低通滤波器去除光伏电池中密集分布栅线的同时，保留图像的细节和内容；
S34、采用对数变换对图像进行增强，以提高图像的亮度和对比度。
进一步地，所述高斯低通滤波器为：
Figure BDA0003291072620000031
式中，(u,v)表示图像中某一像素点的空间坐标，u表示该像素点的横坐标，v表示该像素点的纵坐标，H(u,v)是高斯低通滤波器在像素点(u,v)处的值，D0是一个预设常数，D(u,v)是光伏电池频谱图中点(u,v)与频谱图中心点的距离。
进一步地，所述局部低通滤波器为：
Figure BDA0003291072620000032
式中，G(u,v)是局部低通滤波器在像素点(u,v)处的值，d是一个预设常数，ω是局部低通滤波器带宽，0＜ω≤N，M、N分别代表图像的宽、长。
进一步地，所述步骤4中图像分割包括：
S41、分别采用直方图双峰法和自适应阈值法对预处理后的光伏电池图像进行图像分割，分割出大面积缺陷和小面积缺陷的二值图像；
S42、将采用直方图双峰法和自适应阈值法分割后的大面积缺陷和小面积缺陷的二值图像相乘，融合得到完整的二值图像。
进一步地，所述步骤5中连通域检测分为两步：
S51、基于缺陷在融合后得到的所述完整的二值图像中表现为黑色区域，采用连通域检测算法检测出所述完整的二值图像中的缺陷区域后用不同的颜色标记，并得到缺陷区域面积、坐标信息；
S52、根据缺陷面积、坐标信息，框选出缺陷区域，并在所述原始图像中输出缺陷检测结果。
进一步地，其特征在于，所述步骤S2之前包括：
S1、拍照确认：在无光伏电池的情况下对安装了滤光片的工业相机进行拍照确认，以保证光源不会对成像造成干扰，所述工业相机用于采集光伏电池的原始图像。
进一步地，所述步骤S1具体表现为：在无光伏电池的情况下对安装了滤光片的工业相机进行拍照确认，通过分析拍摄的照片来判断光源是否会对成像产生干扰；如果判定光源会对成像产生干扰，则检查滤光片的安装，或是更换滤光片；反之，则进入步骤S2。
另一方面，本发明还提供了一种基于机器视觉的光伏电池缺陷在线检测系统，包括工控机、工业相机、光源和滤光片，所述工控机分别与工业相机连接，所述滤光片安装在工业相机的镜头前，所述光源用于照射光伏电池，使其内部电子跃迁从而产生荧光效应；所述工业相机用于在接收到工控机的拍照指令时，获取光伏电池的光致发光图像，并返回给工控机；所述滤光片用于过滤光源发出的光，使工控机得到的图像完全由光伏电池荧光效应形成；所述工控机用于发送拍照指令给工业相机，以及接收工业相机反馈的光致发光图像，所述基于机器视觉的光伏电池缺陷在线检测系统采用其上所述的基于机器视觉的光伏电池缺陷在线检测方法进行缺陷检测。
故此，相比现有技术，本发明的优点在于：
(1)能有效去除栅线，更好地保留图像的细节和内容。光伏电池中存在的大量密集分布的栅线会在缺陷检测的过程中和缺陷一同被检测出来，因此需要在图像预处理时去除栅线，防止对缺陷检测结果造成影响。栅线在频谱图中表现为高频信号，如果采用传统的低通滤波器对图像进行全局低通滤波，虽然能够除去表示栅线的高频信号，但同时会过滤其他高频信号，使得处理后的图像模糊化程度严重，丢失较多的细节。本发明通过构造一种局部低通滤波器，精确滤除栅线对应的高频信号，有效去除栅线的同时，降低了图像的模糊化程度，更好地保留了图像的细节和内容。
(2)识别精度较高，识别范围更广。传统的机器视觉方法在进行光伏电池缺陷检测时，往往存在识别高度不高、识别缺陷的种类较为单一等问题，本发明采用直方图双峰法和自适应阈值法相结合的图像分割方法，有效分割出光伏电池中的各类缺陷，并且有着较高的识别精度。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一实施例提供的基于机器视觉的光伏电池缺陷在线检测方法的流程图；
图2为本发明另一实施例提供的基于机器视觉的光伏电池缺陷在线检测方法的流程图；
图3为局部低通滤波器的示意图；
图4为采用本发明基于机器视觉的光伏电池缺陷在线检测方法处理光伏电池图像的过程图；
图5为光致发光成像技术的原理图。
具体实施方式
需要说明的是，为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开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公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，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，都应当属于本公开保护的范围。
图1是本发明一实施例提供的基于机器视觉的光伏电池缺陷在线检测方法的流程图。在一个实施例中，如图1所示，该方法包括以下步骤：
S2、采集图像：利用光致发光成像技术，采集经过待检测区域的光伏电池的原始图像，所述原始图像为光致发光图像；
