一种多晶硅太阳能电池片EL测试裂纹缺陷检测方法技术

本发明专利技术所述的多晶硅太阳能电池片EL测试裂纹缺陷检测适用于工业生产太阳能电池片现场，首先对采集的图像预处理，进行全局阈值分割和形态学的开运算和闭运算排除非处理区域的干扰；再进行中值滤波，引导滤波来消除图像噪声；通过差分阈值和特征提取将探针区域提取出来，将探针区域和阈值分割后的区域进行求补运算，排除探针区域，留下待检测区域；对平滑后的图像进行傅里叶变换；排除探针区域和傅里叶变换后的区域求交集得到待检测区域，提取待检测区域的线条，再根据线条的属性判断线条是否为裂纹。本发明专利技术实现了非接触检测，提高检测质量和效率，有效降低检测过程中的碎片率，可有效的实现检测的在线自动化。

A EL test method for detecting crack defects in polysilicon solar cells

Polycrystalline silicon solar cells EL test to detect defects of the present invention is suitable for industrial production of solar cells, first pre-processing of image acquisition, global threshold segmentation and morphological open and close operation to exclude non treatment areas into interference; median filter guided filter to eliminate image noise by; differential threshold and feature extraction of the probe region is extracted, the probe area and the segmented regions are complementary operation, excluding probe area, left the region to be detected; the Fourier transform of the smoothed image; exclude probe area and Fu Liye transform the region after the intersection can be extracted from the detection area detection of regional lines, according to the attribute judgment whether the crack line line. The invention realizes non-contact detection, improves detection quality and efficiency, effectively reduces debris rate in detection process, and effectively realizes on-line automation of detection.

