一種太陽能電池板表面缺陷檢測系統和方法與流程

文檔序號：11618507閱讀：854來源：國知局

本發(fā)明屬于圖像處理領域，特別涉及一種太陽能電池板表面缺陷檢測系統和方法。

背景技術：

如今隨著不可再生能源污染枯竭等問題，環(huán)保問題愈發(fā)引起重視，發(fā)展可再生能源已經是未來趨勢。預計到2030年，可再生能源在全球能源結構中占比達30％以上。太陽能電池作為可再生能源中的重要組成部分有望迎來快速發(fā)展。隨著技術的不斷發(fā)展，各太陽能電池板廠商均采用降低硅晶片厚度來降低成本。目前硅晶片的厚度已普遍為百微米級，這種做法易使得產品出現裂痕、缺角等缺陷。而產品的合格率是企業(yè)競爭力的關鍵因素之一，因而及時檢測出缺陷的種類針對性地改進生產工藝顯得尤為重要。

目前的太陽能電池檢測中關于電池板表面的缺陷很少，主要有人工觀察檢測、紅外圖像檢測。但以上兩種檢測方法各有其局限性：人工觀察需耗費大量勞動力且準確率不高，目前生產工藝中有一些肉眼難以觀察出來的缺陷，隨著產量的提升，人工檢測的效率難以提升并且每個人的檢測標準難以做到一致；紅外圖像檢測受周圍環(huán)境影響較大。故傳統的太陽能表面缺陷檢測方法愈來愈不能適應日益復雜的生產工藝與越來越高的缺陷要求。因此為了克服傳統檢測方法的局限性，需要研究新地太陽能電池表面缺陷檢測方法及設備。

技術實現要素：

有鑒于此，本發(fā)明的目的在于提供一種能夠檢測太陽能電池板表面瑕疵，并對瑕疵點進行評估，分析瑕疵類型、大小、顏色和深度的檢測系統和方法。

為達到上述目的，本發(fā)明提供了一種太陽能電池板表面缺陷檢測系統，包括圖像采集模塊、圖像處理模塊和交互終端，其中，

所述圖像采集模塊將捕獲的太陽能電池板的圖像輸出給所述圖像處理模塊進行圖像處理及太陽能電池板表面缺陷瑕疵分析，所述圖像處理模塊的輸出與所述交互終端連接，交互終端接收指令并實時響應及顯示太陽能電池板的表面缺陷類型和位置。

優(yōu)選地，所述圖像采集模塊包括攝像頭和led光源組，led光源組對攝像頭采集圖像時進行補光。

優(yōu)選地，所述圖像處理模塊包括預處理單元、圖像分割單元、模式識別單元，三者依次連接，識別出太陽能電池板表面的瑕疵點，對瑕疵點的類型、大小、顏色和深度進行處理評估。

優(yōu)選地，所述交互終端包括操控單元和顯示單元，操控單元用于指令接收和瑕疵標識，顯示單元對被測的太陽能電池板表面和瑕疵進行顯示。

優(yōu)選地，所述模式識別單元至少包括色差識別子單元、臟污識別子單元和缺損識別子單元。

基于上述目的，本發(fā)明還提供了一種基于上述太陽能電池板表面缺陷檢測系統的檢測方法，包括以下步驟：

對被測的太陽能電池板進行圖像采集捕獲；

輸入圖像處理模塊圖像處理及太陽能電池板表面缺陷瑕疵分析；

交互終端對圖像處理模塊輸出的被測太陽能電池板的表面缺陷類型和位置進行顯示，并接收指令、實時響應及顯示。

優(yōu)選地，所述輸入圖像處理模塊圖像處理及太陽能電池板表面缺陷瑕疵分析，包括以下步驟：

預處理，進行灰度化、中值濾波及邊緣檢測，去除圖像噪聲和增強圖像對比度；

圖像分割，進行閾值分割；

模式識別，對缺陷瑕疵部分進行定位及類型識別。

優(yōu)選地，所述邊緣檢測采用sobel算子。

優(yōu)選地，所述模式識別采用差影法，得到缺陷部分的位置。

優(yōu)選地，還包括特征提取步驟，采用8連通標記法將得到的缺陷識別結果傳送到交互終端。

本發(fā)明的有益效果在于：利用圖像處理檢測技術具有非接觸、速度快、精度高、現場抗干擾能力強、避免人為因素的優(yōu)點，能較好的滿足現代化生產對檢測手段的要求，在實際的工業(yè)生產中已經顯示出了巨大的應用前景，如太陽能電池片缺陷檢測，皮革缺陷檢測，玻璃瓶的尺寸測量及缺陷檢測等。本發(fā)明正是利用不同的圖像處理算法檢測不同的缺陷，而且使用處理器使得運算速度大大提高，滿足了太陽能電池片缺陷檢測的要求，為減少資源浪費，提高生產效率提供了強有力的保障。