S3、图像预处理：对采集到的所述原始图像进行图像矫正、图像滤波降噪、去除栅线和图像增强，完成图像的预处理；
S4、图像分割：结合直方图双峰法和自适应阈值法对预处理后的图像进行图像分割，得到二值图像；
S5、连通域检测：采用连通域检测算法对分割后得到的二值图像进行连通域检测，识别出光伏电池缺陷，并输出缺陷检测结果。
本发明，首先采集光伏电池光致发光图像数据，通过光致发光成像技术提高了光伏电池的成像速度和样本数据质量，且能对光伏电池的过程片进行检测；其次，为解决噪声、栅线等因素影响缺陷检测结果的问题，提出了图像矫正、图像滤波降噪，并采用局部低通滤波器去栅线，以及图像增强；再结合直方图双峰法和自适应阈值法进行图像分割；最后，通过连通域检测算法对分割后得到的二值图像进行连通域检测。该方法能在较好地保留图像细节和信息的情况下去除栅线，并且能准确识别出不同种类的光伏电池缺陷。
同时，参见图2，在该实施例中，为保证采集到的图像是由光伏电池荧光效应所产生的，防止光源对成像造成干扰，在检测光伏电池缺陷之前，上述基于机器视觉的光伏电池缺陷在线检测方法还包括，步骤S1、拍照确认：在无光伏电池的情况下对安装了滤光片的工业相机进行拍照确认，以保证光源不会对成像造成干扰，上述工业相机用于采集光伏电池的原始图像。具体地，该步骤中在无光伏电池的情况下对安装了滤光片的工业相机进行拍照确认，通过分析拍摄的照片来判断光源是否会对成像产生干扰；如果判定光源会对成像产生干扰，则检查滤光片的安装，或是更换滤光片；反之，则进入步骤S2。
在一个实施例中，步骤2具体表现为：在待检测区域两侧分别放置一个光源，当光伏电池经过时，同时开启两个光源，以便采集光伏电池的原始图像。即通过这种双光源视觉成像，降低了图像光照不均匀程度。
在一个实施例中，步骤S3中图像预处理包括以下过程：
S31、利用Hough变换检测光伏电池的原始图像中的直线，从而获得偏转角，再利用仿射变换将图像矫正，然后采用角点检测方法获得光伏电池的四个角点，裁去无关的黑色背景区域，得到仅保留光伏电池的图像；
之所以需要对图像进行矫正，是因为由于光伏电池位置摆放不正，会导致其在图像中倾斜一定的角度。
S32、采用高斯低通滤波器对输入图像进行降噪处理；通过该过程，以消除光伏电池光致发光图像在采集、形成和传输过程中受到的噪声污染；
该高斯低通滤波器为：
Figure BDA0003291072620000071
式中，(u,v)表示图像中某一像素点的空间坐标，u表示该像素点的横坐标，v表示该像素点的纵坐标，H(u,v)是高斯低通滤波器在像素点(u,v)处的值，u表示，v表示，D0是一个预设常数，D(u,v)是光伏电池频谱图中点(u,v)与频谱图中心点的距离。需要说明的是，由于高斯低通滤波为频域滤波方法，涉及频域滤波方法即默认为有频谱图，因此存在光伏电池频谱图。
由于光伏电池中存在大量密集分布的栅线，其会在后续的缺陷检测中与缺陷一同被检测出来，对缺陷检测结果造成严重影响，因此需要在预处理时去除栅线，提出了一种局部低通滤波器，有效去除栅线的同时，更好地保留了图像的细节和内容，具体地：
S33、采用局部低通滤波器去除光伏电池中密集分布栅线的同时，保留图像的细节和内容；该局部低通滤波器为：
Figure BDA0003291072620000081
式中，G(u,v)是局部低通滤波器在像素点(u,v)处的值，d是一个预设常数，一般代表滤波范围的某个阈值，ω是局部低通滤波器带宽，0＜ω≤N，M、N分别代表图像的宽、长。图3即为局部低通滤波器的示意图。
S34、采用对数变换对图像进行增强，以提高图像的亮度和对比度。
在一个实施例中，步骤4中图像分割包括：
S41、分别采用直方图双峰法和自适应阈值法对预处理后的光伏电池图像进行图像分割，分割出大面积缺陷和小面积缺陷的二值图像；
需要说明的是，大面积缺陷具体指在整幅图像中的面积占比大于等于0.03％的面积缺陷，小面积缺陷指在整幅图像中的面积占比低于0.03％的面积缺陷。
S42、将采用直方图双峰法和自适应阈值法分割后的大面积缺陷和小面积缺陷的二值图像相乘，融合得到完整的二值图像。
同时，作为本发明的优选实施例，步骤5中连通域检测分为两步：
S51、基于缺陷在融合后得到的所述完整的二值图像中表现为黑色区域，采用连通域检测算法检测出所述完整的二值图像中的缺陷区域后用不同的颜色标记，并得到缺陷区域面积、坐标信息；
S52、根据缺陷面积、坐标信息，框选出缺陷区域，并在所述原始图像中输出缺陷检测结果。
图5即为采用本发明基于机器视觉的光伏电池缺陷在线检测方法处理光伏电池图像的过程图。具体过程为：采集光伏电池原始图像-图像矫正-裁剪-降噪-去栅线-图像增强-图像分割-用不同颜色标记缺陷-得到缺陷检测结果。通过上述过程可知，本发明具有检测精准，且能快速准确识别光伏电池不同种类缺陷的优点。