【技术实现步骤摘要】
一种多晶硅太阳能电池片EL测试裂纹缺陷检测方法
本专利技术涉及光伏电池检测
，主要涉及一种多晶硅太阳能电池片EL测试裂纹缺陷检测方法。
技术介绍
随着我国经济的发展，资源的消耗与需求不断增长，而现在我国经济正面临着经济转型升级的关键时刻，能源问题则成为阻碍我国国民经济发展的又一大难题。太阳能作为一种新的可再生的清洁能源能，可以很好的获取的特点已经成为近年来发展最快，研究最具有活力的领域。多晶硅太阳能电池片广泛应用于光伏发电中。光伏产业生产过程工艺过程复杂，经常出现颜色色差或者生产出来的电池片会存在诸如断栅、裂纹、低效、黑斑、隐裂、漏电等缺陷。组装起来后这些有缺陷会影响电池片的整体性能和外观。在EL测试中，裂纹缺陷是最常见的一种缺陷，检测裂纹缺陷对提升产品质量非常重要，对于提高企业的经济效益具有重大的价值和意义。现阶段国内主要依靠人工肉眼来识别这些缺陷，受主观性影响较大，而且会提高企业的成本和影响生产的效率。目前国内同时融合光伏电池色差分选和EL缺陷检测的智能机器人系统仍处于空白，现在迫切需要建立能够进行智能化色差分选和缺陷产品检测与剔除的系统，提高光伏产业的智能化升级改造。因此，如何通过一种算法将太阳能电池片EL测试中的裂纹缺陷检测出来，克服现有技术的缺陷，是目前本领域技术人员需要解决的技术问题。
技术实现思路
有鉴于此，本专利技术提供了一种太阳能电池片EL测试裂纹缺陷检测方法。解决现有技术中的种种不足，具体方案如下：一种太阳能电池片EL测试裂纹缺陷检测的方法，该方法包括三个步骤单元：第一步，图像预处理单元1-1获得灰度图像：将工业红外相机采集到的RGB图像信息转换为灰度图像信息；1-2获取图像的矩形区域：在步骤1-1的基础上，对灰度图像进行形态学开运算、闭运算操作，排除其它区域干扰，获取矩形结构的灰度图像区域；1-3获取感兴趣区域：在步骤1-2的基础上，获得感兴趣图像的区域；1-4求出图像的尺寸：在步骤1-3的基础上，求取矩形区域图像的宽度和高度；1-5图像滤波:在步骤1-4的基础上，对图像进行中值滤波和引导滤波消除噪声，平滑图像；1-6照亮图像：在步骤1-5的基础上，对图像进行照明，使整副图像的亮度均匀；1-7二值化图像：在步骤1-6的基础上，选择合适的滤波模板对图像进行二值化；1-8获取探针区域：在步骤1-7的基础上，对二值图像进行形态学的开操作运算和闭操作运算，求出探针区域的连通区域，根据探针区域宽度‘width’特征对探针区域进行特征提取，获取探针的栅线区域；第二步，得到非探针区域后进一步处理2-1获取电池片区域：在步骤1-8的基础上，对图像求补，排除探针区域，留下电池片区域；2-2对图像求反：在步骤2-1的基础上，对图像进行求反运算；2-3获取图像尺寸：在步骤2-2的基础上，获取求反后的图像的高‘Height’和宽‘Width’；2-4带通滤波器：在步骤2-3的基础上，产生一个正弦形状的带通滤波器；2-5傅里叶变换：在步骤2-4的基础上，计算图像快速傅里叶变换的真实值；2-6卷积图像：在步骤2-5的基础上，用滤波器在频率域上对图像进行卷积；2-7二值化：在步骤2-6的基础上，通过固定阈值二值化操作，将高频部分区域选出；2-8排除非缺陷区域：在步骤2-7的基础上，根据裂纹所具有的特征将区域面积‘area’特征，椭圆半径‘ra’特征和中心柱索引‘column’特征将不满足这些特征的非缺陷晶格干扰区域排除，留下待检测的缺陷区域；2-9排除断栅区域：在步骤2-8的基础上，竖直的断栅区域对检测缺陷造成干扰，根据区域方向‘orientation’的特征将断栅区域排除；第三步，提取线条3-1提取线条：在2-9的基础上，选择高斯参数线条的最大宽度为7，线条的对比度为12，利用高斯面将亚像素XLD精度裂纹形状或棒状线条‘bar-shaped’提取出来；3-2排除非裂纹线条：在3-1的基础上，利用轮廓点的区域‘area_points’和轮廓点的方向‘orientation_points’将裂纹处亚像素精度线条提取出来；3-3确定裂纹：在3-2的基础上，提取出线条的二阶偏导数的幅度值‘response’，线条的对比度‘contrast’，线条的左侧宽度‘width_left’和线条的右侧宽度‘width_right’,根据裂纹线条的属性来判断线性提取后的线条是否为裂纹,如果线条的二阶偏导数的幅度值response满足：1<responseMean<4;线条的对比度‘contrast’满足：responseMean<4；contrastMean<-18；线的左侧宽度‘width_left’满足：leftMean>3.3；线的右侧宽度‘width_right’满足：rightMean<=4.6则可判断该线条为裂纹，如果不是则可以排除；3-4分割线条：在3-3的基础上，对裂纹XLD轮廓划分成线段‘lines’；3-5填充线段:在3-4的基础上，为了找出裂纹的轮廓区域，将线段转换成任意形状的封闭区域，并将该区域进行填充；3-6标注裂纹：在3-5的基础上，将填充区域进行骨架提取，并在原图上标注裂纹位置。具体的，在所述步骤1-7中，为了保证裂纹在进行二值化后，还能保持裂纹形状不变，根据裂纹的大小选择滤波模板宽度‘maskwidth’和高度‘maskheight’要比本身裂纹大，差分阈值化的的模板宽度‘maskwidth’为25，高度‘maskheight’为25；裂纹的亮度要比周围暗，阈值类型为‘dark’。具体的，在所述步骤1-8中，获取探针区域根据探针区域宽度‘width’特征对探针区域进行特征提取，提取特征区域宽度‘width’的最小值为1800和最大值为99999。具体的，在所述步骤2-8中，将不满足区域面积‘area’特征范围为800~999999；椭圆半径‘ra’特征范围为70~999999；中心柱索引'column'特征范围为15~1950的非缺陷的晶格干扰区域排除，留下待检测的缺陷区域。具体的，在所述步骤2-9中，竖直的断栅区域对检测缺陷造成干扰，根据区域方向‘orientation’的特征可将断栅干扰区域排除，三组特征的范围分别为-3.15~-1.65,-1.45~1.45,1.65~3.15。具体的，在所述步骤3-2中，根据XLD轮廓点的区域‘area_points’和XLD轮廓点的方向‘orientation_points’将非缺陷的小区域进一步排除，留下待检测区域，‘area_points’的范围为40~99999，三组轮廓点的方向‘orientation_points’分别为-3.15~-1.65，-1.45~1.45,1.65~3.15。具体的，所述开运算的值为50，所述闭运算值为120。具体的，所述探针有四条。本专利技术通过将缺陷区域的线条提取出来，实现多晶硅太阳能电池片EL检测裂纹缺陷的机器视觉检测。本专利技术所述的多晶硅太阳能电池片EL测试裂纹缺陷检测适用于工业生产太阳能电池片现场，经过对EL裂纹缺陷检测分析，该检测算法充分适用于现场状况。首先对采集的图像预处理，进行全局阈值分割和形态学的开运算和闭运算排除本文档来自技高网...