附圖說明

為了使本發(fā)明的目的、技術方案和有益效果更加清楚，本發(fā)明提供如下附圖進行說明：

圖1為本發(fā)明系統實施例1的一種太陽能電池板表面缺陷檢測系統結構示意圖；

圖2為本發(fā)明系統實施例2的一種太陽能電池板表面缺陷檢測系統結構示意圖；

圖3為本發(fā)明系統實施例3的一種太陽能電池板表面缺陷檢測系統結構示意圖；

圖4為本發(fā)明系統實施例4的一種太陽能電池板表面缺陷檢測系統結構示意圖；

圖5為本發(fā)明方法實施例1的一種太陽能電池板表面缺陷檢測方法的步驟流程圖。

具體實施方式

下面將結合附圖，對本發(fā)明的優(yōu)選實施例進行詳細的描述。

系統實施例1

參見圖1，所示為本發(fā)明實施例1的一種太陽能電池板表面缺陷檢測系統結構示意圖，一種太陽能電池板表面缺陷檢測系統，包括圖像采集模塊10、圖像處理模塊20和交互終端30，其中，

所述圖像采集模塊10將捕獲的太陽能電池板的圖像輸出給所述圖像處理模塊20進行圖像處理及太陽能電池板表面缺陷瑕疵分析，所述圖像處理模塊20的輸出與所述交互終端30連接，交互終端30接收指令并實時響應及顯示太陽能電池板的表面缺陷類型和位置。

通過上述設置的太陽能電池板表面缺陷檢測系統，前端采用圖像采集模塊10、后端圖像處理模塊20和交互終端30組成。前端圖像采集模塊10主要負責圖像數據采集，捕獲圖像后通過有md轉換功能的圖像采集卡轉換出數字圖像，并發(fā)送給后端進行處理；后端圖像處理模塊20主要負責對前端傳送過來的圖像數據進行處理，查出被測太陽能電池片的瑕疵點，并對瑕疵點進行評估，如類型、大小、顏色深度等，后端圖像處理模塊20采用nvidia的jetsontx1模塊。這是一款模塊式計算機，帶有256個cuda核心的gpu，含有64位cpus，4k視頻編解碼和1400mpix/s的攝像頭接口；交互終端30主要負責人機交互，彩色圖像顯示，被測太陽能電池片瑕疵點標記，評估結果顯示等。

系統實施例2

參見圖2，所示為本發(fā)明實施例的一種太陽能電池板表面缺陷檢測系統結構示意圖。

圖像采集模塊10包括攝像頭110和led光源組120，led光源組120對攝像頭110采集圖像時進行補光。

上述攝像頭110采用ccd式，負責捕獲原始圖像數據，向后端輸出模擬視頻信號。本實施例中選用為德國baumer公司的vcxg-53m型號的500萬像素工業(yè)相機，該相機采用gige電源：外置12-24v或poe(poweroverethernet)。具體實施例中還可以包括xw0816高清工業(yè)鏡頭，xw0816為500萬像素高清精密工業(yè)鏡頭，支持8-16mm變焦，是專門針對機器視覺、醫(yī)療成像，生物檢測、及高端監(jiān)控領域使用的一款高分辨率鏡頭。

系統實施例3

參見圖3，所示為本發(fā)明實施例的一種太陽能電池板表面缺陷檢測系統結構示意圖。

圖像處理模塊20包括預處理單元210、圖像分割單元220、模式識別單元230，三者依次連接，識別出太陽能電池板表面的瑕疵點，對瑕疵點的類型、大小、顏色和深度進行處理評估。模式識別單元230至少包括色差識別子單元、臟污識別子單元和缺損識別子單元。

預處理單元210至少完成中值濾波和邊緣檢測子單元，其中，

中值濾波：對圖像進行二維中值濾波。其作用為去除噪聲還可以起到保護圖像邊緣的作用，也屬于圖像增強。二維中值濾波可以用下式來表述：

g(x，y)＝med{f(x，y)}

其中f(x，y)為二維數據矩陣集合，g(x，y)為窗口中心點經過中值濾波后的灰度值。對于二維圖像窗口的大小及形狀對濾波效果影響很大。一般對有緩變的較長輪廓線物體的圖像，采用方形或圓形窗口，對于包含有尖頂角物體的圖像宜用十字型窗口而窗口大小則以不超過圖像中最小有效細線狀物體為宜。太陽能電池板多為矩形故采用方形窗口為宜。