在一个实施例中，本发明还提出了一种基于机器视觉的光伏电池缺陷在线检测系统，包括工控机、工业相机、光源和滤光片，工控机分别与工业相机连接，滤光片安装在工业相机的镜头前，光源用于照射光伏电池，使其内部电子跃迁从而产生荧光效应；工业相机用于在接收到工控机的拍照指令时，获取光伏电池的光致发光图像，并返回给工控机；滤光片用于过滤光源发出的光，使工控机得到的图像完全由光伏电池荧光效应形成；工控机用于发送拍照指令给工业相机，以及接收工业相机反馈的光致发光图像，该基于机器视觉的光伏电池缺陷在线检测系统采用前述的基于机器视觉的光伏电池缺陷在线检测方法进行缺陷检测。优选地，上述工控机包括I7处理器和RTX3060显卡；光源为蓝光激光光源。
具体地，在该检测系统中，在工业相机的镜头前安装滤光片，以便有效过滤光源发出的蓝光，得到光伏电池产生的红外波段荧光，然后在待检测区域两侧分别放置一个光源，当光伏电池经过待检测区域时，两侧的光源发出蓝光激光照射光伏电池，工业相机采集光伏电池产生的荧光图像传送至工控机，形成光伏电池光致发光图像，通过光致发光成像技术提高了光伏电池的成像速度和样本数据质量，且能对光伏电池过程片进行检测，为解决噪声、栅线等因素影响缺陷检测结果的问题，采用图像矫正、图像滤波降噪，并提出局部低通滤波器去栅线以及采用图像增强，再结合直方图双峰法和自适应阈值法进行图像分割，最后，通过连通域检测算法对分割后得到的二值图像进行连通域检测。本发明能在较好地保留图像细节和信息的情况下去除栅线，并且能准确识别出不同种类的光伏电池缺陷，识别精度较高，识别范围更广。
图5即为光致发光成像技术的原理图。具体地，光伏电池4包括从上往下依次叠设的导带41、硅片42和价带43，滤光片2设置于工业相机1的镜头前，当光伏电池4经过待检测区域时，光源3发出蓝光激光照射光伏电池4上，使其内部电子跃迁从而产生荧光效应，进而生成光伏电池光致发光图像，本发明通过光致发光成像技术提高了光伏电池的成像速度和样本数据质量。
以上对本发明所提供的基于机器视觉的光伏电池缺陷在线检测方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.基于机器视觉的光伏电池缺陷在线检测方法，其特征在于，包括以下步骤：
S2、采集图像：利用光致发光成像技术，采集经过待检测区域的光伏电池的原始图像，所述原始图像为光致发光图像；
S3、图像预处理：对采集到的所述原始图像进行图像矫正、图像滤波降噪、去除栅线和图像增强，完成图像的预处理；
S4、图像分割：结合直方图双峰法和自适应阈值法对预处理后的图像进行图像分割，得到二值图像；
S5、连通域检测：采用连通域检测算法对分割后得到的二值图像进行连通域检测，识别出光伏电池缺陷，并输出缺陷检测结果。
2.根据权利要求1所述的基于机器视觉的光伏电池缺陷在线检测方法，其特征在于，所述步骤2具体表现为：在待检测区域两侧分别放置一个光源，当光伏电池经过时，同时开启两个光源，以便采集光伏电池的原始图像。
3.根据权利要求2所述的基于机器视觉的光伏电池缺陷在线检测方法，其特征在于，所述步骤S3中图像预处理包括以下过程：
S31、利用Hough变换检测光伏电池的原始图像中的直线，从而获得偏转角，再利用仿射变换将图像矫正，然后采用角点检测方法获得光伏电池的四个角点，裁去无关的黑色背景区域，得到仅保留光伏电池的图像；
S32、采用高斯低通滤波器对输入图像进行降噪处理；
S33、采用局部低通滤波器去除光伏电池中密集分布栅线的同时，保留图像的细节和内容；
S34、采用对数变换对图像进行增强，以提高图像的亮度和对比度。
4.根据权利要求3所述的基于机器视觉的光伏电池缺陷在线检测方法，其特征在于，所述高斯低通滤波器为：
Figure FDA0003291072610000011
式中，(u,v)表示图像中某一像素点的空间坐标，u表示该像素点的横坐标，v表示该像素点的纵坐标，H(u,v)是高斯低通滤波器在像素点(u,v)处的值，D0是一个预设常数，D(u,v)是光伏电池频谱图中点(u,v)与频谱图中心点的距离。
5.根据权利要求3所述的基于机器视觉的光伏电池缺陷在线检测方法，其特征在于，所述局部低通滤波器为：
Figure FDA0003291072610000021
式中，G(u,v)是局部低通滤波器在像素点(u,v)处的值，d是一个预设常数，ω是局部低通滤波器带宽，0＜ω≤N，M、N分别代表图像的宽、长。
6.根据权利要求3所述的基于机器视觉的光伏电池缺陷在线检测方法，其特征在于，所述步骤4中图像分割包括：
S41、分别采用直方图双峰法和自适应阈值法对预处理后的光伏电池图像进行图像分割，分割出大面积缺陷和小面积缺陷的二值图像；
S42、将采用直方图双峰法和自适应阈值法分割后的大面积缺陷和小面积缺陷的二值图像相乘，融合得到完整的二值图像。
7.根据权利要求6所述的基于机器视觉的光伏电池缺陷在线检测方法，其特征在于，所述步骤5中连通域检测分为两步：