【技术保护点】
一种太阳能电池片EL测试裂纹缺陷检测的方法，其特征在于，该方法包括三个步骤单元：第一步，图像预处理单元1‑1获得灰度图像：将工业红外相机采集到的RGB图像信息转换为灰度图像信息；1‑2获取图像的矩形区域：在步骤1‑1的基础上，对灰度图像进行形态学开运算、闭运算操作，排除其它区域干扰，获取矩形结构的灰度图像区域；1‑3获取感兴趣区域：在步骤1‑2的基础上，获得感兴趣图像的区域；1‑4求出图像的尺寸：在步骤1‑3的基础上，求取矩形区域图像的宽度和高度；1‑5图像滤波:在步骤1‑4的基础上，对图像进行中值滤波和引导滤波消除噪声，平滑图像；1‑6照亮图像：在步骤1‑5的基础上，对图像进行照明，使整副图像的亮度均匀；1‑7二值化图像：在步骤1‑6的基础上，选择合适的滤波模板对图像进行二值化；1‑8获取探针区域：在步骤1‑7的基础上，对二值图像进行形态学的开操作运算和闭操作运算，求出探针区域的连通区域，根据探针区域宽度‘width’特征对探针区域进行特征提取，获取探针的栅线区域；第二步，得到非探针区域后进一步处理2‑1获取电池片区域：在步骤1‑8的基础上，对图像求补，排除探针区域，留下电池片区域；2‑2对图像求反：在步骤2‑1的基础上，对图像进行求反运算；2‑3获取图像尺寸：在步骤2‑2的基础上，获取求反后的图像的高‘Height’和宽‘Width’；2‑4带通滤波器：在步骤2‑3的基础上，产生一个正弦形状的带通滤波器；2‑5傅里叶变换：在步骤2‑4的基础上，计算图像快速傅里叶变换的真实值；2‑6卷积图像：在步骤2‑5的基础上，用滤波器在频率域上对图像进行卷积；2‑7二值化：在步骤2‑6的基础上，通过固定阈值二值化操作，将高频部分区域选出；2‑8排除非缺陷区域：在步骤2‑7的基础上，根据裂纹所具有的特征将区域面积‘area’特征，椭圆半径‘ra’特征和中心柱索引‘column’特征将不满足这些特征的非缺陷晶格干扰区域排除，留下待检测的缺陷区域；2‑9排除断栅区域：在步骤2‑8的基础上，竖直的断栅区域对检测缺陷造成干扰，根据区域方向‘orientation’的特征将断栅区域排除；第三步，提取线条3‑1提取线条：在2‑9的基础上，选择高斯参数线条的最大宽度为7，线条的对比度为12，利用高斯面将亚像素XLD精度裂纹形状或棒状线条‘bar‑shaped’提取出来；3‑2排除非裂纹线条：在3‑1的基础上，利用轮廓点的区域‘area_points’和轮廓点的方向‘orientation_points’将裂纹处亚像素精度线条提取出来；3‑3确定裂纹：在3‑2的基础上，提取出线条的二阶偏导数的幅度值‘response’，线条的对比度‘contrast’，线条的左侧宽度‘width_left’和线条的右侧宽度‘width_right’,根据裂纹线条的属性来判断线性提取后的线条是否为裂纹,如果线条的二阶偏导数的幅度值response满足：1<responseMean <4;线条的对比度‘contrast’满足：responseMean<4；contrastMean<‑18；线的左侧宽度‘width_left’满足：leftMean>3.3；线的右侧宽度‘width_right’满足：rightMean<=4.6则可判断该线条为裂纹，如果不是则可以排除；3‑4分割线条：在3‑3的基础上，对裂纹XLD轮廓划分成线段‘lines’；3‑5填充线段:在3‑4的基础上，为了找出裂纹的轮廓区域，将线段转换成任意形状的封闭区域，并将该区域进行填充；3‑6标注裂纹：在3‑5的基础上，将填充区域进行骨架提取，并在原图上标注裂纹位置。...