邊緣檢測：采用sobel算子，其表達式如下：

gx＝f(i-1，j+1)+f(i，j+1)+f(i+1，j+1)-f(i-1，j-1)-f(i，j-1)-f(i+1，j-1)

gy＝f(i+1，j-1)+f(i+1，j)+f(i+1，j+1)-f(i-1，j-1)-2×f(i-1，j)-f(i-1，j+1)

sobel算子的卷積模板可以用上式來表示。

sobel算子很容易在空間上實現，而且sobel邊緣檢測器不但產生較好的邊緣檢測效果，同時受噪聲的影響也比較小。

圖像分割單元220采用閾值分割，設(x，y)是二維數字圖像的平面坐標，圖像灰度級的取值范圍是g＝{0，1，2，...l-1}，位于坐標點(x，y)上的像素點的灰度級表示為f(x，y)。設t∈g為分割閾值，b＝{b0，b1}代表一個二值灰度級，并且b0，b1∈b。于是圖像函數f1(x，y)在閾值t上的分割結果可以表

閾值一般可以寫成如下形式：

t＝t[x，y，f(x，y)，p(x，y)]

其中f(x，y)是在像素點(x，y)處的灰度值，p(x，y)是該點鄰域的某種局部性質。

模式識別單元230采用差影法，得到缺陷部分的位置，對圖像進行代數運算，本缺陷檢測方法用到的是差影法中的圖像減運算。其目的是從圖像中去除不需要的信息，只保留所關心的部分。圖像減運算的表達式如下

c(x，y)＝|a(x，y)-b(x，y)|

a(x，y)，b(x，y)為輸入圖像，其中a(x，y)為基于區(qū)域圖像分割之前的灰度圖，b(x，y)為分割后灰度圖。c(x，y)為輸出圖像，所得到的輸出圖像即為有缺陷區(qū)域。

如上表(a)某基元3×3矩陣，即x1，x2，x3...x9。假設(b)、(c)分別對應a(x，y)、b(x，y)，兩矩陣相比較，設差值系數為δ＝2，δ＝|xb-xc|。如果δ＜δ，則圖像處理后圖像像素點對應灰度值為0；否則對應點灰度值為255。(d)為差影法處理之后的圖像灰度矩陣。

具體實施例中，色差識別子單元針對色差打算用hsv模式統計來處理：hsv是由hue，saturation，value組成的，其中hue表示顏色的主色調，用0到360°的角度表示，saturation表示飽和度，value表示顏色的亮度。hsv顏色空間由兩個重要的特點：首先亮度分量與色調分量是分開的，v分量與圖像的彩色信息無關。其次，h及s分量與人感受彩色的方式緊密相連。這些特點使hsv顏色空間非常適合基于人的視覺系統對彩色感知特性進行處理分析的圖像算法。

盡管一幅彩色圖像包含成千上萬種顏色，但在多數情況下，圖像中少數幾種顏色就涵蓋了圖像中的大多數的象素顏色，這些顏色被稱為主色。一些研究表明：使用主色一般不會降低顏色匹配效果。因此本文考慮一種次優(yōu)可行的基于聚類顏色特征的相似度計算方法。

首先通過聚類方法分別將圖像ia和ib中的所有顏色相似的象素歸為一類。不妨假設圖像ia和ib分別得到ω^a和ω^b(ω^a＝naω，b＝nb)種不同顏色的歸類。

然后對圖像ia中每一種顏色在圖像ib中尋找未配對而且與其歐式距離最小的顏色從而得到一個配對(i，ni)，不斷重復此過程可得到一個集合t。

那么兩幅圖像的顏色相似度可定義為：

臟污識別子單元針對臟污可以用canny算法進行邊緣檢測，然后利用對比度分離算法來判定，具體可分為五個步驟：1.高斯濾波對圖像去噪、2.由原始灰度圖求出縱橫2個梯度圖，以及綜合梯度圖、3.結合3個梯度圖來進行非極大抑制、4.進行邊緣連接、5.對邊緣進行細化。

缺損識別子單元針對缺損以及柵線斷帶可以用加速逼近梯度法(apg)和非精確增廣拉格朗日乘子法(ialm)：apg算法對于優(yōu)化問題的一般形式：

滿足條件：a(x)＝b

其中h表示希爾伯特空間，g(x)是一個連續(xù)的凸函數，a是一個線性映射，b是一個已知的觀察量，上式通常通過如下松弛來計算：

滿足條件：a(x)＝b

其中罰函數f(x)＝1/2||a-b||²，松弛參數u＞0。

系統實施例4

參見圖4，所示為本發(fā)明系統實施例4的一種太陽能電池板表面缺陷檢測系統結構示意圖。