S51、基于缺陷在融合后得到的所述完整的二值图像中表现为黑色区域，采用连通域检测算法检测出所述完整的二值图像中的缺陷区域后用不同的颜色标记，并得到缺陷区域面积、坐标信息；
S52、根据缺陷面积、坐标信息，框选出缺陷区域，并在所述原始图像中输出缺陷检测结果。
8.根据权利要求1至7中任一项所述的基于机器视觉的光伏电池缺陷在线检测方法，其特征在于，所述步骤S2之前包括：
S1、拍照确认：在无光伏电池的情况下对安装了滤光片的工业相机进行拍照确认，以保证光源不会对成像造成干扰，所述工业相机用于采集光伏电池的原始图像。
9.根据权利要求8所述的基于机器视觉的光伏电池缺陷在线检测方法，其特征在于，所述步骤S1具体表现为：在无光伏电池的情况下对安装了滤光片的工业相机进行拍照确认，通过分析拍摄的照片来判断光源是否会对成像产生干扰；如果判定光源会对成像产生干扰，则检查滤光片的安装，或是更换滤光片；反之，则进入步骤S2。
10.基于机器视觉的光伏电池缺陷在线检测系统，其特征在于，包括工控机、工业相机、光源和滤光片，所述工控机分别与工业相机连接，所述滤光片安装在工业相机的镜头前，所述光源用于照射光伏电池，使其内部电子跃迁从而产生荧光效应；所述工业相机用于在接收到工控机的拍照指令时，获取光伏电池的光致发光图像，并返回给工控机；所述滤光片用于过滤光源发出的光，使工控机得到的图像完全由光伏电池荧光效应形成；所述工控机用于发送拍照指令给工业相机，以及接收工业相机反馈的光致发光图像，所述基于机器视觉的光伏电池缺陷在线检测系统采用权利要求1至9中任一项所述的基于机器视觉的光伏电池缺陷在线检测方法进行缺陷检测。
CN202111165075.1A 2021-09-30 2021-09-30 基于机器视觉的光伏电池缺陷在线检测方法及系统 Pending CN113834816A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111165075.1A CN113834816A (zh) 2021-09-30 2021-09-30 基于机器视觉的光伏电池缺陷在线检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111165075.1A CN113834816A (zh) 2021-09-30 2021-09-30 基于机器视觉的光伏电池缺陷在线检测方法及系统

Publications (1)

Publication Number Publication Date
CN113834816A true CN113834816A (zh) 2021-12-24

Family

ID=78967988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111165075.1A Pending CN113834816A (zh) 2021-09-30 2021-09-30 基于机器视觉的光伏电池缺陷在线检测方法及系统

Country Status (1)

Country Link
CN (1) CN113834816A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114463327A (zh) * 2022-04-08 2022-05-10 深圳市睿阳精视科技有限公司 电子产品内衬包装水印缺陷的多节拍成像检测设备与方法
CN114701083A (zh) * 2022-06-06 2022-07-05 广东高景太阳能科技有限公司 一种硅片切割原料处理方法、系统、介质及设备
CN114937013A (zh) * 2022-05-19 2022-08-23 武汉光目科技有限公司 一种光伏印刷网版缺陷检测方法及系统
CN115170550A (zh) * 2022-07-29 2022-10-11 江苏大学 一种基于深度学习的电池缺陷检测方法及系统
CN115526855A (zh) * 2022-09-23 2022-12-27 浙江求是半导体设备有限公司 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质
CN116245794A (zh) * 2022-12-02 2023-06-09 广州市儒兴科技股份有限公司 太阳能电池背场外观测试方法、装置以及可读存储介质
CN116363097A (zh) * 2023-03-30 2023-06-30 江西省通讯终端产业技术研究院有限公司 一种光伏板的缺陷检测方法及系统
CN116840241A (zh) * 2023-07-27 2023-10-03 南京理工大学 基于机器视觉的圆柱形干电池负极面缺陷检测方法