【技术特征摘要】
1.一种太阳能电池片EL测试裂纹缺陷检测的方法，其特征在于，该方法包括三个步骤单元：第一步，图像预处理单元1-1获得灰度图像：将工业红外相机采集到的RGB图像信息转换为灰度图像信息；1-2获取图像的矩形区域：在步骤1-1的基础上，对灰度图像进行形态学开运算、闭运算操作，排除其它区域干扰，获取矩形结构的灰度图像区域；1-3获取感兴趣区域：在步骤1-2的基础上，获得感兴趣图像的区域；1-4求出图像的尺寸：在步骤1-3的基础上，求取矩形区域图像的宽度和高度；1-5图像滤波:在步骤1-4的基础上，对图像进行中值滤波和引导滤波消除噪声，平滑图像；1-6照亮图像：在步骤1-5的基础上，对图像进行照明，使整副图像的亮度均匀；1-7二值化图像：在步骤1-6的基础上，选择合适的滤波模板对图像进行二值化；1-8获取探针区域：在步骤1-7的基础上，对二值图像进行形态学的开操作运算和闭操作运算，求出探针区域的连通区域，根据探针区域宽度‘width’特征对探针区域进行特征提取，获取探针的栅线区域；第二步，得到非探针区域后进一步处理2-1获取电池片区域：在步骤1-8的基础上，对图像求补，排除探针区域，留下电池片区域；2-2对图像求反：在步骤2-1的基础上，对图像进行求反运算；2-3获取图像尺寸：在步骤2-2的基础上，获取求反后的图像的高‘Height’和宽‘Width’；2-4带通滤波器：在步骤2-3的基础上，产生一个正弦形状的带通滤波器；2-5傅里叶变换：在步骤2-4的基础上，计算图像快速傅里叶变换的真实值；2-6卷积图像：在步骤2-5的基础上，用滤波器在频率域上对图像进行卷积；2-7二值化：在步骤2-6的基础上，通过固定阈值二值化操作，将高频部分区域选出；2-8排除非缺陷区域：在步骤2-7的基础上，根据裂纹所具有的特征将区域面积‘area’特征，椭圆半径‘ra’特征和中心柱索引‘column’特征将不满足这些特征的非缺陷晶格干扰区域排除，留下待检测的缺陷区域；2-9排除断栅区域：在步骤2-8的基础上，竖直的断栅区域对检测缺陷造成干扰，根据区域方向‘orientation’的特征将断栅区域排除；第三步，提取线条3-1提取线条：在2-9的基础上，选择高斯参数线条的最大宽度为7，线条的对比度为12，利用高斯面将亚像素XLD精度裂纹形状或棒状线条‘bar-shaped’提取出来；3-2排除非裂纹线条：在3-1的基础上，利用轮廓点的区域‘area_points’和轮廓点的方向‘orientation_points’将裂纹处亚像素精度线条提取出来；3-3确定裂纹：在3-2的基础上，提取出线条的二阶偏导数的幅度值‘response’，线条的对比度‘contrast’，线条的左侧宽度‘width_left’和线条的右侧宽度‘width_right’,根据裂纹线条的属性来判断线性提取后的线条是否为裂纹,如果线条的二阶偏导数的幅度值response满足：1&lt;responseMean&lt;...

【专利技术属性】
技术研发人员：刘坤，闫皓炜，李爱梅，韩江锐，文熙，陈海永，王玉，崔海根，樊雷雷，胡洁，于矗卓，
申请(专利权)人：河北工业大学，天津英利新能源有限公司，
类型：发明
国别省市：天津,12