CN117314843A (zh) * 2023-09-14 2023-12-29 南京理工大学 基于图像处理的干电池负极盖瑕疵检测与识别方法
CN117664984A (zh) * 2023-12-01 2024-03-08 上海宝柏新材料股份有限公司 一种缺陷检测方法、装置、系统及存储介质
WO2024055253A1 (zh) * 2022-09-15 2024-03-21 华为技术有限公司 成像设备及成像方法
CN119887700A (zh) * 2024-12-30 2025-04-25 北京卓翼智能科技有限公司 基于图像处理的缺陷识别方法、控制器和存储介质
CN116363097B (zh) * 2023-03-30 2026-02-06 江西省通讯终端产业技术研究院有限公司 一种光伏板的缺陷检测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100002932A1 (en) * 2008-07-01 2010-01-07 Nisshinbo Holdings Inc. Photovoltaic devices inspection apparatus and method of determining defects in photovoltaic device
CN102812347A (zh) * 2010-01-04 2012-12-05 Bt成像股份有限公司 用于光伏电池和晶片的光致发光成像的照射系统和方法
CN108355981A (zh) * 2018-01-08 2018-08-03 西安交通大学 一种基于机器视觉的电池连接器质量检测方法
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系统
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
CN110866916A (zh) * 2019-11-29 2020-03-06 广州大学 一种基于机器视觉的光伏电池片黑心黑角检测方法、装置及设备
CN111242892A (zh) * 2019-12-27 2020-06-05 西安理工大学 一种太阳能光伏电池缺陷的检测方法
CN111229648A (zh) * 2020-01-19 2020-06-05 青岛滨海学院 基于机器视觉的太阳能电池板瑕疵检测系统及检测方法
CN112821868A (zh) * 2020-12-31 2021-05-18 浙江爱旭太阳能科技有限公司 一种pl检测系统的控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100002932A1 (en) * 2008-07-01 2010-01-07 Nisshinbo Holdings Inc. Photovoltaic devices inspection apparatus and method of determining defects in photovoltaic device
CN102812347A (zh) * 2010-01-04 2012-12-05 Bt成像股份有限公司 用于光伏电池和晶片的光致发光成像的照射系统和方法
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
CN108355981A (zh) * 2018-01-08 2018-08-03 西安交通大学 一种基于机器视觉的电池连接器质量检测方法
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系统
CN110866916A (zh) * 2019-11-29 2020-03-06 广州大学 一种基于机器视觉的光伏电池片黑心黑角检测方法、装置及设备
CN111242892A (zh) * 2019-12-27 2020-06-05 西安理工大学 一种太阳能光伏电池缺陷的检测方法
CN111229648A (zh) * 2020-01-19 2020-06-05 青岛滨海学院 基于机器视觉的太阳能电池板瑕疵检测系统及检测方法
CN112821868A (zh) * 2020-12-31 2021-05-18 浙江爱旭太阳能科技有限公司 一种pl检测系统的控制方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114463327A (zh) * 2022-04-08 2022-05-10 深圳市睿阳精视科技有限公司 电子产品内衬包装水印缺陷的多节拍成像检测设备与方法
CN114937013A (zh) * 2022-05-19 2022-08-23 武汉光目科技有限公司 一种光伏印刷网版缺陷检测方法及系统
CN114701083A (zh) * 2022-06-06 2022-07-05 广东高景太阳能科技有限公司 一种硅片切割原料处理方法、系统、介质及设备
CN114701083B (zh) * 2022-06-06 2022-08-05 广东高景太阳能科技有限公司 一种硅片切割原料处理方法、系统、介质及设备
CN115170550A (zh) * 2022-07-29 2022-10-11 江苏大学 一种基于深度学习的电池缺陷检测方法及系统
WO2024055253A1 (zh) * 2022-09-15 2024-03-21 华为技术有限公司 成像设备及成像方法
CN115526855A (zh) * 2022-09-23 2022-12-27 浙江求是半导体设备有限公司 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质
CN116245794A (zh) * 2022-12-02 2023-06-09 广州市儒兴科技股份有限公司 太阳能电池背场外观测试方法、装置以及可读存储介质
CN116363097A (zh) * 2023-03-30 2023-06-30 江西省通讯终端产业技术研究院有限公司 一种光伏板的缺陷检测方法及系统
CN116363097B (zh) * 2023-03-30 2026-02-06 江西省通讯终端产业技术研究院有限公司 一种光伏板的缺陷检测方法及系统
CN116840241A (zh) * 2023-07-27 2023-10-03 南京理工大学 基于机器视觉的圆柱形干电池负极面缺陷检测方法
CN117314843A (zh) * 2023-09-14 2023-12-29 南京理工大学 基于图像处理的干电池负极盖瑕疵检测与识别方法
CN117664984A (zh) * 2023-12-01 2024-03-08 上海宝柏新材料股份有限公司 一种缺陷检测方法、装置、系统及存储介质
CN119887700A (zh) * 2024-12-30 2025-04-25 北京卓翼智能科技有限公司 基于图像处理的缺陷识别方法、控制器和存储介质

Similar Documents

Publication Publication Date Title
CN113834816A (zh) 基于机器视觉的光伏电池缺陷在线检测方法及系统
CN115908415B (zh) 基于边缘的缺陷检测方法、装置、设备及存储介质
CN115205223B (zh) 透明物体的视觉检测方法、装置、计算机设备及介质
CN101464418B (zh) 缺陷检测方法以及缺陷检测装置
CN114594114B (zh) 一种锂电芯全自动在线无损检测方法
CN114494210A (zh) 基于图像处理的塑料膜生产缺陷检测方法及系统
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN113129260B (zh) 一种锂电池电芯内部缺陷的自动检测方法及装置
CN113487563B (zh) 一种基于el图像的光伏组件隐裂自适应检测方法
CN108918093B (zh) 一种滤光片镜面缺陷检测方法、装置及终端设备
CN114565558B (zh) 一种cmos芯片表面缺陷检测方法及系统
CN109378279A (zh) 晶圆检测方法及晶圆检测系统
CN119027423B (zh) 一种有机电致发光器件的缺陷检测方法及系统
CN117456371B (zh) 一种组串热斑检测方法、装置、设备及介质
CN111724375B (zh) 一种屏幕检测方法及系统
CN116503324A (zh) 一种基于机器视觉的黑胶模组外观检测方法及系统
CN109448012A (zh) 一种图像边缘检测方法及装置
US11493453B2 (en) Belt inspection system, belt inspection method, and recording medium for belt inspection program
CN119963553A (zh) 基于深度学习与图像处理的针痕检测方法及系统
CN119540205A (zh) 一种ic载板残膜检验方法及系统
CN118655143A (zh) 一种硅片质量检测方法及相关装置
CN114466183B (zh) 基于特征光谱的铜箔瑕疵检测方法、装置和电子设备
CN117805142A (zh) 缺陷检测方法、缺陷检测装置和计算机可读存储介质
CN117686512A (zh) 硅片倒角崩边视觉检测方法及装置
CN115239629A (zh) 一种花篮内多类型电池片的在线质量感知方法

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